CN114352265B - 基于多参数的抽油机井工况诊断方法及系统 - Google Patents
基于多参数的抽油机井工况诊断方法及系统 Download PDFInfo
- Publication number
- CN114352265B CN114352265B CN202011088783.5A CN202011088783A CN114352265B CN 114352265 B CN114352265 B CN 114352265B CN 202011088783 A CN202011088783 A CN 202011088783A CN 114352265 B CN114352265 B CN 114352265B
- Authority
- CN
- China
- Prior art keywords
- data
- indicator diagram
- well
- working condition
- gridding
- 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.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000005086 pumping Methods 0.000 title claims abstract description 52
- 238000010586 diagram Methods 0.000 claims abstract description 111
- 239000003129 oil well Substances 0.000 claims abstract description 41
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 238000003062 neural network model Methods 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 28
- 230000008859 change Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 14
- 238000004519 manufacturing process Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000002405 diagnostic procedure Methods 0.000 claims description 6
- 230000000704 physical effect Effects 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000003860 storage Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 12
- 238000012423 maintenance Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 238000012360 testing method Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000008021 deposition Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供了一种基于多参数的抽油机井工况诊断方法及系统，所述方法包括：获取抽油机井业务参数数据和示功图数据；对所述示功图数据进行预处理得到网格化数据；将所述网格化数据和所述业务参数数据输入预设的油井工况诊断模型得到抽油机井工况诊断结果，本发明可通过机器学习方法对油井工况进行自动诊断。
Description
技术领域
本发明涉及石油勘探技术领域，尤其涉及一种基于多参数的抽油机井工况诊断方法及系统。
背景技术
在石油勘探领域，随着物联网建设的不断推进，目前已基本实现利用实时示功图对油井工况的定性诊断，但诊断的准确性尚待提高。此外，针对油井异常工况的严重程度及发展趋势，缺乏量化评估及预测方法。目前主要依靠人工通过分析各种参数的变化并结合物理模型来判断油井是否会出现故障以及是否需要进行维护作业。目前的油井工况诊断方法完全依赖专家经验人工判断，且不能够做到24小时实时识别，通常都是故障发生后才采取维护作业，不能够及时发现潜在的油井故障。并且，人工方法判断精确度不够，并且维修作业安排不合理，事后安排维修、供应链跟不上，往往会造成延迟作业，增加停机时间，从而严重影响油井生产和油田的整体效益。
发明内容
本发明的一个目的在于提供一种基于多参数的抽油机井工况诊断方法，通过机器学习方法对油井工况进行自动诊断。本发明的另一个目的在于提供一种基于多参数的抽油机井工况诊断系统。本发明的再一个目的在于提供一种计算机设备。本发明的还一个目的在于提供一种可读介质。
为了达到以上目的，本发明一方面公开了一种基于多参数的抽油机井工况诊断方法，包括：
获取抽油机井业务参数数据和示功图数据；
