CN114596445A - 一种提升采油机故障诊断精度方法 - Google Patents

Abstract

本发明公开了一种提升采油机故障诊断精度方法，该方法设计非方的卷积核构建残差块，采用不同卷积核的残差块交替堆叠的方式搭建深度学习网络模型，对搭建的模型进行训练，并使用训练得到的模型对采油过程中生成的示功图进行特征提取。根据提取的特征向量建立了工况特征向量检索库，与实时采集数据特征向量进行相似度计算，再根据计算结果，返回最相似的故障类型或更新故障库。该方法设计的卷积结构，能够提取更有效示功图特征，以达到在不增加大量训练时间成本和存储资源消耗的基础上，提升诊断精度，增强了对采油机设备工况监测、诊断的管控能力。

Description

一种提升采油机故障诊断精度方法

技术领域

本发明涉及采油机故障诊断领域，具体而言，是通过建立定制化的深度学习模型，提取示功图特征，并基于提取出来的有效特征，进行故障诊断，提升故障诊断精度方法。

背景技术

随着人工智能技术的发展，使用深度卷积神经网络进行采油机示功图特征提取，并基于提取出的特征进行自动故障诊断的方法不断涌现，且逐渐成为采油机故障诊断研究的重点方向。但传统的基于卷积神经网络的方法没有考虑示功图本身的特性，存在提取出来的示功图特征泛化能力不足，无法很好地表征示功图数据，诊断误报率较高的问题。

在大多数的基于卷积神经网络的方法中，卷积层中的卷积核大小都是常规的3×3或者5×5。这种正方形的卷积核对于特征比较丰富的具有平移不变性的自然图像比较有优势，可以提取各种复杂的特征，但对于采油机示功图这种由增载线、卸载线、上行程线和下行程线围成的封闭曲线，不存在复杂语义特征的图像而言，并不能高效地提取出有效特征。较小的卷积核无法有效提取出示功图的增载线和卸载线特征，而较大的卷积核虽然能减缓这种问题，但也会带来网络模型参数量激增的问题，会导致训练时间成本增加，浪费存储资源。

因此，亟需一种针对示功图本身特性定制化、高效的卷积神经网络结构，提取更有效图像特征，提升采油机故障诊断精度方法，以达到在不增加大量训练时间成本和存储资源消耗的基础上，提升诊断精度的目的。

发明内容

针对上述缺陷，本发明公开一种提升采油机故障诊断精度方法，该方法设计非方的卷积核构建残差块，采用不同卷积核的残差块交替堆叠的方式搭建深度学习网络模型，对采油过程中生成的示功图进行特征提取，并使用提取的特征进行故障诊断，提升诊断的精度。

该方法具体包含以下步骤：

1)采集采油机的历史工况示功图，组成示功图数据集D，并采用留出法将示功图数据集D划分为训练集D_train、验证集D_val和测试集D_test，其中留出法的比例为8:1:1；

2)针对示功图图像特征提取的特殊性，设计非方的卷积核A和B作为深度学习网络模型的特征提取单元，其中卷积核A为7×3的长方形结构，卷积核B为3×7的长方形结构；

3)采用卷积核A和B代替残差块中传统的卷积核，构成新的残差块A_block和B_block，残差块A_block堆叠在残差块B_block之上,并按此顺序交替堆叠，并以此搭建N层深度学习网络模型，其中N＝26，定制化的深度卷积网络模型具体结构包括：

3-1)第1层普通卷积层，卷积核大小为7×7，且在卷积层后添加了批归一化层，激活函数选择Relu；

3-2)第2至25层为上下交替堆叠的残差块A_block和残差块B_block；

3-3)残差块的输出通道数从上到下依次递增为[64 128 256 512]；

3-4)第1和第2个残差块的卷积步幅为1，剩余残差块中，残差块A_block的卷积步幅为1，残差块B_block的卷积步幅为2；

3-5)残差块堆叠输出后连接一层平均池化层和展平层；

3-6)最后1层为全连接层，以输出图片的特征向量；

4)使用搭建完成的深度学习网络模型提取训练集D_train和验证集D_val中样本的d维的特征向量x，采用三元组损失Loss(X^A,X⁺,X^-)进行反向传播训练网络参数，三元组损失Loss(X^A,X⁺,X^-)公式如下：

其中，X^A表示锚点样本向量，X⁺表示正样本特征向量，X^-表示负样本特征向量，d⁺表示向量X⁺与X^A的距离，d^-表示向量X^-与X^A的距离，M表示固定的间距值，[·]₊表示当表达式值大于零时取表达式的值，否则取为零，其中d≥2ⁱ，i∈[7,12]，1≤M≤5；

