CN113914850A - 一种基于模型的抽油机井综合测试仪故障诊断方法和系统 - Google Patents
一种基于模型的抽油机井综合测试仪故障诊断方法和系统 Download PDFInfo
- Publication number
- CN113914850A CN113914850A CN202111227724.6A CN202111227724A CN113914850A CN 113914850 A CN113914850 A CN 113914850A CN 202111227724 A CN202111227724 A CN 202111227724A CN 113914850 A CN113914850 A CN 113914850A
- Authority
- CN
- China
- Prior art keywords
- parameter
- fault
- information
- model
- parameter information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 135
- 238000005086 pumping Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012544 monitoring process Methods 0.000 claims abstract description 90
- 230000008859 change Effects 0.000 claims abstract description 60
- 238000013507 mapping Methods 0.000 claims abstract description 49
- 238000011156 evaluation Methods 0.000 claims abstract description 35
- 238000013210 evaluation model Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 34
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000012216 screening Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 11
- 238000004458 analytical method Methods 0.000 abstract description 10
- 238000013178 mathematical model Methods 0.000 abstract description 9
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 12
- 238000012360 testing method Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000013399 early diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 238000005056 compaction Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
- E21B47/008—Monitoring of down-hole pump systems, e.g. for the detection of "pumped-off" conditions
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- Geophysics (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于模型的抽油机井综合测试仪故障诊断方法和系统,通过获得抽油机井的监测参数信息集合;对监测参数信息集合进行预处理,获得第一参数信息集;根据第一参数信息集,获得参数变化信息;根据参数变化信息、故障参数关联列表,获得关联映射关系;将关联映射关系输入故障评估模型,获得故障评估结果;根据故障评估结果、第一参数信息集,获得故障诊断信息。解决了现有技术中抽油机井故障诊断时效性差,缺乏有效的提前预警措施而影响采油量的技术问题。达到按参数变动进行映射关系关联度构建,基于关联映射关系利用数学模型进行故障诊断分析,基于参数的变化对故障进行提前判断和预警,提升故障诊断时效性和可靠度的技术效果。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种基于模型的抽油机井综合测试仪故障诊断方法和系统。
背景技术
抽油机是开采石油的一种机器设备,俗称“磕头机”。抽油机是有杆抽油系统中最主要举升设备。根据是否有游梁,可分为游梁式抽油机和无游梁式抽油机。抽油机的运行状态直接影响到抽油机井的产量,抽油机井综合测试仪对抽油机井的工作状态参数进行监测和测试,其中,主要涉及的测试参数包括抽油机井液面深度、抽油机井示功图、抽油机井套管压力等。现有技术中对于抽油机井的故障诊断方法以测试结果为指导下依靠人工巡回检查中进行故障发现及诊断,其诊断过程较长,时效性差,对于抽油机井的工作状态存在一定的影响进而影响到开采的产量。
但本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
现有技术中抽油机井故障诊断时效性差,缺乏有效的提前预警措施而影响采油量的技术问题。