对所述示功图数据进行预处理得到网格化数据；
将所述网格化数据和所述业务参数数据输入预设的油井工况诊断模型得到抽油机井工况诊断结果。
优选的，所述业务参数数据包括油井生产动态、油藏物性、机抽设备和井身轨迹数据。
优选的，进一步包括：
将多个所述网格化数据按时间排序得到网格化数据序列；
将所述网格化数据序列输入预设的变化趋势预测模型得到未来时刻示功图的预测网格化数据。
优选的，进一步包括预先形成所述油井工况诊断模型的步骤：
获取第一历史数据，所述第一历史数据包括历史时刻抽油机井业务参数数据和对应的示功图数据，对所述示功图数据进行预处理得到网格化数据；
确定所述第一历史数据的抽油机井工况类型，将所述第一历史数据和对应的网格化数据作为第一样本数据；
构建第一神经网络模型，通过所述第一样本数据对所述第一神经网络模型进行训练得到所述油井工况诊断模型。
优选的，进一步包括预先形成所述变化趋势预测模型的步骤：
获取第二历史数据，所述第二历史数据包括历史连续多个时刻的示功图数据，对所述示功图数据进行预处理得到按时间排序的网格化数据序列；
将网格化数据序列中最后时刻的网格化数据作为预测网格化数据与网格化数据序列中的其他网格化数据形成第二样本数据；
构建第二神经网络模型，通过所述第二样本数据对所述第二神经网络模型进行训练得到所述变化趋势预测模型。
优选的，所述对所述示功图数据进行预处理得到网格化数据具体包括：
对所述示功图数据进行格式转换；
将格式转换后的示功图数据进行缺失值处理得到二维示功图数据；
对所述二维示功图数据进行归一化处理得到网格化数据。
本发明还公开了一种基于多参数的抽油机井工况诊断系统，包括：
数据获取模块，用于获取抽油机井业务参数数据和示功图数据；
数据处理模块，用于对所述示功图数据进行预处理得到网格化数据；
工况诊断模块，用于将所述网格化数据和所述业务参数数据输入预设的油井工况诊断模型得到抽油机井工况诊断结果。
优选的，所述业务参数数据包括油井生产动态、油藏物性、机抽设备和井身轨迹数据。
优选的，进一步包括工况预测模块，用于将多个所述网格化数据按时间排序得到网格化数据序列，将所述网格化数据序列输入预设的变化趋势预测模型得到未来时刻示功图的预测网格化数据。
优选的，进一步包括诊断模型构建模块，用于预先获取第一历史数据，所述第一历史数据包括历史时刻抽油机井业务参数数据和对应的示功图数据，对所述示功图数据进行预处理得到网格化数据；确定所述第一历史数据的抽油机井工况类型，将所述第一历史数据和对应的网格化数据作为第一样本数据；构建第一神经网络模型，通过所述第一样本数据对所述第一神经网络模型进行训练得到所述油井工况诊断模型。
优选的，进一步包括预测模型构建模块，用于预先获取第二历史数据，所述第二历史数据包括历史连续多个时刻的示功图数据，对所述示功图数据进行预处理得到按时间排序的网格化数据序列；将网格化数据序列中最后时刻的网格化数据作为预测网格化数据与网格化数据序列中的其他网格化数据形成第二样本数据；构建第二神经网络模型，通过所述第二样本数据对所述第二神经网络模型进行训练得到所述变化趋势预测模型。
优选的，所述数据处理模块具体用于对所述示功图数据进行格式转换；将格式转换后的示功图数据进行缺失值处理得到二维示功图数据；对所述二维示功图数据进行归一化处理得到网格化数据。
本发明还公开了一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，
所述处理器执行所述程序时实现如上所述方法。
本发明还公开了一种计算机可读介质，其上存储有计算机程序，
该程序被处理器执行时实现如上所述方法。
本发明采用机器学习方法，建立基于多参数的油井工况诊断模型。将业务参数数据和示功图数据等相关数据输入油井工况诊断模型，实现抽油机井工况精细量化诊断，进一步提高工况诊断准确率，为合理安排维护作业日程、减少维修作业量提供科学决策依据，大幅提高油田的经营效益。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出本发明基于多参数的抽油机井工况诊断方法一个具体实施例的流程图；
图2示出本发明基于多参数的抽油机井工况诊断方法一个具体实施例包括工况预测的流程图；
图3示出本发明基于多参数的抽油机井工况诊断方法一个具体实施例S010的流程图；
图4示出本发明基于多参数的抽油机井工况诊断方法一个具体实施例第一神经网络模型的结构图；
图5示出本发明基于多参数的抽油机井工况诊断方法一个具体实施例S020的流程图；
图6示出本发明基于多参数的抽油机井工况诊断方法一个具体实施例网格化数据序列的示意图；
图7示出本发明基于多参数的抽油机井工况诊断方法一个具体实施例第二神经网络模型的结构图；
图8示出本发明基于多参数的抽油机井工况诊断方法一个具体实施例预测得到的预测网格化数据与实际的网格化数据的对比图；
图9示出本发明基于多参数的抽油机井工况诊断方法一个具体实施例S200的流程图；
图10示出本发明基于多参数的抽油机井工况诊断方法一个具体实施例数据归一化处理的示意图；
图11示出本发明基于多参数的抽油机井工况诊断系统一个具体实施例的结构图；
图12示出本发明基于多参数的抽油机井工况诊断系统一个具体实施例包括工况预测模块的结构图；
