CN114898126B - 一种提升采油机复合工况故障诊断精度方法 - Google Patents

Abstract

本发明公开了一种提升采油机故障诊断精度方法，该方法针对采油机的复合工况示功图，设计融合视觉Transformer和卷积神经网络的混合神经网络结构，并使用混合网络对示功图数据集提取特征向量，建立示功图特征检索库。对实时采集的示功图使用相同混合网络进行特征提取，根据提取的特征与特征检索库中的特征向量进行相似度计算，得到相似度向量。通过相似度向量，判定示功图类型，并进行单一和复合工况故障诊断，提升复合工况故障诊断的精度。本发明设计的混合神经网络结构，使企业能够更加精细化、集约化的管理采油机生产，建立更为合适的采油机工作制度，以达到节能增产的目的。

Description

一种提升采油机复合工况故障诊断精度方法

技术领域

本发明涉及采油机故障诊断领域，具体而言，是通过针对复合故障工况示功图，设计混 合神经网络结构，加强对复合工况示功图的特征提取能力，提升复合工况故障诊断精度。

背景技术

随着深度学习在计算机视觉领域的成功，越来越多的学者也开始使用深度学习算法解决 本领域中的问题。在采油机故障诊断领域中，已出现使用深度卷积神经网络进行示功图识别， 并以此对采油机进行故障诊断的方法，且取得了不错的效果。

虽然基于卷积神经网络的示功图识别方法在针对单一工况时能取得不错的识别效果，但 是在面对具有多种故障特征的复合工况示功图时，这类方法会重点突出某一个显著的特征， 而忽视其他次要特征，从而将复合工况误判为单一工况。例如先有技术中公开号为CN 112861912A的专利文献利用示功图数据对深度残差神经网络进行训练，获得基于深度残差 神经网络的诊断模型，向诊断模型输入待识别示功图数据，输出工况诊断结果。此方法采用的深度残差卷积神经网络模型不能很好的提取复合工况的全局特征，导致无法利用复合工况 的全局特征，提升复合工况的识别准确率。而大多数采油企业不仅希望能了解到采油机的主 要单一工况，而且希望能掌握到更精细的复合工况，以制定更合理的采油机工作制度。

因此，亟需一种不仅能提取示功图的单一故障特征，而且能更好的提取示功图的复合故 障特征，提升采油机复合故障诊断精度方法，使企业能够更加精细化、集约化的管理采油机 生产，建立更为合适的采油机工作制度，以达到节能增产的目的。

发明内容

针对上述缺陷，本发明公开一种提升采油机复合工况故障诊断精度方法，该方法针对采 油机的复合工况示功图，设计融合视觉Transformer和卷积神经网络的混合神经网络结构， 对复合工况示功图进行特征提取，根据提取的特征进行故障诊断，提升复合工况故障诊断的精度。

该方法具体包含以下步骤：

1)采集采油机的历史示功图，组成单一工况和复合工况示功图数据集S，采用留出法 划分S为训练集S_train、验证集S_val和测试集S_test，其中留出法的比例为8:1:1；

2)设计混合神经网络结构模型，融合N层卷积神经网络和M层视觉Transformer网络， 其中卷积网络层数1≤N≤100，视觉Transformer网络层数1≤M≤32；

3)纵向堆叠只包含卷积层的N层卷积神经网络，并对卷积神经网络输出得到的c通道 的特征图计算平均值，得到单通道的特征图，其中N层卷积神经网络模型具体结构包括：

3-1)第1层为普通卷积层，卷积核为k₁×k₁，卷积步幅为2，激活函数为Relu；

3-2)第2层为最大池化层，池化操作的窗口大小为3，步幅为2，图片填充为1；

3-3)第3到第N层为普通卷积层，卷积核为k₂×k₂，卷积通道数在第三层为64，往后每 隔一层增加2倍；

3-4)对经过N层卷积神经网络得到的c通道的特征图，取平均值得到单通道特征图,其中 512≤c≤4096；

4)将单通道特征图划分成p×p个图像块，输入到M层视觉Transformer网络中，并得 到d维的特征向量x，其中M层视觉Transformer网络模型具体结构包括：