发明内容
本申请实施例通过提供一种基于模型的抽油机井综合测试仪故障诊断方法和系统,解决了现有技术中抽油机井故障诊断时效性差,缺乏有效的提前预警措施而影响采油量的技术问题。达到了按照参数的变动进行映射关系关联度构建,基于关联映射关系利用数学模型进行故障诊断分析,能够按照参数的变化对故障进行提前判断和预警,提升故障诊断的时效性和可靠度的技术效果。
鉴于上述问题,提出了本申请实施例提供一种基于模型的抽油机井综合测试仪故障诊断方法和系统。
第一方面,本申请实施例提供了一种基于模型的抽油机井综合测试仪故障诊断方法,应用于故障诊断系统,所述系统与所述抽油机井综合测试仪连接,所述方法包括:通过抽油机井综合测试仪获得抽油机井的监测参数信息集合;对所述监测参数信息集合进行预处理,获得第一参数信息集;根据所述第一参数信息集,获得参数变化信息;获得故障参数关联列表;根据所述参数变化信息、所述故障参数关联列表,获得关联映射关系;将所述关联映射关系输入故障评估模型,获得故障评估结果;根据所述故障评估结果、所述第一参数信息集,获得故障诊断信息。
另一方面,本申请还提供了一种基于模型的抽油机井综合测试仪故障诊断系统,所述系统包括:
第一获得单元,所述第一获得单元用于通过抽油机井综合测试仪获得抽油机井的监测参数信息集合;
第二获得单元,所述第二获得单元用于对所述监测参数信息集合进行预处理,获得第一参数信息集;
第三获得单元,所述第三获得单元用于根据所述第一参数信息集,获得参数变化信息;
第四获得单元,所述第四获得单元用于获得故障参数关联列表;
第五获得单元,所述第五获得单元用于根据所述参数变化信息、所述故障参数关联列表,获得关联映射关系;
第一执行单元,所述第一执行单元用于将所述关联映射关系输入故障评估模型,获得故障评估结果;
第六获得单元,所述第六获得单元用于根据所述故障评估结果、所述第一参数信息集,获得故障诊断信息。
第三方面,本发明提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现第一方面任一项所述方法的步骤。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供了一种基于模型的抽油机井综合测试仪故障诊断方法和系统,通过抽油机井综合测试仪获得抽油机井的监测参数信息集合;对所述监测参数信息集合进行预处理,获得第一参数信息集;根据所述第一参数信息集,获得参数变化信息;获得故障参数关联列表;根据所述参数变化信息、所述故障参数关联列表,获得关联映射关系;将所述关联映射关系输入故障评估模型,获得故障评估结果;根据所述故障评估结果、所述第一参数信息集,获得故障诊断信息。达到了按照参数的变动进行映射关系关联度构建,基于关联映射关系利用数学模型进行故障诊断分析,能够按照参数的变化对故障进行提前判断和预警,提升故障诊断的时效性和可靠度的技术效果,从而解决了现有技术中抽油机井故障诊断时效性差,缺乏有效的提前预警措施而影响采油量的技术问题。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种基于模型的抽油机井综合测试仪故障诊断方法的流程示意图;
图2为本申请实施例中另一种基于模型的抽油机井综合测试仪故障诊断方法的流程示意图;
图3为本申请实施例中另一种基于模型的抽油机井综合测试仪故障诊断方法的流程示意图;
图4为本申请实施例中另一种基于模型的抽油机井综合测试仪故障诊断方法的流程示意图;
图5为本申请实施例中另一种基于模型的抽油机井综合测试仪故障诊断方法的流程示意图;
图6为本申请实施例一种基于模型的抽油机井综合测试仪故障诊断系统的结构示意图;
图7为本申请实施例示例性计算机设备的结构示意图。
附图标记说明:第一获得单元11,第一获得单元12,第三获得单元13,第四获得单元14,第五获得单元15,第一执行单元16,第六获得单元17,总线300,接收器301,处理器302,发送器303,存储器304,总线接口305。
具体实施方式
本申请实施例通过提供一种基于模型的抽油机井综合测试仪故障诊断方法和系统,用以解决现有技术中抽油机井故障诊断时效性差,缺乏有效的提前预警措施而影响采油量的技术问题。
下面,将参考附图详细的描述根据本申请的示例实施例。显然,所描述的实施例仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
针对上述技术问题,本申请提供的技术方案总体思路如下:
通过抽油机井综合测试仪获得抽油机井的监测参数信息集合;对所述监测参数信息集合进行预处理,获得第一参数信息集;根据所述第一参数信息集,获得参数变化信息;获得故障参数关联列表;根据所述参数变化信息、所述故障参数关联列表,获得关联映射关系;将所述关联映射关系输入故障评估模型,获得故障评估结果;根据所述故障评估结果、所述第一参数信息集,获得故障诊断信息。达到了按照参数的变动进行映射关系关联度构建,基于关联映射关系利用数学模型进行故障诊断分析,能够按照参数的变化对故障进行提前判断和预警,提升故障诊断的时效性和可靠度的技术效果。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
图1为本申请实施例一种基于模型的抽油机井综合测试仪故障诊断方法的流程示意图,如图1所示,本申请实施例提供了一种基于模型的抽油机井综合测试仪故障诊断方法,应用于故障诊断系统,所述系统与所述抽油机井综合测试仪连接,所述方法包括:
步骤S100通过抽油机井综合测试仪获得抽油机井的监测参数信息集合;