5)根据测试集D_test验证模型的精度和泛化能力，经训练得到最终网络模型；

6)使用训练完成的网络模型，针对采油机的历史工况示功图数据集D建立平稳和故障工况示功图特征向量检索库Y；

7)对实时采集的示功图数据使用网络模型提取特征向量

并与工况特征检索库中的工况特征向量利用相似度函数H(X,Y)进行相似度计算，得到相似度向量S，其中相似度函数H(X,Y)为余弦相似度函数：

其中X为实时示功图特征向量

所组成的矩阵，Y为工况示功图特征向量检索库矩阵；

8)取得相似度向量S中的最大值S_max及其所属工况类别k_c，判断最大值S_max是否超过相似度阈值Th，若超过阈值，则将新采集的示功图诊断为k_c工况，否则将此示功图类别标记为未知，由专家标定后加入工况特征检索库中，其中相似度阈值Th＝0.95；

9)判断k_c类工况是否为故障工况，如果是，进行故障报警，否则为平稳工况，不报警，并转到步骤7)。

有益效果：

本发明所公开的方法，针对示功图本身特性，设计非方的、高效的卷积核构建残差块，采用不同卷积核的残差块交替堆叠的方式搭建深度学习网络模型，提取更有效示功图特征，以达到在不增加大量训练时间成本和存储资源消耗的基础上，提升诊断精度，增强了对采油机设备工况监测、诊断的管控能力。

附图说明

图1为本发明中设计的非方卷积核结构图；

图2为本发明中设计的残差块结构；

图3为本发明中设计的深度卷积网络具体结构；

图4为本发明具体算例中模型的训练集和验证集损失值曲线；

图5为本发明具体算例中实时采集的示功图示例。

具体实施方式

下面结合附图以及具体的算例，给出详细的计算过程和具体操作流程，以对本发明作进一步说明。本实施案例在以本发明技术方案为前提下进行实施，但本发明的保护范围不限于下述的实施案例。

本案例以某采油企业为例来说明本方法的有效性及实施过程，以2021年7月至2021年8月之间的数据构建训练集、验证集及测试集，分析本文方法对提升采油机故障诊断精度的有效性。

具体的实施步骤如下：

1)采集采油机的历史工况示功图共45429张，组成示功图数据集D。采用留出法按照8:1:1将示功图数据集划分为训练集36343张、验证集4543张和测试集4543张。

2)针对示功图图像特征提取的特殊性，设计卷积核大小为7×3的长方形结构A和卷积核大小为3×7的长方形结构B，如图1所示，作为深度学习网络模型的特征提取单元。

3)采用卷积核A和B代替残差块中传统的卷积核，构成新的残差块A_block和B_block，如图2所示，残差块A_block堆叠在残差块B_block之上，并按此顺序交替堆叠，并以此搭建N层深度学习网络模型，其中N＝26，定制化的深度卷积网络模型如图3所示，图中k表示卷积核大小，s表示卷积步幅，p表示图片边缘填充大小，O_c表示卷积层输出通道数，具体结构包括：

3-1)第1层普通卷积层，卷积核大小为7×7，且在卷积层后添加了批归一化层，激活函数选择Relu；

3-2)第2至25层为上下交替堆叠的残差块A_block和残差块B_block；

3-3)残差块的输出通道数从上到下依次递增为[64 128 256 512]；

3-4)第1和第2个残差块的卷积步幅为1，剩余残差块中，残差块A_block的卷积步幅为1，残差块B_block的卷积步幅为2；

3-5)残差块堆叠输出后连接一层平均池化层和展平层；

3-6)最后1层为全连接层，以输出图片的特征向量。

4)使用搭建完成的深度学习网络模型提取训练集D_train和验证集D_val中样本的128维的特征向量x，如表1所示。采用三元组损失Loss(X^A,X⁺,X^-)进行反向传播训练网络参数，其中三元组损失的公式如下：

本实施例中取d＝128，M＝1，训练集和验证集损失损失函数值如图4所示，

表1 训练集D_train和验证集D_val中样本的128维的特征向量X

5)根据测试集D_test验证模型的精度和泛化能力，测试集结果如表2所示，训练得到最终网络模型。

表2 模型测试集精度

6)使用训练完成的网络模型，针对采油机的历史工况示功图数据集D建立平稳和故障工况示功图特征向量检索库Y，本实施例以20个工况类别为例，所建立结果如表3所示。

表3 平稳和故障工况示功图特征向量检索库Y

7)对实时采集的示功图，以图5示功图为例，使用网络模型提取特征向量

将实时示功图特征向量

纵向重复堆叠20列组成的矩阵X和工况检索库特征向量所组成的矩阵Y如下：

利用余弦相似度函数H(X,Y)进行相似度计算，得到相似度向量S如下：

8)取得相似度向量S中的最大值S_max＝0.98及其所属工况类别k_c为供液不足，最大值S_max超过相似度阈值Th＝0.95，将当前工况诊断为k_c类工况。

9)k_c工况类别为供液不足工况，进行故障报警，并转到步骤7)。

观察实时采集的示功图数据，实际工况为供液不足。可见，本方法的诊断结果与实际工况一致。且在测试集上测试，本方法的模型精度更高，泛化能力更好。

由上述分析可知，本发明的提升采油机故障诊断精度方法，能够提取更有效示功图特征，以达到在不增加大量训练时间成本和存储资源消耗的基础上，提升诊断精度，增强了对采油机设备工况监测、诊断的管控能力。