4-1)输入第1层之前，对卷积神经网络的输出单通道特征图划分为p×p个图像块，并将 每个图像块进行线性嵌入，得到p×p×d_p维的矩阵，其中1≤p≤20，图像块嵌入向量维度 d_p≥128；

4-2)第1到M层为自注意力层，其中自注意力的计算公式如下：

其中Q,K,V为相同的输入矩阵，K^T为矩阵K的转置，x为矩阵中的行向量，行向量和

4-3)混合结构的最后1层为全连接层，用来输出d维特征向量，其中128≤d≤4096；

5)根据训练集S_train和验证集S_val，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Loss(x^A,x⁺,x^-)公式如下：

其中，x^A为锚样本向量，x⁺为正样本向量，x^-为负样本向量，h⁺为正样本和锚样本向量之间的距离，h^-为负样本和锚样本向量之间的距离，m为固定间距，[·]₊表示当表达式值大于零时取表达式的值，否则取为零；

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

7)使用训练完成的网络模型，建立故障工况示功图特征向量检索库D；

8)对实时采集的示功图数据使用混合网络模型提取特征向量并与工况特征检索库 中的特征向量进行相似度计算，得到相似度向量V，其中相似度计算函数为余弦相似度函数：

其中X为实时示功图特征向量所组成的矩阵，D为工况示功图特征向量检索库矩阵；

9)判断V中最大值V_max是否超过主工况阈值T₁，是则判定此示功图主工况类别K，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T₁＝0.95；

10)判断V中的复合工况隶属度t是否超过复合工况阈值T₂，是则判定存在K_i，此示功 图为复合工况，否则判定不存在K_i，示功图为单一工况，仅包含主工况K，其中T₂＝0.8；

11)判断K是否为故障工况，如果为平稳工况，则不报警，并转步骤8)，如果为故障工 况，判断是否包含K_i，是则进行复合故障工况报警，否则进行单一故障工况报警，转步骤8)。

有益效果：

本发明所公开的方法，针对采油机的复合工况示功图，设计混合神经网络结构，不仅能提取示功图的单一故障特征，而且能更好地提取示功图的复合故障特征，克服了传统卷积神 经网络不能很好的提取复合工况示功图全局特征的缺陷，提升采油机复合故障诊断精度，使 企业能够更加精细化、集约化的管理采油机生产，建立更为合适的采油机工作制度，以达到 节能增产的目的。

附图说明

图1为本发明的系统整体流程框图；

图2为本发明的混合神经网络结构中卷积神经网络的结构图；

图3为本发明的混合神经网络结构中视觉Transformer网络的结构图；

图4为本发明的混合神经网络结构整体结构图；

图5为混合神经网络模型在训练集和验证集上的损失率；

图6为实时采集的示功图实例；

图7为对比模型效果的示功图实例。

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，以某企业2021年7月至 2021年8月之间的示功图数据构建训练集、验证集及测试集，分析本文方法对提升采油机 复合工况故障诊断精度的有效性，本发明的系统整体流程图如图1所示。

具体的实施步骤如下：

1)采集采油机的历史示功图共45000张，组成单一工况和复合工况示功图数据集S， 按照留出法以8:1:1的比例划分数据集S为训练集S_train36000张、验证集S_val4500张和测试集 S_test4500张。

2)针对复合工况示功图，设计混合神经网络结构模型，本实施例中，融合16层残差卷 积神经网络和6层视觉Transformer网络。

3)纵向堆叠只包含卷积层的17层残差卷积神经网络，并对残差卷积神经网络输出得到 的1024通道的特征图计算平均值，得到单通道的特征图，其中17层残差卷积神经网络模型 如图2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层为普通卷积层，卷积核为7×7，卷积步幅为2，激活函数为Relu；