具体而言,故障诊断系统通过与抽油机井综合测试仪通信连接,将抽油机井综合测试仪检查到的抽油机井数据及测试参数进行实时获取,所述监测参数信息集合即为抽油机井综合测试仪监测到的所有参数数据集合。故障诊断系统根据获取的参数数据集合进行运算分析处理,从而实现对抽油机井的故障诊断,实现提前诊断和预警的效果。监测参数信息集合包括抽油机井液面深度、抽油机井示功图、抽油机井套管压力、零部件运行声音、电机温度、震动频率、监测时间等,也可以根据抽油机井的使用环境和工作特性进行对应参数的调整,通过增加对应的监测设备实现对应的参数监测,如,增加无线通讯短传技术、声波采集器、振动感应器、嵌入系统设备、激光测距、加速度测距、应变计测力、压电陶瓷测声波、智能定位算法、物联网平台系统等,根据需要和要求进行对应参数的调整,同时监测参数信息集合中各参数信息与监测时间相对应,可以对抽油机井的工作状态进行全面实时掌握。
步骤S200对所述监测参数信息集合进行预处理,获得第一参数信息集;
进一步的,如图2所示,所述对所述监测参数信息集合进行预处理,获得第一参数信息集,步骤S200包括:
步骤S210根据所述监测参数信息集,获得参数属性;
步骤S220根据所述参数属性,获得参数要求信息;
步骤S230根据所述参数要求信息,获得时间要求、数值范围要求;
步骤S240根据所述时间要求对所述监测参数信息集进行筛选,获得第一筛选参数;
步骤S250根据所述数据范围要求对所述第一筛选参数进行筛选,获得所述第一参数信息集。
进一步的,如图3所示,所述对所述监测参数信息集合进行预处理,获得第一参数信息集,步骤S200还包括:
步骤S260根据所述监测参数信息集,构建参数矩阵;
步骤S270获得参数权重信息;
步骤S280根据所述参数权重信息、所述参数矩阵,获得模糊参数矩阵;
步骤S290根据所述模糊参数矩阵、所述参数权重信息,获得所述第一参数信息集。
具体而言,监测参数信息集包含了所有监测的参数信息,按照抽油机井的诊断特征和参数数据的类型进行预处理,主要包括两方面,第一方面是将参数筛选,选择其中与故障诊断相关的数据信息,第二方面是对数据进行降噪处理,将其中不具有诊断价值的数据进行剔除,通过对数据进行降噪处理,而减少参数数据分析的数量,提高故障诊断结果的可靠性和准确度。对于参数种类筛选,根据监测参数信息集中各参数属性特征,确定该参数进行数据诊断中应该考虑的需求因素,包括时间要求、数值范围要求,如有些参数其参考的要求需要满足一定时间,则需要具有时间长度要求,只有满足了一定的时间间隔要求时,该参数信息才有进行诊断的需求。数值范围要求是按照参数的特征进行确定的,在数值范围要求内的数据可以反应设备元件的工作状态,若不再数值范围要求内,则为无效数据,不具有参考性。按照时间要求将监测参数信息集合进行初次筛选,获得第一筛选参数,再利用参数的数值范围要求对第一筛选参数进行筛选,得到的第一参数信息集,所述第一参数信息集即为将不能够反应参数特征的信息进行剔除后的,剩余可以满足参数属性基本要求的、反应设备运行状态的有效参数信息集合。同时还可以按照进行诊断的目标进行参数的筛选,如当前的诊断需求是判断抽油井套管压力的故障,则将与抽油井套管压力故障相关联的表现参数信息进行筛选,这样第一参数信息集中就包含有与诊断目标项目具有关联性的数据信息。对于数据进行降噪处理,本申请采用模糊算法和归一化,利用监测参数信息集中的监测参数构建参数矩阵,确定监测参数的权重值、隶属度,经过模糊算法得到模糊参数矩阵,根据模糊参数矩阵和模糊参数矩阵进行模糊运算并进行归一化处理,得到参数集作为第一参数信息集,第一参数信息集即经过降噪处理后得到的参数信息集,以降低数据冗余性,提升数据分析的可靠性。
步骤S300根据所述第一参数信息集,获得参数变化信息;
具体而言,根据第一参数信息集中的参数信息,结合参数之前的数据确定参数变化信息,由于抽油机井不同的状态下对应的参数量不同,根据参数变化情况来确定当前抽油机井的工作状态,根据参数变化的趋势和范围来提前预警出现的故障。
步骤S400获得故障参数关联列表;
具体而言,故障参数关联列表为按照历史故障数据和故障诊断情况的关联度进行总结归纳而构建而成的,其中涵括了抽油机井的故障信息和参数信息、参数变化信息的多种对应情况。
步骤S500根据所述参数变化信息、所述故障参数关联列表,获得关联映射关系;
具体而言,利用参数变化信息与故障参数关联列表中的对应关系进行映射,得到参数变化信息与故障之间的关联度映射关系,所述关联映射关系即按照参数变化信息在故障参数关联列表中进行匹配得到的映射关系,按照关联度映射关系中参数的变化量、故障映射关系的构建进行对应故障的诊断,能够按照参数变化信息的发展趋势进行提前诊断和预警的效果,不再需要等到故障发生后再进行故障排查和诊断,提高了时效性。
步骤S600将所述关联映射关系输入故障评估模型,获得故障评估结果;
进一步的,如图4所示,所述将所述关联映射关系输入故障评估模型,获得故障评估结果之前,包括:
步骤S810获得历史参数信息,所述历史参数信息包括第一历史参数集、第二历史参数集;
步骤S820基于所述第一历史参数集,构建第一训练数据;
步骤S830基于所述第二历史参数集,构建第二训练数据;
步骤S840从第三方平台获得初始故障模型;
步骤S850通过所述第一训练数据对所述初始故障模型进行训练,获得第一故障模型;
步骤S860通过所述第二训练数据对所述初始故障模型进行训练,获得第二故障模型;
步骤S870根据所述第一故障模型、所述第二故障模型,分别获得第一模型参数、第二模型参数;
步骤S880根据所述第一模型参数、第二模型参数对所述初始故障模型进行综合训练更新,获得所述故障评估模型。