图13示出本发明基于多参数的抽油机井工况诊断系统一个具体实施例包括诊断模型构建模块的结构图；
图14示出本发明基于多参数的抽油机井工况诊断系统一个具体实施例包括预测模型构建模块的结构图；
图15示出适于用来实现本发明实施例的计算机设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
根据本发明的一个方面，本实施例公开了一种基于多参数的抽油机井工况诊断方法。如图1所示，本实施例中，所述方法包括：
S100：获取抽油机井业务参数数据和示功图数据。
S200：对所述示功图数据进行预处理得到网格化数据。
S300：将所述网格化数据和所述业务参数数据输入预设的油井工况诊断模型得到抽油机井工况诊断结果。
本发明采用机器学习方法，建立基于多参数的油井工况诊断模型。将业务参数数据和示功图数据等相关数据输入油井工况诊断模型，实现抽油机井工况精细量化诊断，进一步提高工况诊断准确率，为合理安排维护作业日程、减少维修作业量提供科学决策依据，大幅提高油田的经营效益。
在优选的实施方式中，如图2所示，所述方法进一步包括：
S400：将多个所述网格化数据按时间排序得到网格化数据序列。
S500：将所述网格化数据序列输入预设的变化趋势预测模型得到未来时刻示功图的预测网格化数据。
具体的，在该优选的实施方式中，通过按时间排序的网格化数据序列建立变化趋势预测模型，对未来时刻的示功图数据进行预测，可对工况未来发展趋势进行预测和描述，可用于预测抽油机井结蜡、漏失等工况，为准确掌握单井生产趋势、提前预知问题、安排作业计划、提高生产时率等提供有效指导。
在优选的实施方式中，如图3所示，所述方法进一步包括预先形成所述油井工况诊断模型的步骤S010：
S011：获取第一历史数据，所述第一历史数据包括历史时刻抽油机井业务参数数据和对应的示功图数据，对所述示功图数据进行预处理得到网格化数据。
S012：确定所述第一历史数据的抽油机井工况类型，将所述第一历史数据和对应的网格化数据作为第一样本数据。
S013：构建第一神经网络模型，通过所述第一样本数据对所述第一神经网络模型进行训练得到所述油井工况诊断模型。
具体的，在该优选的实施方式中，业务参数数据优选的可包括油井生产动态、油藏物性、机抽设备和井身轨迹等多种参数数据。通过多种业务参数数据和示功图数据形成油井工况诊断模型，跟踪单井生产工况变化及工况变化差异情况，结合业务特点和约束，实现对周期性或缓慢变化工况进行定量分析，描述当前工况严重程度，及时提醒预警。
在一个具体例子中，在形成第一样本数据时，可通过选取历史时刻抽油机井业务参数数据和对应的示功图数据的第一历史数据，进一步通过专家审定等方式确定对应的抽油机井工况类型。将人工标定的抽油机井工况类型作为第一历史数据的标签，将业务参数数据和网格化数据作为第一神经网络模型的输入数据，将标签作为第一神经网络模型的输出数据，得到第一样本数据。参照上述第一样本数据的形成过程，还可进一步形成测试样本，以对训练好的油井工况诊断模型进行测试和验证，保证油井工况诊断模型诊断的准确性。
其中，优选的，可选用LSTM+CNN的神经网络，LSTM+CNN结构可包括LSTM层和反卷积层，通过设置卷积层卷积核大小、选定激活函数和目标优化函数等步骤形成第一神经网络模型的LSTM+CNN网络结构。然后通过第一样本数据对该LSTM+CNN网络结构进行训练得到油井工况诊断模型。然后通过测试样本对训练好的油井工况诊断模型进行验证，当验证结果满足预设的精度要求，才可采用该训练好的油井工况诊断模型进行工况诊断。
在一个具体例子中，如图4所示，LSTM+CNN网络结构包含了提取图像不同层次的特征的多个卷积层和池化层，然后进行层拉平再加上全连接层，构造一个多分类的卷积神经网络。除最后一层卷积层采用softmax激活函数外其余卷积层均采用RELU激活函数来增加网络的非线性性。采用categorical_crossentropy作为目标优化函数，使用Adam优化器优化目标函数。
表1示出了通过实验验证得到的各工况的预测准确度，油井工况诊断模型的大部分工况诊断准确率达到90％以上，能够满足现场抽油机井工况诊断精度的要求。本发明的油井工况诊断模型可准确诊断出供液不足、结蜡、固定凡尔漏和游动凡尔漏等异常工况，实现智能预测工况变化趋势，为动态优化抽油机井措施、合理安排维护作业日程、减少维修作业量提供科学决策依据，大幅提高油田的经营效益。
表1
| 工况类型 | 准确率(％) |
| 正常 | 92.6 |
| 断脱\抽喷 | 97.9 |
| 游阀漏失 | 96.5 |
| 固阀漏失 | 95.7 |
| 双阀漏失 | 89 |
| 气体影响 | 96 |
| 卡泵 | 97.3 |
| 上挂 | 98 |
| 下碰 | 94.6 |
| 供液不足 | 95.2 |
| 结蜡 | 84.2 |
在优选的实施方式中，如图5所示，所述方法进一步包括预先形成所述变化趋势预测模型的步骤S020：
S021：获取第二历史数据，所述第二历史数据包括历史连续多个时刻的示功图数据，对所述示功图数据进行预处理得到按时间排序的网格化数据序列。
S022：将网格化数据序列中最后时刻的网格化数据作为预测网格化数据与网格化数据序列中的其他网格化数据形成第二样本数据。