Claims (8)

1.一种提升采油机故障诊断精度方法，其特征在于该方法设计非方的卷积核构建残差块，采用不同卷积核的残差块交替堆叠的方式搭建深度学习网络模型，对采油过程中生成的示功图进行特征提取，并使用提取的特征进行故障诊断，提升诊断的精度，包括以下步骤：

1)采集采油机的历史工况示功图，组成示功图数据集D，并采用留出法将示功图数据集D划分为训练集D_train、验证集D_val和测试集D_test；

2)针对示功图图像特征提取的特殊性，设计非方的卷积核A和B作为深度学习网络模型的特征提取单元，其中卷积核A为7×3的长方形结构，卷积核B为3×7的长方形结构；

3)采用卷积核A和B代替残差块中传统的卷积核，构成新的残差块A_block和B_block，残差块A_block堆叠在残差块B_block之上,并按此顺序交替堆叠，并以此搭建N层深度学习网络模型；

4)使用搭建完成的深度学习网络模型提取训练集D_train和验证集D_val中样本的d维的特征向量x，采用三元组损失Loss(X^A,X⁺,X^-)进行反向传播训练网络参数，其中x^A为锚样本向量，x⁺为正样本向量，x^-为负样本向量；

5)根据测试集D_test验证模型的精度和泛化能力，经训练得到最终网络模型；

6)使用训练完成的网络模型，针对采油机的历史工况示功图数据集D建立平稳和故障工况示功图特征向量检索库Y；

7)对实时采集的示功图数据使用网络模型提取特征向量

并与工况特征检索库中的工况特征向量利用相似度函数H(X,Y)进行相似度计算，得到相似度向量S；

8)取得相似度向量S中的最大值S_max及其所属工况类别k_c，判断最大值S_max是否超过相似度阈值Th，若超过阈值，则将新采集的示功图诊断为k_c工况，否则将此示功图类别标记为未知，由专家标定后加入工况特征检索库中；

9)判断k_c类工况是否为故障工况，如果是，进行故障报警，否则为平稳工况，不报警，并转到步骤7)。

2.根据权利要求1所述的一种提升采油机故障诊断精度方法，其特征在于步骤1)所述留出法的比例为8:1:1。

3.根据权利要求1所述的一种提升采油机故障诊断精度方法，其特征在于步骤3)所述的网络层数N＝26。

4.根据权利要求1所述的一种提升采油机故障诊断精度方法，其特征在于步骤3)所述定制化的深度卷积网络模型具体结构包括：

3-1)第1层普通卷积层，卷积核大小为7×7，且在卷积层后添加了批归一化层，激活函数选择Relu；

3-2)第2至25层为上下交替堆叠的残差块A_block和残差块B_block；

3-3)残差块的输出通道数从上到下依次递增为[64 128 256 512]；

3-4)第1和第2个残差块的卷积步幅为1，剩余残差块中，残差块A_block的卷积步幅为1，残差块B_block的卷积步幅为2；

3-5)在残差块堆叠输出后连接一层平均池化层和展平层；

3-6)最后1层为全连接层，以输出图片的特征向量。

5.根据权利要求1所述的一种提升采油机故障诊断精度方法，其特征在于步骤4)所述三元组损失Loss(X^A,X⁺,X^-)公式如下：

其中，X^A表示锚点样本向量，X⁺表示正样本特征向量，X^-表示负样本特征向量，d⁺表示向量X⁺与X^A的距离，d^-表示向量X^-与X^A的距离，M表示固定的间距值，[·]₊表示当表达式值大于零时取表达式的值，否则取为零；

6.根据权利要求5所述的一种提升采油机故障诊断精度方法，其特征在于步骤4)所述d≥2ⁱ,i∈[7,12],1≤M≤5。

7.根据权利要求1所述的一种提升采油机故障诊断精度方法，其特征在于步骤7)所述相似度函数H(X,Y)为余弦相似度函数：

其中X为实时示功图特征向量

所组成的矩阵，Y为工况示功图特征向量检索库矩阵。

8.根据权利要求1所述的一种提升采油机故障诊断精度方法，其特征在于步骤8)所述相似度阈值Th＝0.95。

Images