具体而言,基于对参数的变化进行映射关联度构建,根据构建结果即关联映射关系进行故障诊断分析,本申请实施例加入数学模型以提高故障诊断结果的可靠性,将关联映射关系作为输入信息,故障评估模型为利用多组训练数据进行训练而获得的数学模型,每组训练数据均包括了关联映射关系及对应的故障诊断结果,利用不断的训练和收敛,故障评估模型具有按照输入的关联映射关系输出对应的故障评估结果,故障评估结果中包括了其中故障诊断的评估结果,包括了故障发展趋势、故障概率、故障方向。为了提升故障评估模型的可靠性,本申请实施例利用联邦学习进行故障评估模型的构建学习,借助与本系统相关联的其他数据进行训练,扩大数据的全面性,由于本地的故障数据可能存在一定的局限性,无法涵盖所有故障参数的变化数据和特性,利用联邦学习加入参数类型和故障评估要求相同的参数数据一起进行模型训练,以提高模型的可靠性,第一历史参数集为本地监测得到的历史数据集合,第二历史参数集即为具有参数类型和评估要求相同的其他机构或者公司的监测数据,从第一历史参数集、第二历史参数集中分别抽取训练数据进行初始故障模型的训练,其中初始故障模型为第三方平台中给出的两份共同训练的模型,为了确保各种数据的保密性,通过第三方平台给出初始模型,提供训练数据的两方分别对模型进行训练,第三方集合两方的训练成果模型参数对初始模型进行更新,从而使得故障评估模型具有两方模型的共同成果,实现了采用横向联邦学习,使得训练样本更加丰富,提升了故障评估模型的准确性和可靠度的效果。将确定的关联映射关系作为输入数据输入故障评估模型中,获得的对应的输出结果即与该输入关联映射关系相匹配的故障评估结果。故障评估结果包括一种或者多种,由于面对同样的参数变化,可能存在多种故障结果,这与监测参数信息的范围和类型也关联,若监测的参数信息范围广其诊断结果可能对应只有一种,而监测参数信息范围小,参数的类型少的情况对应的诊断结果可能为多种,如监测参数只有套管压力、液面信息,当套管压力发生变化时对应的故障情况可以有多种,而如果监测数据还包括了抽油机井示功图、声波、振动频率等,按照多种参数的变化情况其对应的故障可能性就少,可能仅为一种。
步骤S700根据所述故障评估结果、所述第一参数信息集,获得故障诊断信息。
具体而言,按照故障评估结果给出的故障信息结合第一参数信息集中具体的参数信息和参数变化范围确定其中存在的故障诊断结果,故障诊断信息即为按照故障评估结果和第一参数信息集中具体的参数值、变化量给出的故障诊断结果,对于故障评估结果中存在多种概率下,按照第一参数信息集中具体的参数值给出其中故障发生概率最大的故障诊断结果作为故障诊断信息,或者按照发生概率给出诊断集合报告作为故障诊断信息进行反馈,同时还可以按照故障诊断信息进行故障等级的判断,按照故障等级的大小设定对应的预警形式,对于故障等级高的进行预警,对于故障等级低的进行提醒,达到了按照参数的变动进行映射关系关联度构建,基于关联映射关系利用数学模型进行故障诊断分析,能够按照参数的变化对故障进行提前判断和预警,提升故障诊断的时效性和可靠度的技术效果,从而解决了现有技术中抽油机井故障诊断时效性差,缺乏有效的提前预警措施而影响采油量的技术问题。
进一步的,如图5所示,所述获得故障诊断信息之后,包括:
步骤S910根据所述故障诊断信息,获得第一故障调节参数;
步骤S920根据所述第一故障调节参数,获得第一调整指令;
步骤S930基于所述第一调整指令,获得第一调整监测参数信息;
步骤S940根据所述第一调整监测参数信息、所述监测参数信息,获得第一参数改变量;
步骤S950当所述第一参数改变量满足第一预设条件时,确定所述故障诊断信息。
进一步的,所述方法包括:
步骤S1010当所述参数改变量不满足所述第一预定条件时,根据所述故障评估结果、所述第一参数信息集,获得故障诊断调整信息;
步骤S1020根据所述故障诊断调整信息,获得第二故障调节参数;
步骤S1030根据所述第二故障调节参数,获得第二调整指令;
步骤S1040基于所述第二调整指令,获得第二调整监测参数信息;
步骤S1050根据所述第二调整监测参数信息、所述监测参数信息,获得第二参数改变量;
步骤S1060当所述第二参数改变量满足所述第一预设条件时,确定所述故障诊断调整信息。
具体而言,根据故障诊断信息中的故障诊断结果进行对应故障参数的调节,第一故障调节参数即针对故障诊断信息中的诊断结果对应可以进行调整和改变的参数信息,通过第一故障调节参数的调整可以改变故障诊断信息中的诊断结果。若通过调整故障调节参数后的得到的第一调整监测参数信息与监测参数信息集进行比对后发现没有改善的情况下,判断该故障诊断结果不符合实际情况即存在误差,则重新进行诊断,对于故障诊断信息中存在多种情况下,则按照发生概率的分析从大到小依次进行调整和判断,直到通过参数的调整后监测参数信息发生了改变,符合故障诊断信息中的诊断原因,则认定该故障诊断信息,若不满足则继续进行故障诊断信息的调整和重新确定,直到满足第一预定条件即调整监测参数发生了变化,符合故障诊断对应的参数调整发展趋势。达到了结合具体参数的调节对故障诊断结果继续验证,以提高故障诊断结果的可靠性,同时为用户提供故障调整的指导方向。
进一步的,所述当所述第一参数改变量满足第一预设条件时,确定所述故障诊断信息之后,包括:
步骤S1110获得预设参数信息;
步骤S1120根据所述预设参数信息,获得预设参数设定范围;
步骤S1130根据所述第一调整监测参数信息,获得预设参数监测数据;
步骤S1140判断所述预设参数监测数据是否满足所述预设参数设定范围,当满足时,确定所述故障诊断信息。
具体而言,为了满足故障诊断的不同要求,本申请实施例具有设定参数信息的功能,预设参数信息即为故障诊断要求进行对应的参数的设定,需要将某一参数保持在一定的范围内,可能这一参数的设定范围会对其他的参数产生影响,或者提高其他参数的要求,按照预设参数信息为基准进行故障的监测和诊断,若故障诊断信息中对应的预设参数信息超出了预设参数设定范围,即便不再故障范围内,但是预设参数信息没有满足预设参数设定范围同样进行提醒,若满足预设参数设定范围,则认为当前的故障诊断信息满足要求,该功能满足于不同的设备和机构的诊断检测要求,主要适用于面对某一参数具有较高的工作要求。