S023：构建第二神经网络模型，通过所述第二样本数据对所述第二神经网络模型进行训练得到所述变化趋势预测模型。
可以理解的是，与油井工况诊断模型的形成过程类似，在该优选的实施方式中，获取历史连续多个时刻的示功图数据，对每个时刻的示功图数据进行预处理得到网格化数据，然后对预处理后的示功图数据按时间顺序进行排序得到网格化数据序列。将网格化数据序列中的最后时刻的网格化数据作为待预测的网格化数据，即作为第二神经网络模型的输出数据，将网格化数据序列中的其他网格化数据作为第二神经网络模型的输入数据，对第二神经网络模型进行训练得到变化趋势预测模型，如图6所示。对变化趋势预测模型预测得到的未来时刻的示功图数据进行分析可得到油井工况的发展趋势，对油井工况情况进行预测。对同理的，参照上述第二样本数据的形成过程，还可进一步形成测试样本，以对训练好的变化趋势预测模型进行测试和验证，保证油井工况预测的准确性。
在一个具体例子中，如图7所示，在构建第二神经网络模型时，首先构建了三个LSTM层，然后对输出结果进行结构变换，作为反卷积层的输入，后序加入多个反卷积层、卷积层、池化层，最终的输出定位为一个二维数组结构，匹配功图网格化后的数据。并在每个卷积层、反卷积层、LSTM层后面都加入了BatchNormalization进行批量归一化，减少模型过拟合的发生概率。图8示出本实施例的变化趋势预测模型预测得到的预测网格化数据与实际的网格化数据的对比图，从图中可以看出，本实施例的变化趋势预测模型可以准确预测未来时刻的示功图数据。
在优选的实施方式中，如图9所示，所述S200对所述示功图数据进行预处理得到网格化数据具体可包括：
S210：对所述示功图数据进行格式转换。
S220：将格式转换后的示功图数据进行缺失值处理得到二维示功图数据。
S230：对所述二维示功图数据进行归一化处理得到网格化数据。
具体的，示功图数据经现场数据采集后，存储在油田统建系统或者自建系统中。为节省存储空间，示功图数据存储一般不直接采用功图位移包或载荷包的形式，而是采用经过预设存储规则转换得到的字符串形式。因此需要利用预设存储规则对原始示功图数据进行解析处理，得到原始的示功图数据，该原始的示功图数据为二维数据形式。
进一步的，对原始示功图数据的缺失值处理包括对部分缺失物性数据的井进行补充，对生产数据、功图数据中缺失部分列数据进行剔除处理等处理过程，防止数据不完整导致的诊断误差。
最后，对缺失值处理后的数据进行归一化处理，示功图数据形成的图像是一个闭合多边形，采用固定网格对多边形区域进行分割，多边形经过的网格单元对应的数值为1，其他单元对应0，最终生成一个标准的二维数据，如图10所示。其中，固定网格优选的可选择64×96的二维数据的大小。
本次发明通过现场实际采集抽油机井业务参数数据和示功图数据，通过测试表明基于时间序列多参数的油井工况诊断模型及变化趋势预测模型的诊断和预测精度高，更能满足现场抽油机井工况诊断和趋势预测精度的要求，为合理安排维护作业日程、减少维修作业量提供科学决策依据，大幅提高油田的经营效益。
基于相同原理，本实施例还公开了一种基于多参数的抽油机井工况诊断系统。如图11所示，本实施例中，所述系统包括数据获取模块11、数据处理模块12和工况诊断模块13。
其中，数据获取模块11用于获取抽油机井业务参数数据和示功图数据。
数据处理模块12用于对所述示功图数据进行预处理得到网格化数据。
工况诊断模块13用于将所述网格化数据和所述业务参数数据输入预设的油井工况诊断模型得到抽油机井工况诊断结果。
在优选的实施方式中，所述业务参数数据包括油井生产动态、油藏物性、机抽设备和井身轨迹数据。
在优选的实施方式中，如图12所示，所述系统进一步包括工况预测模块14。工况预测模块101用于将多个所述网格化数据按时间排序得到网格化数据序列，将所述网格化数据序列输入预设的变化趋势预测模型得到未来时刻示功图的预测网格化数据。
在优选的实施方式中，如图13所示，所述系统进一步包括诊断模型构建模块101。诊断模型构建模块101用于预先获取第一历史数据，所述第一历史数据包括历史时刻抽油机井业务参数数据和对应的示功图数据，对所述示功图数据进行预处理得到网格化数据；确定所述第一历史数据的抽油机井工况类型，将所述第一历史数据和对应的网格化数据作为第一样本数据；构建第一神经网络模型，通过所述第一样本数据对所述第一神经网络模型进行训练得到所述油井工况诊断模型。
在优选的实施方式中，如图14所示，所述系统进一步包括预测模型构建模块102。预测模型构建模块102用于预先获取第二历史数据，所述第二历史数据包括历史连续多个时刻的示功图数据，对所述示功图数据进行预处理得到按时间排序的网格化数据序列；将网格化数据序列中最后时刻的网格化数据作为预测网格化数据与网格化数据序列中的其他网格化数据形成第二样本数据；构建第二神经网络模型，通过所述第二样本数据对所述第二神经网络模型进行训练得到所述变化趋势预测模型。
在优选的实施方式中，所述数据处理模块12具体用于对所述示功图数据进行格式转换；将格式转换后的示功图数据进行缺失值处理得到二维示功图数据；对所述二维示功图数据进行归一化处理得到网格化数据。