3-2)第2层为最大池化层，池化操作的窗口大小为3，步幅为2，图片边缘填充为1；

3-3)第3到第17层中每三层为一个残差块，每个残差块的第一层和第三层的卷积核为 1×1，第二层的卷积核为3×3，每个残差块的输出通道数依次为[64,64,128,128,256]，第4 个残差块的卷积步幅为2，其他的残差块卷积步幅都为1；

3-4)对经过17层卷积神经网络得到的1024通道的特征图，取平均值得到单通道特征图。

4)将单通道特征图划分成2×2个图像块，输入到6层视觉Transformer网络中，并得到 128维的特征向量x，其中6层视觉Transformer网络模型如图3所示，具体结构包括：

4-1)输入第1层之前，对卷积神经网络的输出单通道特征图划分为2×2个图像块，并将 每个图像块进行线性嵌入，得到4×192维的矩阵；

4-2)第1到6层为自注意力层，其中自注意力的计算公式如下：

其中Q,K,V为相同的输入矩阵，K^T为矩阵K的转置，x为矩阵中的行向量，行向量和

4-3)混合结构的最后1层为全连接层，用来输出128维特征向量，混合网络整体结构如 图4所示。

5)根据训练集S_train和验证集S_val，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Loss(x^A,x⁺,x^-)计算如下：

本实施例中取m＝1，训练过程损失函数值如图5所示。

6)根据测试集S_test验证模型的精度和泛化能力，测试集结果如表1所示，经训练得到 最终网络模型。

表1 模型测试集精度

模型	总体精度	复合工况精度
			Resnet50	90.13％	85.2％
混合结构模型	94.21％	91.5％

7)使用训练完成的网络模型，建立故障工况示功图特征向量检索库D，本实施例以25 个工况为例，所建立检索库的结果如表2所示。

表2 故障工况示功图特征向量检索库D

8)对实时采集的示功图数据，本实施例以图6所示示功图为例，使用混合网络模型提 取特征向量将提取的特征向量重复纵向堆叠组成矩阵X和 工况特征检索库中的特征向量组成的矩阵D如下：

利用余弦相似度函数计算相似度向量V：

9)相似度向量V中最大值V_max＝0.96超过主工况阈值T₁＝0.95，此示功图主工况类别 K＝2。

10)相似度向量V中存在复合工况隶属度t＝0.89超过复合工况阈值T₂＝0.8，且t的工况 类别K_i＝21，判定此示功图为复合工况，次要工况为K_i。

11)判定主工况K为供液不足故障工况，包含次要工况K_i为固定凡尔漏失，进行复合故 障工况报警，并转到步骤8)。

对实时采集的示功图数据进行人工诊断，人工诊断结果为供液不足和游动凡尔漏失的复 合工况。由此可知，本混合神经网络结构能较好识别出复合工况，且混合网络在测试集上的 精度更高，泛化能力更好。

此外，针对某油井采集的复合工况示功图如图7所示，Resnet50网络仅能识别出主工况 油稠，而本方法中的混合网络结构不仅能识别出主工况，而且能识别出次要工况出砂，进一 步显示出混合网络结构对复合工况故障诊断的优越性。

根据某产油企业2021年9月1日至10月1日之间收集的4口不同井的示功图数据，分别使用Resnet50和混合网络进行故障诊断，所得结果如表3所示：

表3 Resnet50和混合网络故障诊断结果

由上述分析可知，本发明所提出的提升采油机复合工况故障诊断精度方法，不仅能提取 示功图的单一故障特征，而且能更好地提取示功图的复合故障特征，使企业能够更加精细化、 集约化的管理采油机生产，建立更为合适的采油机工作制度，以达到节能增产的目的。

Claims (6)

1.一种提升采油机复合工况故障诊断精度方法，其特征在于该方法针对采油机的复合工况示功图，设计融合视觉Transformer和卷积神经网络的混合神经网络结构，对复合工况示功图进行特征提取，根据提取的特征进行故障诊断，提升复合工况故障诊断的精度，包括以下步骤：

1)采集采油机的历史示功图，组成单一工况和复合工况示功图数据集S，采用留出法划分S为训练集S_train、验证集S_val和测试集S_test；

2)设计混合神经网络结构模型，融合N层卷积神经网络和M层视觉Transformer网络；

3)纵向堆叠只包含卷积层的N层卷积神经网络，并对卷积神经网络输出得到的c通道的特征图计算平均值，得到单通道的特征图；

N层卷积神经网络模型具体结构包括：

3-1)第1层为普通卷积层，卷积核为k₁×k₁，卷积步幅为2，激活函数为Relu；

3-2)第2层为最大池化层，池化操作的窗口大小为3，步幅为2，图片填充为1；

3-3)第3到第N层为普通卷积层，卷积核为k₂×k₂，卷积通道数在第三层为64，往后每隔一层增加2倍；

3-4)对经过N层卷积神经网络得到的c通道的特征图，取平均值得到单通道特征图,其中512≤c≤4096；

4)将单通道特征图划分成p×p个图像块，输入到M层视觉Transformer网络中，并得到d维的特征向量x；

M层视觉Transformer网络模型具体结构包括：

4-1)输入第1层之前，对卷积神经网络的输出单通道特征图划分为p×p个图像块，并将每个图像块进行线性嵌入，得到p×p×d_p维的矩阵，其中1≤p≤20，图像块嵌入向量维度d_p≥128；

4-2)第1到M层为自注意力层，其中自注意力的计算方法如下：

其中Q,K,V为相同的输入矩阵，K^T为矩阵K的转置，x为矩阵中的行向量，行向量和

4-3)混合结构的最后1层为全连接层，用来输出d维特征向量，其中128≤d≤4096；

5)根据训练集S_train和验证集S_val，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；

所述三元组损失Loss(x^A,x⁺,x^-)公式如下：

其中h⁺为正样本和锚样本向量之间的距离，h^-为负样本和锚样本向量之间的距离，m为固定间距，[·]₊表示当表达式值大于零时取表达式的值，否则取为零；

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

7)使用训练完成的网络模型，建立故障工况示功图特征向量检索库D；

8)对实时采集的示功图数据使用混合网络模型提取特征向量并与工况特征检索库中的特征向量进行相似度计算，得到相似度向量V；

9)判断V中最大值V_max是否超过主工况阈值T₁，是则判定此示功图主工况类别K，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；

10)判断V中是否存在次要工况K_i，是则判定此示功图为复合工况，否则为单一工况示功图，仅包含主工况K；

11)判断K是否为故障工况，如果为平稳工况，则不报警，并转步骤8)，如果为故障工况，判断是否包含K_i，是则进行复合故障工况报警，否则进行单一故障工况报警，转步骤8)。

2.根据权利要求1所述的一种提升采油机复合工况故障诊断精度方法，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复合工况故障诊断精度方法，其特征在于步骤2)卷积神经网络层数1≤N≤100，视觉Transformer网络层数1≤M≤32。

4.根据权利要求1所述的一种提升采油机复合工况故障诊断精度方法，其特征在于步骤8)所述相似度计算函数为余弦相似度函数：

其中X为实时示功图特征向量所组成的矩阵，D为工况示功图特征向量检索库矩阵。

5.根据权利要求1所述的一种提升采油机复合工况故障诊断精度方法，其特征在于步骤9)主工况阈值T₁＝0.95。

6.根据权利要求1所述的一种提升采油机复合工况故障诊断精度方法，其特征在于步骤10)所述判断V中是否存在次要工况K_i的方法为判断V中的复合工况隶属度t是否超过复合工况阈值T₂，是则判定存在K_i，否则判定不存在K_i，其中T₂＝0.8。