与现有技术相比,本发明具有如下的有益效果:
1、本申请实施例通过根据所述第一参数信息集,获得参数变化信息;获得故障参数关联列表;根据所述参数变化信息、所述故障参数关联列表,获得关联映射关系;将所述关联映射关系输入故障评估模型,获得故障评估结果,达到了按照参数的变动进行映射关系关联度构建,基于关联映射关系利用数学模型进行故障诊断分析,能够按照参数的变化对故障进行趋势匹配分析,当参数变化的趋势与故障列表的故障发展趋势相匹配时,提前进行故障的判断和预警,提升故障诊断的时效性和可靠度的技术效果。
2、本申请实施例通过根据所述监测参数信息集,构建参数矩阵;获得参数权重信息;根据所述参数权重信息、所述参数矩阵,获得模糊参数矩阵;根据所述模糊参数矩阵、所述参数权重信息,获得所述第一参数信息集。达到了对监测参数信息集进行数据降噪,降低数据冗余,提高了数据的准确性和可靠度,为进行准确地参数变化分析夯实了基础。
3、本申请实施例通过获得历史参数信息,所述历史参数信息包括第一历史参数集、第二历史参数集;基于所述第一历史参数集,构建第一训练数据;基于所述第二历史参数集,构建第二训练数据;从第三方平台获得初始故障模型;通过所述第一训练数据对所述初始故障模型进行训练,获得第一故障模型;通过所述第二训练数据对所述初始故障模型进行训练,获得第二故障模型;根据所述第一故障模型、所述第二故障模型,分别获得第一模型参数、第二模型参数;根据所述第一模型参数、第二模型参数对所述初始故障模型进行综合训练更新,获得所述故障评估模型。达到了利用联邦学习增加了模型训练数据的多样化和全面性,从而提升了模型的可靠性和准确性,为进行准确的故障诊断提供了保证的技术效果。
4、通过根据所述故障诊断信息,获得第一故障调节参数;根据所述第一故障调节参数,获得第一调整指令;基于所述第一调整指令,获得第一调整监测参数信息;根据所述第一调整监测参数信息、所述监测参数信息,获得第一参数改变量;当所述第一参数改变量满足第一预设条件时,确定所述故障诊断信息,达到了结合具体参数的调节对故障诊断结果继续验证,以提高故障诊断结果的可靠性,同时为用户提供故障调整的指导方向的技术效果。
实施例二
基于与前述实施例中一种基于模型的抽油机井综合测试仪故障诊断方法同样发明构思,本发明还提供了一种基于模型的抽油机井综合测试仪故障诊断系统,如图6所示,所述系统包括:
第一获得单元11,所述第一获得单元11用于通过抽油机井综合测试仪获得抽油机井的监测参数信息集合;
第二获得单元12,所述第二获得单元12用于对所述监测参数信息集合进行预处理,获得第一参数信息集;
第三获得单元13,所述第三获得单元13用于根据所述第一参数信息集,获得参数变化信息;
第四获得单元14,所述第四获得单元14用于获得故障参数关联列表;
第五获得单元15,所述第五获得单元15用于根据所述参数变化信息、所述故障参数关联列表,获得关联映射关系;
第一执行单元16,所述第一执行单元16用于将所述关联映射关系输入故障评估模型,获得故障评估结果;
第六获得单元17,所述第六获得单元17用于根据所述故障评估结果、所述第一参数信息集,获得故障诊断信息。
进一步的,所述系统还包括:
第七获得单元,所述第七获得单元用于根据所述监测参数信息集,获得参数属性;
第八获得单元,所述第八获得单元用于根据所述参数属性,获得参数要求信息;
第九获得单元,所述第九获得单元用于根据所述参数要求信息,获得时间要求、数值范围要求;
第十获得单元,所述第十获得单元用于根据所述时间要求对所述监测参数信息集进行筛选,获得第一筛选参数;
第十一获得单元,所述第十一获得单元用于根据所述数据范围要求对所述第一筛选参数进行筛选,获得所述第一参数信息集。
进一步的,所述系统还包括:
第一构建单元,所述第一构建单元用于根据所述监测参数信息集,构建参数矩阵;
第十二获得单元,所述第十二获得单元用于获得参数权重信息;
第十三获得单元,所述第十三获得单元用于根据所述参数权重信息、所述参数矩阵,获得模糊参数矩阵;
第十四获得单元,所述第十四获得单元用于根据所述模糊参数矩阵、所述参数权重信息,获得所述第一参数信息集。
进一步的,所述系统还包括:
第十五获得单元,所述第十五获得单元用于获得历史参数信息,所述历史参数信息包括第一历史参数集、第二历史参数集;
第二构建单元,所述第二构建单元用于基于所述第一历史参数集,构建第一训练数据;
第三构建单元,所述第三构建单元用于基于所述第二历史参数集,构建第二训练数据;
第十六获得单元,所述第十六获得单元用于从第三方平台获得初始故障模型;
第十七获得单元,所述第十七获得单元用于通过所述第一训练数据对所述初始故障模型进行训练,获得第一故障模型;
第十八获得单元,所述第十八获得单元用于通过所述第二训练数据对所述初始故障模型进行训练,获得第二故障模型;
第十九获得单元,所述第十九获得单元用于根据所述第一故障模型、所述第二故障模型,分别获得第一模型参数、第二模型参数;
第二十获得单元,所述第二十获得单元用于根据所述第一模型参数、第二模型参数对所述初始故障模型进行综合训练更新,获得所述故障评估模型。
进一步的,所述系统还包括:
第二十一获得单元,所述第二十一获得单元用于根据所述故障诊断信息,获得第一故障调节参数;
第二十二获得单元,所述第二十二获得单元用于根据所述第一故障调节参数,获得第一调整指令;
第二十三获得单元,所述第二十三获得单元用于基于所述第一调整指令,获得第一调整监测参数信息;
第二十四获得单元,所述第二十四获得单元用于根据所述第一调整监测参数信息、所述监测参数信息,获得第一参数改变量;