由于该系统解决问题的原理与以上方法类似，因此本系统的实施可以参见方法的实施，在此不再赘述。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机设备，具体的，计算机设备例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
在一个典型的实例中计算机设备具体包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行本实施例所述方法。
下面参考图15，其示出了适于用来实现本申请实施例的计算机设备600的结构示意图。
如图15所示，计算机设备600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM))603中的程序而执行各种适当的工作和处理。在RAM603中，还存储有系统600操作所需的各种程序和数据。CPU601、ROM602、以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶反馈器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡，调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装如存储部分608。
特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，所述计算机程序包括用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
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装置。
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。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请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，本申请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。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (12)
1.一种基于多参数的抽油机井工况诊断方法，其特征在于，包括：
获取抽油机井业务参数数据和示功图数据；
对所述示功图数据进行预处理得到网格化数据；
将所述网格化数据和所述业务参数数据输入预设的油井工况诊断模型得到抽油机井工况诊断结果；
进一步包括：
将多个所述网格化数据按时间排序得到网格化数据序列；
将所述网格化数据序列输入预设的变化趋势预测模型得到未来时刻示功图的预测网格化数据。
2.根据权利要求1所述的基于多参数的抽油机井工况诊断方法，其特征在于，所述业务参数数据包括油井生产动态、油藏物性、机抽设备和井身轨迹数据。
3.根据权利要求1所述的基于多参数的抽油机井工况诊断方法，其特征在于，进一步包括预先形成所述油井工况诊断模型的步骤：
获取第一历史数据，所述第一历史数据包括历史时刻抽油机井业务参数数据和对应的示功图数据，对所述示功图数据进行预处理得到网格化数据；
确定所述第一历史数据的抽油机井工况类型，将所述第一历史数据和对应的网格化数据作为第一样本数据；
构建第一神经网络模型，通过所述第一样本数据对所述第一神经网络模型进行训练得到所述油井工况诊断模型。
4.根据权利要求1所述的基于多参数的抽油机井工况诊断方法，其特征在于，进一步包括预先形成所述变化趋势预测模型的步骤：
获取第二历史数据，所述第二历史数据包括历史连续多个时刻的示功图数据，对所述示功图数据进行预处理得到按时间排序的网格化数据序列；
将网格化数据序列中最后时刻的网格化数据作为预测网格化数据与网格化数据序列中的其他网格化数据形成第二样本数据；
构建第二神经网络模型，通过所述第二样本数据对所述第二神经网络模型进行训练得到所述变化趋势预测模型。
5.根据权利要求1所述的基于多参数的抽油机井工况诊断方法，其特征在于，所述对所述示功图数据进行预处理得到网格化数据具体包括：
对所述示功图数据进行格式转换；
将格式转换后的示功图数据进行缺失值处理得到二维示功图数据；
对所述二维示功图数据进行归一化处理得到网格化数据。
6.一种基于多参数的抽油机井工况诊断系统，其特征在于，包括：
数据获取模块，用于获取抽油机井业务参数数据和示功图数据；
数据处理模块，用于对所述示功图数据进行预处理得到网格化数据；
工况诊断模块，用于将所述网格化数据和所述业务参数数据输入预设的油井工况诊断模型得到抽油机井工况诊断结果；
进一步包括工况预测模块，用于将多个所述网格化数据按时间排序得到网格化数据序列，将所述网格化数据序列输入预设的变化趋势预测模型得到未来时刻示功图的预测网格化数据。
7.根据权利要求6所述的基于多参数的抽油机井工况诊断系统，其特征在于，所述业务参数数据包括油井生产动态、油藏物性、机抽设备和井身轨迹数据。