第一确定单元,所述第一确定单元用于当所述第一参数改变量满足第一预设条件时,确定所述故障诊断信息。
进一步的,所述系统还包括:
第二十五获得单元,所述第二十五获得单元用于当所述参数改变量不满足所述第一预定条件时,根据所述故障评估结果、所述第一参数信息集,获得故障诊断调整信息;
第二十六获得单元,所述第二十六获得单元用于根据所述故障诊断调整信息,获得第二故障调节参数;
第二十七获得单元,所述第二十七获得单元用于根据所述第二故障调节参数,获得第二调整指令;
第二十八获得单元,所述第二十八获得单元用于基于所述第二调整指令,获得第二调整监测参数信息;
第二十九获得单元,所述第二十九获得单元用于根据所述第二调整监测参数信息、所述监测参数信息,获得第二参数改变量;
第二确定单元,所述第二确定单元用于当所述第二参数改变量满足所述第一预设条件时,确定所述故障诊断调整信息。
进一步的,所述系统还包括:
第三十获得单元,所述第三十获得单元用于获得预设参数信息;
第三十一获得单元,所述第三十一获得单元用于根据所述预设参数信息,获得预设参数设定范围;
第三十二获得单元,所述第三十二获得单元用于根据所述第一调整监测参数信息,获得预设参数监测数据;
第三确定单元,所述第三确定单元用于判断所述预设参数监测数据是否满足所述预设参数设定范围,当满足时,确定所述故障诊断信息。
前述图1实施例一中的一种基于模型的抽油机井综合测试仪故障诊断方法的各种变化方式和具体实例同样适用于本实施例的一种基于模型的抽油机井综合测试仪故障诊断系统,通过前述对一种基于模型的抽油机井综合测试仪故障诊断方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种基于模型的抽油机井综合测试仪故障诊断系统的实施方法,所以为了说明书的简洁,在此不再详述。
示例性电子设备
下面参考图7来描述本申请实施例的计算机设备。
图7图示了根据本申请实施例的计算机设备的结构示意图。
基于与前述实施例中一种基于模型的抽油机井综合测试仪故障诊断方法的发明构思,本发明还提供一种计算机设备,其上存储有计算机程序,该程序被处理器执行时实现前文所述一种基于模型的抽油机井综合测试仪故障诊断方法的任一方法的步骤。
其中,在图7中,总线架构(用总线300来代表),总线300可以包括任意数量的互联的总线和桥,总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口305在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件,即收发机,提供用于在传输介质上与各种其他系统通信的单元。
处理器302负责管理总线300和通常的处理,而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
本申请实施例中的上述一个或多个技术方案,至少具有如下一种或多种技术效果:
本申请实施例提供了一种基于模型的抽油机井综合测试仪故障诊断方法和系统,通过抽油机井综合测试仪获得抽油机井的监测参数信息集合;对所述监测参数信息集合进行预处理,获得第一参数信息集;根据所述第一参数信息集,获得参数变化信息;获得故障参数关联列表;根据所述参数变化信息、所述故障参数关联列表,获得关联映射关系;将所述关联映射关系输入故障评估模型,获得故障评估结果;根据所述故障评估结果、所述第一参数信息集,获得故障诊断信息。达到了按照参数的变动进行映射关系关联度构建,基于关联映射关系利用数学模型进行故障诊断分析,能够按照参数的变化对故障进行提前判断和预警,提升故障诊断的时效性和可靠度的技术效果,从而解决了现有技术中抽油机井故障诊断时效性差,缺乏有效的提前预警措施而影响采油量的技术问题。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的系统。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种基于模型的抽油机井综合测试仪故障诊断方法,应用于故障诊断系统,所述系统与所述抽油机井综合测试仪连接,其中,所述方法包括:
通过抽油机井综合测试仪获得抽油机井的监测参数信息集合;
对所述监测参数信息集合进行预处理,获得第一参数信息集;
根据所述第一参数信息集,获得参数变化信息;
获得故障参数关联列表;
根据所述参数变化信息、所述故障参数关联列表,获得关联映射关系;
将所述关联映射关系输入故障评估模型,获得故障评估结果;
根据所述故障评估结果、所述第一参数信息集,获得故障诊断信息。
2.如权利要求1所述的方法,其中,所述对所述监测参数信息集合进行预处理,获得第一参数信息集,包括:
根据所述监测参数信息集,获得参数属性;
根据所述参数属性,获得参数要求信息;
根据所述参数要求信息,获得时间要求、数值范围要求;
根据所述时间要求对所述监测参数信息集进行筛选,获得第一筛选参数;
根据所述数据范围要求对所述第一筛选参数进行筛选,获得所述第一参数信息集。
3.如权利要求2所述的方法,其中,所述对所述监测参数信息集合进行预处理,获得第一参数信息集,包括:
根据所述监测参数信息集,构建参数矩阵;
获得参数权重信息;
根据所述参数权重信息、所述参数矩阵,获得模糊参数矩阵;
根据所述模糊参数矩阵、所述参数权重信息,获得所述第一参数信息集。
4.如权利要求1所述的方法,其中,所述将所述关联映射关系输入故障评估模型,获得故障评估结果之前,包括:
获得历史参数信息,所述历史参数信息包括第一历史参数集、第二历史参数集;
基于所述第一历史参数集,构建第一训练数据;
基于所述第二历史参数集,构建第二训练数据;
从第三方平台获得初始故障模型;
通过所述第一训练数据对所述初始故障模型进行训练,获得第一故障模型;
通过所述第二训练数据对所述初始故障模型进行训练,获得第二故障模型;
根据所述第一故障模型、所述第二故障模型,分别获得第一模型参数、第二模型参数;
根据所述第一模型参数、第二模型参数对所述初始故障模型进行综合训练更新,获得所述故障评估模型。
5.如权利要求1所述的方法,其中,所述获得故障诊断信息之后,包括:
根据所述故障诊断信息,获得第一故障调节参数;
根据所述第一故障调节参数,获得第一调整指令;
基于所述第一调整指令,获得第一调整监测参数信息;
根据所述第一调整监测参数信息、所述监测参数信息,获得第一参数改变量;
当所述第一参数改变量满足第一预设条件时,确定所述故障诊断信息。
6.如权利要求5所述的方法,其中,所述方法包括:
当所述参数改变量不满足所述第一预定条件时,根据所述故障评估结果、所述第一参数信息集,获得故障诊断调整信息;
根据所述故障诊断调整信息,获得第二故障调节参数;
根据所述第二故障调节参数,获得第二调整指令;
基于所述第二调整指令,获得第二调整监测参数信息;
根据所述第二调整监测参数信息、所述监测参数信息,获得第二参数改变量;
当所述第二参数改变量满足所述第一预设条件时,确定所述故障诊断调整信息。
7.如权利要求5所述的方法,其中,所述当所述第一参数改变量满足第一预设条件时,确定所述故障诊断信息之后,包括:
获得预设参数信息;
根据所述预设参数信息,获得预设参数设定范围;
根据所述第一调整监测参数信息,获得预设参数监测数据;
判断所述预设参数监测数据是否满足所述预设参数设定范围,当满足时,确定所述故障诊断信息。
8.一种基于模型的抽油机井综合测试仪故障诊断系统,其中,所述系统包括:
第一获得单元,所述第一获得单元用于通过抽油机井综合测试仪获得抽油机井的监测参数信息集合;
第二获得单元,所述第二获得单元用于对所述监测参数信息集合进行预处理,获得第一参数信息集;
第三获得单元,所述第三获得单元用于根据所述第一参数信息集,获得参数变化信息;
第四获得单元,所述第四获得单元用于获得故障参数关联列表;
第五获得单元,所述第五获得单元用于根据所述参数变化信息、所述故障参数关联列表,获得关联映射关系;
第一执行单元,所述第一执行单元用于将所述关联映射关系输入故障评估模型,获得故障评估结果;
第六获得单元,所述第六获得单元用于根据所述故障评估结果、所述第一参数信息集,获得故障诊断信息。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111227724.6A CN113914850B (zh) | 2021-10-21 | 2021-10-21 | 一种基于模型的抽油机井综合测试仪故障诊断方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111227724.6A CN113914850B (zh) | 2021-10-21 | 2021-10-21 | 一种基于模型的抽油机井综合测试仪故障诊断方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113914850A true CN113914850A (zh) | 2022-01-11 |
CN113914850B CN113914850B (zh) | 2023-09-26 |
Family
ID=79242170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111227724.6A Active CN113914850B (zh) | 2021-10-21 | 2021-10-21 | 一种基于模型的抽油机井综合测试仪故障诊断方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113914850B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115248292A (zh) * | 2022-09-23 | 2022-10-28 | 江苏永鼎股份有限公司 | 一种变压器故障分析诊断方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109460561A (zh) * | 2018-07-25 | 2019-03-12 | 北京国双科技有限公司 | 采油设备故障诊断方法及装置 |
CN111007390A (zh) * | 2019-11-23 | 2020-04-14 | 宜宾学院 | 基于代数方法的模拟电路故障诊断模型 |
US20200380337A1 (en) * | 2019-05-30 | 2020-12-03 | Hongfujin Precision Electronics (Zhengzhou) Co., Ltd. | User terminal hardware detection system and method |
CN112232370A (zh) * | 2020-09-16 | 2021-01-15 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 发动机的故障分析预测方法 |
CN112990288A (zh) * | 2021-03-09 | 2021-06-18 | 上海应用技术大学 | 一种大型设备在线监测与故障预测系统 |
CN113469231A (zh) * | 2021-06-21 | 2021-10-01 | 中国原子能科学研究院 | 故障诊断方法、故障诊断系统、计算机设备及存储介质 |