8.根据权利要求6所述的基于多参数的抽油机井工况诊断系统，其特征在于，进一步包括诊断模型构建模块，用于预先获取第一历史数据，所述第一历史数据包括历史时刻抽油机井业务参数数据和对应的示功图数据，对所述示功图数据进行预处理得到网格化数据；确定所述第一历史数据的抽油机井工况类型，将所述第一历史数据和对应的网格化数据作为第一样本数据；构建第一神经网络模型，通过所述第一样本数据对所述第一神经网络模型进行训练得到所述油井工况诊断模型。
9.根据权利要求6所述的基于多参数的抽油机井工况诊断系统，其特征在于，进一步包括预测模型构建模块，用于预先获取第二历史数据，所述第二历史数据包括历史连续多个时刻的示功图数据，对所述示功图数据进行预处理得到按时间排序的网格化数据序列；将网格化数据序列中最后时刻的网格化数据作为预测网格化数据与网格化数据序列中的其他网格化数据形成第二样本数据；构建第二神经网络模型，通过所述第二样本数据对所述第二神经网络模型进行训练得到所述变化趋势预测模型。
10.根据权利要求6所述的基于多参数的抽油机井工况诊断系统，其特征在于，所述数据处理模块具体用于对所述示功图数据进行格式转换；将格式转换后的示功图数据进行缺失值处理得到二维示功图数据；对所述二维示功图数据进行归一化处理得到网格化数据。
11.一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，
所述处理器执行所述程序时实现如权利要求1-5任一项所述方法。
12.一种计算机可读介质，其上存储有计算机程序，其特征在于，
该程序被处理器执行时实现如权利要求1-5任一项所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011088783.5A CN114352265B (zh) | 2020-10-13 | 2020-10-13 | 基于多参数的抽油机井工况诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011088783.5A CN114352265B (zh) | 2020-10-13 | 2020-10-13 | 基于多参数的抽油机井工况诊断方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114352265A CN114352265A (zh) | 2022-04-15 |
| CN114352265B true CN114352265B (zh) | 2024-05-31 |
Family
ID=81089701
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011088783.5A Active CN114352265B (zh) | 2020-10-13 | 2020-10-13 | 基于多参数的抽油机井工况诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114352265B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201606065U (zh) * | 2010-02-04 | 2010-10-13 | 北京迪思数软技术开发有限公司 | 一种油井工况分析仪 |
| CN102043900A (zh) * | 2010-11-24 | 2011-05-04 | 河海大学 | 基于示功图的有杆抽油系统故障预测方法 |
| EA201201009A1 (ru) * | 2012-04-25 | 2013-12-30 | Институт Кибернетики Национальной Академии Наук Азербайджанской Республики | Способ и система диагностики глубинно-насосных установок нефтяных скважин |
| CN108266178A (zh) * | 2018-01-14 | 2018-07-10 | 常州大学 | 一种基于富信息示功图和dbn的有杆泵工况监测方法 |
| CN109272123A (zh) * | 2018-08-03 | 2019-01-25 | 常州大学 | 一种基于卷积-循环神经网络的有杆泵工况预警方法 |
| CN110163302A (zh) * | 2019-06-02 | 2019-08-23 | 东北石油大学 | 基于正则化注意力卷积神经网络的示功图识别方法 |
-
2020
- 2020-10-13 CN CN202011088783.5A patent/CN114352265B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201606065U (zh) * | 2010-02-04 | 2010-10-13 | 北京迪思数软技术开发有限公司 | 一种油井工况分析仪 |
| CN102043900A (zh) * | 2010-11-24 | 2011-05-04 | 河海大学 | 基于示功图的有杆抽油系统故障预测方法 |
| EA201201009A1 (ru) * | 2012-04-25 | 2013-12-30 | Институт Кибернетики Национальной Академии Наук Азербайджанской Республики | Способ и система диагностики глубинно-насосных установок нефтяных скважин |
| CN108266178A (zh) * | 2018-01-14 | 2018-07-10 | 常州大学 | 一种基于富信息示功图和dbn的有杆泵工况监测方法 |
| CN109272123A (zh) * | 2018-08-03 | 2019-01-25 | 常州大学 | 一种基于卷积-循环神经网络的有杆泵工况预警方法 |
| CN110163302A (zh) * | 2019-06-02 | 2019-08-23 | 东北石油大学 | 基于正则化注意力卷积神经网络的示功图识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114352265A (zh) | 2022-04-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Diez-Olivan et al. | Data fusion and machine learning for industrial prognosis: Trends and perspectives towards Industry 4.0 | |
| CN111144542B (zh) | 油井产能预测方法、装置和设备 | |
| US10921759B2 (en) | Computer system and method for monitoring key performance indicators (KPIs) online using time series pattern model | |
| WO2020257782A1 (en) | Factory risk estimation using historical inspection data | |
| CN114358427B (zh) | 一种预测页岩气井最终可采储量的方法 | |
| CN110895729A (zh) | 一种输电线路工程建设工期的预测方法 | |
| CN111738504A (zh) | 企业财务指标资金量预测方法和装置、设备及存储介质 | |
| CN110852496A (zh) | 一种基于lstm循环神经网络的天然气负荷预测方法 | |
| JP2024509741A (ja) | パーツ、センサ、および計測データ統合 | |
| CN118469352B (zh) | 深度学习驱动的电网线损动态预测与优化控制方法 | |
| CN114036452A (zh) | 一种应用于离散型生产线的产能评估方法 | |
| CN112766548A (zh) | 基于gasa-bp神经网络的订单完工时间预测方法 | |
| CN109523077A (zh) | 一种风电功率预测方法 | |
| US20220083716A1 (en) | System and method for identification and forecasting fouling of heat exchangers in a refinery | |
| CN118484679A (zh) | 一种高含水期的油田产量预测方法、系统及存储介质 | |
| KR20140137210A (ko) | 지능형 생산정 위치 선정 전산 시스템 및 이를 이용한 생산정 위치 선정 방법 | |
| Saadallah et al. | Early quality prediction using deep learning on time series sensor data | |
| CN110580639A (zh) | 一种基于连锁业态的门店经营预测方法 | |
| CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
| CN114352265B (zh) | 基于多参数的抽油机井工况诊断方法及系统 | |
| CN116960962A (zh) | 一种跨区域数据融合的中长期区域负荷预测方法 | |
| CN109829745A (zh) | 营收数据预测方法、装置、计算机设备和存储介质 | |
| CN108596781A (zh) | 一种电力系统数据挖掘与预测整合方法 | |
| CN117365430A (zh) | 一种页岩气单井日产量预测方法及系统 | |
| Hasan et al. | Enhanced model tree for quantifying output variances due to random data sampling: Productivity prediction applications |
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 |