-
2021
- 2021-10-21 CN CN202111227724.6A patent/CN113914850B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109460561A (zh) * | 2018-07-25 | 2019-03-12 | 北京国双科技有限公司 | 采油设备故障诊断方法及装置 |
US20200380337A1 (en) * | 2019-05-30 | 2020-12-03 | Hongfujin Precision Electronics (Zhengzhou) Co., Ltd. | User terminal hardware detection system and method |
CN111007390A (zh) * | 2019-11-23 | 2020-04-14 | 宜宾学院 | 基于代数方法的模拟电路故障诊断模型 |
CN112232370A (zh) * | 2020-09-16 | 2021-01-15 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 发动机的故障分析预测方法 |
CN112990288A (zh) * | 2021-03-09 | 2021-06-18 | 上海应用技术大学 | 一种大型设备在线监测与故障预测系统 |
CN113469231A (zh) * | 2021-06-21 | 2021-10-01 | 中国原子能科学研究院 | 故障诊断方法、故障诊断系统、计算机设备及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115248292A (zh) * | 2022-09-23 | 2022-10-28 | 江苏永鼎股份有限公司 | 一种变压器故障分析诊断方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113914850B (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112382582B (zh) | 一种晶圆测试分类方法及系统 | |
CN101322086A (zh) | 用于过程设备的自诊断过程控制环路 | |
JP2008536219A (ja) | 診断及び予知方法並びにシステム | |
CN116611712B (zh) | 基于语义推断的电网工作票评估系统 | |
US20200409823A1 (en) | Method and apparatus for optimal distribution of test cases among different testing platforms | |
US8010468B2 (en) | Method for wafer analysis with artificial neural network and system thereof | |
CN107490964A (zh) | 一种基于特征证据离散化的旋转机械故障特征约简方法 | |
CN113900845A (zh) | 一种基于神经网络的微服务故障诊断的方法和存储介质 | |
CN113569457A (zh) | 一种基于数字孪生的需求功能模型构建方法及系统 | |
CN113914850B (zh) | 一种基于模型的抽油机井综合测试仪故障诊断方法和系统 | |
CN110007662B (zh) | 自主保障技术验证系统全飞行器健康评估与管理地面推理平台 | |
CN114066322A (zh) | 一种输油气管道无人站运行管理及风险防控能力评价方法 | |
CN117287646A (zh) | 一种基于人工智能模型的管网数据分析和处理方法和系统 | |
US20220044151A1 (en) | Apparatus and method for electronic determination of system data integrity | |
US12032880B2 (en) | Method and device for simulating a technical system | |
CN115203810A (zh) | 一种cm三维高强复合地基沉降预测方法及系统 | |
CN114331349A (zh) | 一种基于物联网技术的科研项目管理方法及系统 | |
US20200409817A1 (en) | Method and apparatus for evaluating and selecting signal comparison metrics | |
CN114398940A (zh) | 一种面向车联网的设备故障诊断方法及系统 | |
CN116176860B (zh) | 一种燃油系统测试方法、系统、设备及可读存储介质 | |
CN118518258B (zh) | 轨道车辆制动压力传感器检测方法 | |
CN117422427B (zh) | 一种低应变数据的线上批量分析方法及系统 | |
RU2143720C1 (ru) | Способ поиска неисправностей в динамических системах | |
CN118011132B (zh) | 测试数据分析方法、系统和计算机可读存储介质 | |
CN118378196B (zh) | 基于多模态数据融合的工控主机异常行为识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |