CN114962248B - 基于人工智能的小分子可循环压裂液输送泵的监测方法、装置、介质 - Google Patents
基于人工智能的小分子可循环压裂液输送泵的监测方法、装置、介质 Download PDFInfo
- Publication number
- CN114962248B CN114962248B CN202210888123.8A CN202210888123A CN114962248B CN 114962248 B CN114962248 B CN 114962248B CN 202210888123 A CN202210888123 A CN 202210888123A CN 114962248 B CN114962248 B CN 114962248B
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- fracturing fluid
- delivery pump
- image
- 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
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B51/00—Testing machines, pumps, or pumping installations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E30/00—Energy generation of nuclear origin
- Y02E30/30—Nuclear fission reactors
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Control Of Positive-Displacement Pumps (AREA)
Abstract
本发明提出了一种基于人工智能的小分子可循环压裂液输送泵的监测方法、装置及存储介质,该方法包括:采集当前时刻前一段时间T内的小分子可循环压裂液输送泵的内部压力值序列、传动轴温度序列、振动信号值序列及噪声信号值序列;将所述内部压力值序列、传动轴温度序列、振动信号值序列和噪声信号值序列分别进行处理得到对应的内部压力图像、传动轴温度图像、振动信号图像和噪声信号图像;将所述内部压力图像、传动轴温度图像、振动信号图像和噪声信号图像输入至训练后的小分子可循环压裂液输送泵状态监测模型中进行处理,得到该输送泵的当前状态值,基于所述当前状态值确定小分子可循环压裂液输送泵的工作状态。实现了输送泵的故障的准确分类。
Description
技术领域
本发明涉及人工智能及石油开采技术领域,具体涉及一种基于人工智能的小分子可循环压裂液输送泵的监测方法、装置及存储介质。
背景技术
小分子可循环压裂液是石油开采中必要使用到的一种压裂液,如申请人之前的专利申请(申请号为2017110896550)公开一种小分子可循环压裂液,其是由质量百分数为97-98%清水和2-3%MY-60增稠剂组成;或者是由质量百分数为97-98%氯化钾溶液和2-3%MY-60增稠剂组成,其中,氯化钾溶液的质量百分比浓度为1-5%。所述MY-60增稠剂是由下述组分按以下质量百分数组成:25-30%的松香基磺酸盐型双子表面活性剂、18-24%的十四烷基溴化铵或十五烷基溴化铵或十六烷基溴化铵、8-12%的6-叔丁基邻甲酚、20-25%的异丙醇和9-15%清水;其中,松香基磺酸盐型双子表面活性剂的分子式为:NaO3SCH2CH2N(CH2R)(CH2CH2)nN(CH2R)CH2CH2SO3Na;R为C19H28CONH2,n为1-5的整数。
该小分子可循环压裂液在温度 60℃及剪切速率170S-1的条的件下,其粘度均大于20mPa·s,该可循环压裂液中所述MY-60增稠剂为液态,常温下粘度小于50mPa.s。常温一般为25度,该小分子可循环压裂液的使用方法中所述形成再次施工用的压裂液的粘度恢复到20mPa·s以上,再次对下个压裂改造目标进行压裂改造施工,进而完成压裂液的重复利用。
以上介绍了小分子可循环压裂液的基本参数,但是,工程人员在通过输送泵将该小分子可循环压裂液打入地下时,输送泵的负荷较重,需要对其工作状态实时监测,现有技术中,通过各种传感器采集相应的信号后进行分析,得到大体的故障原因,然后由工程师进行判断,降低了输送泵故障诊断的效率,随着人工智能技术的飞速发展,有必要在输送泵的状态监测时使用人工智能技术,但是,如果根据输送泵本身的特点使用人工智能技术进行准确、高效的状态监测是一项技术难题,比如,同样是采集出来的振动信号异常,可能的故障原因是传动轴磨损、需要更换润滑油或密封圈破损等。
发明内容
本发明针对上述现有技术中一个或多个技术缺陷,提出了如下技术方案。
一种基于人工智能的小分子可循环压裂液输送泵的监测方法,该方法包括:
采集步骤,通过压力传感器采集当前时刻前一段时间T内的小分子可循环压裂液输送泵的内部压力值序列,通过红外温度传感器采集当前时刻前一段时间T内的小分子可循环压裂液输送泵的传动轴温度序列,通过振动传感器采集当前时刻一段时间T内的小分子可循环压裂液输送泵的振动信号值序列,通过噪声传感器采集当前时刻一段时间T内的小分子可循环压裂液输送泵的噪声信号值序列;
预处理步骤,将所述内部压力值序列、传动轴温度序列、振动信号值序列和噪声信号值序列分别进行处理得到对应的内部压力图像、传动轴温度图像、振动信号图像和噪声信号图像;
监测步骤,将所述内部压力图像、传动轴温度图像、振动信号图像和噪声信号图像输入至训练后的小分子可循环压裂液输送泵状态监测模型中进行处理,得到小分子可循环压裂液输送泵的当前状态值,基于所述当前状态值确定小分子可循环压裂液输送泵的工作状态。
更进一步地,在所述预处理步骤中,将所述内部压力值序列、传动轴温度序列、振动信号值序列和噪声信号值序列分别进行差分计算得到对应的内部压力值差分序列、传动轴温度差分序列、振动信号值差分序列和噪声信号值差分序列,基于所述内部压力值差分序列、传动轴温度差分序列、振动信号值差分序列和噪声信号值差分序列生成对应的内部压力图像、传动轴温度图像、振动信号图像和噪声信号图像。
更进一步地,所述小分子可循环压裂液输送泵状态监测模型包括第一卷积神经网络、第二卷积神经网络、第三卷积神经网络和第四卷积神经网络,所述第一卷积神经网络、第二卷积神经网络和第三卷积神经网的隐含层数小于所述第四卷积神经网络的隐含层数,所述第一卷积神经网络、第二卷积神经网络和第三卷积神经网的输出分别与所述第四卷积神经网络的输入相连接,且所述第一卷积神经网络、第二卷积神经网络和第三卷积神经网生成的特征图作为所述第四卷积神经网络的输入。
更进一步地,所述T的范围为5-10s。
更进一步地,在所述监测步骤中,将所述传动轴温度图像、振动信号图像和噪声信号图像分别输入至所述第一卷积神经网络、第二卷积神经网络和第三卷积神经网络分别得到传动轴温度特征图、振动信号特征图和噪声信号特征图及对应的小分子可循环压裂液输送泵状态估计初始值,将所述传动轴温度特征图、振动信号特征图和噪声信号特征图及对应的小分子可循环压裂液输送泵状态估计初始值进行预处理后和所述内部压力图像输入至所述第四卷积神经网络进行处理,得到小分子可循环压裂液输送泵的当前状态值。
更进一步地,将所述传动轴温度特征图、振动信号特征图和噪声信号特征图及对应的小分子可循环压裂液输送泵状态估计初始值进行预处理的操作为:
其中,C1’、C2’、C3’分别是预处理后的传动轴温度特征图、振动信号特征图和噪声信号特征图,C1、C2、C3分别是所述第一卷积神经网络、第二卷积神经网络和第三卷积神经网络输出的传动轴温度特征图、振动信号特征图和噪声信号特征图,P1、P2、 P3分别是所述第一卷积神经网络、第二卷积神经网络和第三卷积神经网络输出小分子可循环压裂液输送泵状态估计初始值。
本发明还提出了一种基于人工智能的小分子可循环压裂液输送泵的监测装置,该装置包括:
采集单元,通过压力传感器采集当前时刻前一段时间T内的小分子可循环压裂液输送泵的内部压力值序列,通过红外温度传感器采集当前时刻前一段时间T内的小分子可循环压裂液输送泵的传动轴温度序列,通过振动传感器采集当前时刻一段时间T内的小分子可循环压裂液输送泵的振动信号值序列,通过噪声传感器采集当前时刻一段时间T内的小分子可循环压裂液输送泵的噪声信号值序列;
预处理单元,将所述内部压力值序列、传动轴温度序列、振动信号值序列和噪声信号值序列分别进行处理得到对应的内部压力图像、传动轴温度图像、振动信号图像和噪声信号图像;
监测单元,将所述内部压力图像、传动轴温度图像、振动信号图像和噪声信号图像输入至训练后的小分子可循环压裂液输送泵状态监测模型中进行处理,得到小分子可循环压裂液输送泵的当前状态值,基于所述当前状态值确定小分子可循环压裂液输送泵的工作状态。
更进一步地,在所述预处理单元中,将所述内部压力值序列、传动轴温度序列、振动信号值序列和噪声信号值序列分别进行差分计算得到对应的内部压力值差分序列、传动轴温度差分序列、振动信号值差分序列和噪声信号值差分序列,基于所述内部压力值差分序列、传动轴温度差分序列、振动信号值差分序列和噪声信号值差分序列生成对应的内部压力图像、传动轴温度图像、振动信号图像和噪声信号图像。
更进一步地,所述小分子可循环压裂液输送泵状态监测模型包括第一卷积神经网络、第二卷积神经网络、第三卷积神经网络和第四卷积神经网络,所述第一卷积神经网络、第二卷积神经网络和第三卷积神经网的隐含层数小于所述第四卷积神经网络的隐含层数,所述第一卷积神经网络、第二卷积神经网络和第三卷积神经网的输出分别与所述第四卷积神经网络的输入相连接,且所述第一卷积神经网络、第二卷积神经网络和第三卷积神经网生成的特征图作为所述第四卷积神经网络的输入。
更进一步地,所述T的范围为5-10s。
更进一步地,在所述监测步骤中,将所述传动轴温度图像、振动信号图像和噪声信号图像分别输入至所述第一卷积神经网络、第二卷积神经网络和第三卷积神经网络分别得到传动轴温度特征图、振动信号特征图和噪声信号特征图及对应的小分子可循环压裂液输送泵状态估计初始值,将所述传动轴温度特征图、振动信号特征图和噪声信号特征图及对应的小分子可循环压裂液输送泵状态估计初始值进行预处理后和所述内部压力图像输入至所述第四卷积神经网络进行处理,得到小分子可循环压裂液输送泵的当前状态值。
更进一步地,将所述传动轴温度特征图、振动信号特征图和噪声信号特征图及对应的小分子可循环压裂液输送泵状态估计初始值进行预处理的操作为:
其中,C1’、C2’、C3’分别是预处理后的传动轴温度特征图、振动信号特征图和噪声信号特征图,C1、C2、C3分别是所述第一卷积神经网络、第二卷积神经网络和第三卷积神经网络输出的传动轴温度特征图、振动信号特征图和噪声信号特征图,P1、P2、 P3分别是所述第一卷积神经网络、第二卷积神经网络和第三卷积神经网络输出小分子可循环压裂液输送泵状态估计初始值。
本发明还提出了一种计算机可读存储介质,所述存储介质上存储有计算机程序代码,当所述计算机程序代码被计算机执行时执行上述之任一的方法。
本发明的技术效果在于:本发明的一种基于人工智能的小分子可循环压裂液输送泵的监测方法、装置及存储介质,该方法包括:采集步骤S101,通过压力传感器采集当前时刻前一段时间T内的小分子可循环压裂液输送泵的内部压力值序列,通过红外温度传感器采集当前时刻前一段时间T内的小分子可循环压裂液输送泵的传动轴温度序列,通过振动传感器采集当前时刻一段时间T内的小分子可循环压裂液输送泵的振动信号值序列,通过噪声传感器采集当前时刻一段时间T内的小分子可循环压裂液输送泵的噪声信号值序列;预处理步骤S102,将所述内部压力值序列、传动轴温度序列、振动信号值序列和噪声信号值序列分别进行处理得到对应的内部压力图像、传动轴温度图像、振动信号图像和噪声信号图像; 监测步骤S103,将所述内部压力图像、传动轴温度图像、振动信号图像和噪声信号图像输入至训练后的小分子可循环压裂液输送泵状态监测模型中进行处理,得到小分子可循环压裂液输送泵的当前状态值,基于所述当前状态值确定小分子可循环压裂液输送泵的工作状态。本发明中,设计了小分子可循环压裂液输送泵状态监测模型,其为多输入多输出的神经网络模型,其可以将内部压力图像、传动轴温度图像、振动信号图像和噪声信号图像作为输入,进行内部处理后,输出相应的当前状态值,由于其基于多个输入数据,在处理过程中基于多个输入数据之间的内在联系进行相应的处理,得到当前状态值,然后基于所述当前状态值确定小分子可循环压裂液输送泵的工作状态,从而实现了输送泵的故障的准确分类;本发明,并不直接使用采集的各种信号绘制成图像,而是基于输送泵在状态异常时相应的信号会变化,不同的异常导致一个或多个信号异常,因此,本发明使用采集的原始信号进行差分计算后再生成相应的图像,从而,在后续的神经网络卷积计算时,降低计算量,提高了计算效率;本发明中,结合之前描述的小分子可循环压裂液输送泵状态监测模型的结构,及各信号对状态的实际影响,同一个故障导致传动轴温、振动信号和噪声信号三者都变化的可能性较大,但不同的故障导致各个信号变化的程度又不相同,因此,这三个信号对应的图像的分别输入到第一、二、三卷积神经网络中进行独立预测,输出对应的输送泵状态估计初始值,然后复用第一、二、三卷积神经网络生成的卷积图再根据对应的输送泵状态估计初始值使用第四卷积神经网络进行综合预测,提高了预测精度,从而能根据各个信号之间的差异区分出不同的故障,如区分传动轴磨损、需要更换润滑油或密封圈破损的故障,导致输送泵的内部压力值变化一般是比较独立的,因此,内部压力图像直接输出第四神经网络进行处理,而不必经过第一、二、三卷积神经网络,即不与其他信号相关联,进一步地提高了模型区分各种故障的准确度;本发明中,实际使用所述第一卷积神经网络、第二卷积神经网络和第三卷积神经网络输出的输送泵状态估计初始值作为权重值,对相应的特征图进行计算,计算后的特征图使用第四卷积神经网络进行综合预测,即在第四神经网络预测时,考虑到了前三个神经网络的状态估计初始值,从而可以准确的进行故障的细分。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显。
图1是根据本发明的实施例的一种基于人工智能的小分子可循环压裂液输送泵的监测方法的流程图。
图2是根据本发明的实施例的一种基于人工智能的小分子可循环压裂液输送泵的监测装置的结构图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了本发明的一种基于人工智能的小分子可循环压裂液输送泵的监测方法,该方法包括:
采集步骤S101,通过压力传感器采集当前时刻前一段时间T内的小分子可循环压裂液输送泵的内部压力值序列,通过红外温度传感器采集当前时刻前一段时间T内的小分子可循环压裂液输送泵的传动轴温度序列,通过振动传感器采集当前时刻一段时间T内的小分子可循环压裂液输送泵的振动信号值序列,通过噪声传感器采集当前时刻一段时间T内的小分子可循环压裂液输送泵的噪声信号值序列;一般来说,所述T的范围为5-10s,即通过前几秒的各种采集数据判断输送泵的当前工作状态。
预处理步骤S102,将所述内部压力值序列、传动轴温度序列、振动信号值序列和噪声信号值序列分别进行处理得到对应的内部压力图像、传动轴温度图像、振动信号图像和噪声信号图像;
监测步骤S103,将所述内部压力图像、传动轴温度图像、振动信号图像和噪声信号图像输入至训练后的小分子可循环压裂液输送泵状态监测模型中进行处理,得到小分子可循环压裂液输送泵的当前状态值,基于所述当前状态值确定小分子可循环压裂液输送泵的工作状态。
本发明中,设计了小分子可循环压裂液输送泵状态监测模型,其为多输入多输出的神经网络模型,其可以将内部压力图像、传动轴温度图像、振动信号图像和噪声信号图像作为输入,进行内部处理后,输出相应的当前状态值,由于其基于多个输入数据,在处理过程中基于多个输入数据之间的内在联系进行相应的处理,得到当前状态值,然后基于所述当前状态值确定小分子可循环压裂液输送泵的工作状态,从而实现了输送泵的故障的准确分类,这是本发明的重要发明构思。
在进一步地的实施例中,在所述预处理步骤S102中,将所述内部压力值序列、传动轴温度序列、振动信号值序列和噪声信号值序列分别进行差分计算得到对应的内部压力值差分序列、传动轴温度差分序列、振动信号值差分序列和噪声信号值差分序列,基于所述内部压力值差分序列、传动轴温度差分序列、振动信号值差分序列和噪声信号值差分序列生成对应的内部压力图像、传动轴温度图像、振动信号图像和噪声信号图像。
本发明,并不直接使用采集的各种信号绘制成图像,而是基于输送泵在状态异常时相应的信号会变化,不同的异常导致一个或多个信号异常,因此,本发明使用采集的原始信号进行差分计算后再生成相应的图像,从而,在后续的神经网络卷积计算时,降低计算量,提高了计算效率,这是本发明的另一个重要发明点。
在进一步地的实施例中,所述小分子可循环压裂液输送泵状态监测模型包括第一卷积神经网络、第二卷积神经网络、第三卷积神经网络和第四卷积神经网络,所述第一卷积神经网络、第二卷积神经网络和第三卷积神经网的隐含层数小于所述第四卷积神经网络的隐含层数,所述第一卷积神经网络、第二卷积神经网络和第三卷积神经网的输出分别与所述第四卷积神经网络的输入相连接,且所述第一卷积神经网络、第二卷积神经网络和第三卷积神经网生成的特征图作为所述第四卷积神经网络的输入。
本发明中提出了具体的所述小分子可循环压裂液输送泵状态监测模型的结构,其为结构具体为:所述第一卷积神经网络、第二卷积神经网络和第三卷积神经网的输出分别与所述第四卷积神经网络的输入相连接,且所述第一卷积神经网络、第二卷积神经网络和第三卷积神经网生成的特征图作为所述第四卷积神经网络的输入,即本发明中采用多个卷积神经网络构成小分子可循环压裂液输送泵状态监测模型,这是因为,多个神经网络的输出的特征图可以在下一个神经网络中复用,且卷积神经网络可以基于多种输入进行状态的预测,提高了预测的准确度,本发明中,基于第一、二、三神经网络的初步预测结果及各神经网络卷积后的特征图使用第四神经网络进行综合预测,进一步提高预测精度,这是本发明的重要发明点之一。
在进一步地的实施例中,在所述监测步骤S103中,将所述传动轴温度图像、振动信号图像和噪声信号图像分别输入至所述第一卷积神经网络、第二卷积神经网络和第三卷积神经网络分别得到传动轴温度特征图、振动信号特征图和噪声信号特征图及对应的小分子可循环压裂液输送泵状态估计初始值,将所述传动轴温度特征图、振动信号特征图和噪声信号特征图及对应的小分子可循环压裂液输送泵状态估计初始值进行预处理后和所述内部压力图像输入至所述第四卷积神经网络进行处理,得到小分子可循环压裂液输送泵的当前状态值。
本发明中,结合之前描述的小分子可循环压裂液输送泵状态监测模型的结构,及各信号对状态的实际影响,同一个故障导致传动轴温、振动信号和噪声信号三者都变化的可能性较大,但不同的故障导致各个信号变化的程度又不相同,因此,这三个信号对应的图像的分别输入到第一、二、三卷积神经网络中进行独立预测,输出对应的输送泵状态估计初始值,然后复用第一、二、三卷积神经网络生成的卷积图再根据对应的输送泵状态估计初始值使用第四卷积神经网络进行综合预测,提高了预测精度,从而能根据各个信号之间的差异区分出不同的故障,如区分传动轴磨损、需要更换润滑油或密封圈破损的故障,导致输送泵的内部压力值变化一般是比较独立的,因此,内部压力图像直接输出第四神经网络进行处理,而不必经过第一、二、三卷积神经网络,即不与其他信号相关联,进一步地提高了模型区分各种故障的准确度,这是本发明的一个重要发明点。
在进一步地的实施例中,将所述传动轴温度特征图、振动信号特征图和噪声信号特征图及对应的小分子可循环压裂液输送泵状态估计初始值进行预处理的操作为:
其中,C1’、C2’、C3’分别是预处理后的传动轴温度特征图、振动信号特征图和噪声信号特征图,C1、C2、C3分别是所述第一卷积神经网络、第二卷积神经网络和第三卷积神经网络输出的传动轴温度特征图、振动信号特征图和噪声信号特征图,P1、P2、 P3分别是所述第一卷积神经网络、第二卷积神经网络和第三卷积神经网络输出小分子可循环压裂液输送泵状态估计初始值。
本发明中,实际使用所述第一卷积神经网络、第二卷积神经网络和第三卷积神经网络输出的输送泵状态估计初始值作为权重值,对相应的特征图进行计算,计算后的特征图使用第四卷积神经网络进行综合预测,即在第四神经网络预测时,考虑到了前三个神经网络的状态估计初始值,从而可以准确的进行故障的细分,这是本发明的另一个发明点。
图2本发明的一种基于人工智能的小分子可循环压裂液输送泵的监测装置,该装置包括:
采集单元201,通过压力传感器采集当前时刻前一段时间T内的小分子可循环压裂液输送泵的内部压力值序列,通过红外温度传感器采集当前时刻前一段时间T内的小分子可循环压裂液输送泵的传动轴温度序列,通过振动传感器采集当前时刻一段时间T内的小分子可循环压裂液输送泵的振动信号值序列,通过噪声传感器采集当前时刻一段时间T内的小分子可循环压裂液输送泵的噪声信号值序列;一般来说,所述T的范围为5-10s,即通过前几秒的各种采集数据判断输送泵的当前工作状态。
预处理单元202,将所述内部压力值序列、传动轴温度序列、振动信号值序列和噪声信号值序列分别进行处理得到对应的内部压力图像、传动轴温度图像、振动信号图像和噪声信号图像;
监测单元203,将所述内部压力图像、传动轴温度图像、振动信号图像和噪声信号图像输入至训练后的小分子可循环压裂液输送泵状态监测模型中进行处理,得到小分子可循环压裂液输送泵的当前状态值,基于所述当前状态值确定小分子可循环压裂液输送泵的工作状态。
本发明中,设计了小分子可循环压裂液输送泵状态监测模型,其为多输入多输出的神经网络模型,其可以将内部压力图像、传动轴温度图像、振动信号图像和噪声信号图像作为输入,进行内部处理后,输出相应的当前状态值,由于其基于多个输入数据,在处理过程中基于多个输入数据之间的内在联系进行相应的处理,得到当前状态值,然后基于所述当前状态值确定小分子可循环压裂液输送泵的工作状态,从而实现了输送泵的故障的准确分类,这是本发明的重要发明构思。
在进一步地的实施例中,在所述预处理单元202中,将所述内部压力值序列、传动轴温度序列、振动信号值序列和噪声信号值序列分别进行差分计算得到对应的内部压力值差分序列、传动轴温度差分序列、振动信号值差分序列和噪声信号值差分序列,基于所述内部压力值差分序列、传动轴温度差分序列、振动信号值差分序列和噪声信号值差分序列生成对应的内部压力图像、传动轴温度图像、振动信号图像和噪声信号图像。
本发明,并不直接使用采集的各种信号绘制成图像,而是基于输送泵在状态异常时相应的信号会变化,不同的异常导致一个或多个信号异常,因此,本发明使用采集的原始信号进行差分计算后再生成相应的图像,从而,在后续的神经网络卷积计算时,降低计算量,提高了计算效率,这是本发明的另一个重要发明点。
在进一步地的实施例中,所述小分子可循环压裂液输送泵状态监测模型包括第一卷积神经网络、第二卷积神经网络、第三卷积神经网络和第四卷积神经网络,所述第一卷积神经网络、第二卷积神经网络和第三卷积神经网的隐含层数小于所述第四卷积神经网络的隐含层数,所述第一卷积神经网络、第二卷积神经网络和第三卷积神经网的输出分别与所述第四卷积神经网络的输入相连接,且所述第一卷积神经网络、第二卷积神经网络和第三卷积神经网生成的特征图作为所述第四卷积神经网络的输入。
本发明中提出了具体的所述小分子可循环压裂液输送泵状态监测模型的结构,其为结构具体为:所述第一卷积神经网络、第二卷积神经网络和第三卷积神经网的输出分别与所述第四卷积神经网络的输入相连接,且所述第一卷积神经网络、第二卷积神经网络和第三卷积神经网生成的特征图作为所述第四卷积神经网络的输入,即本发明中采用多个卷积神经网络构成小分子可循环压裂液输送泵状态监测模型,这是因为,多个神经网络的输出的特征图可以在下一个神经网络中复用,且卷积神经网络可以基于多种输入进行状态的预测,提高了预测的准确度,本发明中,基于第一、二、三神经网络的初步预测结果及各神经网络卷积后的特征图使用第四神经网络进行综合预测,进一步提高预测精度,这是本发明的重要发明点之一。
在进一步地的实施例中,在所述监测单元203中,将所述传动轴温度图像、振动信号图像和噪声信号图像分别输入至所述第一卷积神经网络、第二卷积神经网络和第三卷积神经网络分别得到传动轴温度特征图、振动信号特征图和噪声信号特征图及对应的小分子可循环压裂液输送泵状态估计初始值,将所述传动轴温度特征图、振动信号特征图和噪声信号特征图及对应的小分子可循环压裂液输送泵状态估计初始值进行预处理后和所述内部压力图像输入至所述第四卷积神经网络进行处理,得到小分子可循环压裂液输送泵的当前状态值。
本发明中,结合之前描述的小分子可循环压裂液输送泵状态监测模型的结构,及各信号对状态的实际影响,同一个故障导致传动轴温、振动信号和噪声信号三者都变化的可能性较大,但不同的故障导致各个信号变化的程度又不相同,因此,这三个信号对应的图像的分别输入到第一、二、三卷积神经网络中进行独立预测,输出对应的输送泵状态估计初始值,然后复用第一、二、三卷积神经网络生成的卷积图再根据对应的输送泵状态估计初始值使用第四卷积神经网络进行综合预测,提高了预测精度,从而能根据各个信号之间的差异区分出不同的故障,如区分传动轴磨损、需要更换润滑油或密封圈破损的故障,导致输送泵的内部压力值变化一般是比较独立的,因此,内部压力图像直接输出第四神经网络进行处理,而不必经过第一、二、三卷积神经网络,即不与其他信号相关联,进一步地提高了模型区分各种故障的准确度,这是本发明的一个重要发明点。
在进一步地的实施例中,将所述传动轴温度特征图、振动信号特征图和噪声信号特征图及对应的小分子可循环压裂液输送泵状态估计初始值进行预处理的操作为:
其中,C1’、C2’、C3’分别是预处理后的传动轴温度特征图、振动信号特征图和噪声信号特征图,C1、C2、C3分别是所述第一卷积神经网络、第二卷积神经网络和第三卷积神经网络输出的传动轴温度特征图、振动信号特征图和噪声信号特征图,P1、P2、 P3分别是所述第一卷积神经网络、第二卷积神经网络和第三卷积神经网络输出小分子可循环压裂液输送泵状态估计初始值。
本发明中,实际使用所述第一卷积神经网络、第二卷积神经网络和第三卷积神经网络输出的输送泵状态估计初始值作为权重值,对相应的特征图进行计算,计算后的特征图使用第四卷积神经网络进行综合预测,即在第四神经网络预测时,考虑到了前三个神经网络的状态估计初始值,从而可以准确的进行故障的细分,这是本发明的另一个发明点。
本发明一个实施例中提出了一种计算机存储介质,所述计算机存储介质上存储有计算机程序,当所述计算机存储介质上的计算机程序被处理器执行时实现上述的方法,该计算机存储介质可以是硬盘、DVD、CD、闪存等等存储器。
本发明的为了描述的方便,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。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
虽然已经参照附图描述了本公开的实施例或示例,但应理解,上述的方法、系统和设备仅仅是示例性的实施例或示例,本发明的范围并不由这些实施例或示例限制,而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外,可以通过不同于本公开中描述的次序来执行各步骤。进一步地,可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进,在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (5)
1.一种基于人工智能的小分子可循环压裂液输送泵的监测方法,其特征在于,该方法包括:
采集步骤,通过压力传感器采集当前时刻前一段时间T内的小分子可循环压裂液输送泵的内部压力值序列,通过红外温度传感器采集当前时刻前一段时间T内的小分子可循环压裂液输送泵的传动轴温度序列,通过振动传感器采集当前时刻一段时间T内的小分子可循环压裂液输送泵的振动信号值序列,通过噪声传感器采集当前时刻一段时间T内的小分子可循环压裂液输送泵的噪声信号值序列;
预处理步骤,将所述内部压力值序列、传动轴温度序列、振动信号值序列和噪声信号值序列分别进行处理得到对应的内部压力图像、传动轴温度图像、振动信号图像和噪声信号图像;
监测步骤,将所述内部压力图像、传动轴温度图像、振动信号图像和噪声信号图像输入至训练后的小分子可循环压裂液输送泵状态监测模型中进行处理,得到小分子可循环压裂液输送泵的当前状态值,基于所述当前状态值确定小分子可循环压裂液输送泵的工作状态;
其中,在所述预处理步骤中,将所述内部压力值序列、传动轴温度序列、振动信号值序列和噪声信号值序列分别进行差分计算得到对应的内部压力值差分序列、传动轴温度差分序列、振动信号值差分序列和噪声信号值差分序列,基于所述内部压力值差分序列、传动轴温度差分序列、振动信号值差分序列和噪声信号值差分序列生成对应的内部压力图像、传动轴温度图像、振动信号图像和噪声信号图像;
其中,所述小分子可循环压裂液输送泵状态监测模型包括第一卷积神经网络、第二卷积神经网络、第三卷积神经网络和第四卷积神经网络,所述第一卷积神经网络、第二卷积神经网络和第三卷积神经网的隐含层数小于所述第四卷积神经网络的隐含层数,所述第一卷积神经网络、第二卷积神经网络和第三卷积神经网的输出分别与所述第四卷积神经网络的输入相连接,且所述第一卷积神经网络、第二卷积神经网络和第三卷积神经网生成的特征图作为所述第四卷积神经网络的输入;
其中,在所述监测步骤中,将所述传动轴温度图像、振动信号图像和噪声信号图像分别输入至所述第一卷积神经网络、第二卷积神经网络和第三卷积神经网络分别得到传动轴温度特征图、振动信号特征图和噪声信号特征图及对应的小分子可循环压裂液输送泵状态估计初始值,将所述传动轴温度特征图、振动信号特征图和噪声信号特征图及对应的小分子可循环压裂液输送泵状态估计初始值进行预处理后和所述内部压力图像输入至所述第四卷积神经网络进行处理,得到小分子可循环压裂液输送泵的当前状态值;
其中,将所述传动轴温度特征图、振动信号特征图和噪声信号特征图及对应的小分子可循环压裂液输送泵状态估计初始值进行预处理的操作为:
C1’=C1*P1;
C2’=C2*P2;
C3’=C3*P3;
其中,C1’、C2’、C3’分别是预处理后的传动轴温度特征图、振动信号特征图和噪声信号特征图,C1、C2、C3分别是所述第一卷积神经网络、第二卷积神经网络和第三卷积神经网络输出的传动轴温度特征图、振动信号特征图和噪声信号特征图,P1、P2、P3分别是所述第一卷积神经网络、第二卷积神经网络和第三卷积神经网络输出小分子可循环压裂液输送泵状态估计初始值。
2.根据权利要求1所述的方法,其特征在于,所述T的范围为5-10s。
3.一种基于人工智能的小分子可循环压裂液输送泵的监测装置,其特征在于,该装置包括:
采集单元,通过压力传感器采集当前时刻前一段时间T内的小分子可循环压裂液输送泵的内部压力值序列,通过红外温度传感器采集当前时刻前一段时间T内的小分子可循环压裂液输送泵的传动轴温度序列,通过振动传感器采集当前时刻一段时间T内的小分子可循环压裂液输送泵的振动信号值序列,通过噪声传感器采集当前时刻一段时间T内的小分子可循环压裂液输送泵的噪声信号值序列;
预处理单元,将所述内部压力值序列、传动轴温度序列、振动信号值序列和噪声信号值序列分别进行处理得到对应的内部压力图像、传动轴温度图像、振动信号图像和噪声信号图像;
监测单元,将所述内部压力图像、传动轴温度图像、振动信号图像和噪声信号图像输入至训练后的小分子可循环压裂液输送泵状态监测模型中进行处理,得到小分子可循环压裂液输送泵的当前状态值,基于所述当前状态值确定小分子可循环压裂液输送泵的工作状态;
其中,在所述预处理单元中,将所述内部压力值序列、传动轴温度序列、振动信号值序列和噪声信号值序列分别进行差分计算得到对应的内部压力值差分序列、传动轴温度差分序列、振动信号值差分序列和噪声信号值差分序列,基于所述内部压力值差分序列、传动轴温度差分序列、振动信号值差分序列和噪声信号值差分序列生成对应的内部压力图像、传动轴温度图像、振动信号图像和噪声信号图像;
其中,所述小分子可循环压裂液输送泵状态监测模型包括第一卷积神经网络、第二卷积神经网络、第三卷积神经网络和第四卷积神经网络,所述第一卷积神经网络、第二卷积神经网络和第三卷积神经网的隐含层数小于所述第四卷积神经网络的隐含层数,所述第一卷积神经网络、第二卷积神经网络和第三卷积神经网的输出分别与所述第四卷积神经网络的输入相连接,且所述第一卷积神经网络、第二卷积神经网络和第三卷积神经网生成的特征图作为所述第四卷积神经网络的输入;
其中,在所述监测单元中,将所述传动轴温度图像、振动信号图像和噪声信号图像分别输入至所述第一卷积神经网络、第二卷积神经网络和第三卷积神经网络分别得到传动轴温度特征图、振动信号特征图和噪声信号特征图及对应的小分子可循环压裂液输送泵状态估计初始值,将所述传动轴温度特征图、振动信号特征图和噪声信号特征图及对应的小分子可循环压裂液输送泵状态估计初始值进行预处理后和所述内部压力图像输入至所述第四卷积神经网络进行处理,得到小分子可循环压裂液输送泵的当前状态值;
其中,将所述传动轴温度特征图、振动信号特征图和噪声信号特征图及对应的小分子可循环压裂液输送泵状态估计初始值进行预处理的操作为:
C1’=C1*P1;
C2’=C2*P2;
C3’=C3*P3;
其中,C1’、C2’、C3’分别是预处理后的传动轴温度特征图、振动信号特征图和噪声信号特征图,C1、C2、C3分别是所述第一卷积神经网络、第二卷积神经网络和第三卷积神经网络输出的传动轴温度特征图、振动信号特征图和噪声信号特征图,P1、P2、P3分别是所述第一卷积神经网络、第二卷积神经网络和第三卷积神经网络输出小分子可循环压裂液输送泵状态估计初始值。
4.根据权利要求3所述的装置,其特征在于,所述T的范围为5-10s。
5.一种计算机存储介质,其特征在于,所述计算机存储介质上存储有计算机程序,当所述计算机存储介质上的计算机程序被处理器执行时实现权利要求1-2任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210888123.8A CN114962248B (zh) | 2022-07-27 | 2022-07-27 | 基于人工智能的小分子可循环压裂液输送泵的监测方法、装置、介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210888123.8A CN114962248B (zh) | 2022-07-27 | 2022-07-27 | 基于人工智能的小分子可循环压裂液输送泵的监测方法、装置、介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114962248A CN114962248A (zh) | 2022-08-30 |
CN114962248B true CN114962248B (zh) | 2022-11-04 |
Family
ID=82969661
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210888123.8A Active CN114962248B (zh) | 2022-07-27 | 2022-07-27 | 基于人工智能的小分子可循环压裂液输送泵的监测方法、装置、介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114962248B (zh) |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1184931A (zh) * | 1996-12-11 | 1998-06-17 | 唐秀家 | 流体输送管道泄漏检测定位的方法及装置 |
WO2006064991A1 (en) * | 2004-12-17 | 2006-06-22 | Korea Research Institute Of Standards And Science | A precision diagnostic method for the failure protection and predictive maintenance of a vacuum pump and a precision diagnostic system therefor |
JP2020530159A (ja) * | 2017-08-02 | 2020-10-15 | ストロング フォース アイオーティ ポートフォリオ 2016,エルエルシー | 大量のデータセットを使用する産業用のモノのインターネットのデータ収集環境における検出のための方法及びシステム |
CN109899281B (zh) * | 2019-04-03 | 2020-05-08 | 中国石油大学(北京) | 一种基于红外热像的压裂设备微弱故障诊断方法及装置 |
CN110439795B (zh) * | 2019-08-14 | 2020-09-11 | 中铁隧道集团三处有限公司 | 一种泵机远程监控系统 |
CN112943595A (zh) * | 2021-02-07 | 2021-06-11 | 三一重工股份有限公司 | 液压泵故障预测方法、装置、电子设备及存储介质 |
CN113723486B (zh) * | 2021-08-23 | 2022-07-29 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种离心泵多模态监测数据清洗及特征融合提取方法 |
CN114753994B (zh) * | 2022-04-02 | 2023-09-26 | 中国航空工业集团公司金城南京机电液压工程研究中心 | 一种小型集成式液压泵状态监测装置及监测方法 |
-
2022
- 2022-07-27 CN CN202210888123.8A patent/CN114962248B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114962248A (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Condition-based maintenance using the inverse Gaussian degradation model | |
US7971193B2 (en) | Methods for performining cross module context-sensitive security analysis | |
US10901401B2 (en) | Plan generation apparatus, method and computer readable medium for multi-process production of intermediate product | |
CN111459695A (zh) | 根因定位方法、装置、计算机设备和存储介质 | |
JP6501982B2 (ja) | 故障リスク指標推定装置および故障リスク指標推定方法 | |
US10372584B2 (en) | Software inspection apparatus | |
CN110197288A (zh) | 故障影响下设备的剩余使用寿命预测方法 | |
CN115800272B (zh) | 基于拓扑识别的电网故障分析方法、系统、终端及介质 | |
CN108038211A (zh) | 一种基于上下文的无监督关系数据异常检测方法 | |
CN111144477A (zh) | 一种钢材表面缺陷的训练样本生成方法、系统及电子设备 | |
CN113065721A (zh) | 小区供水管网泄漏事件分级预警方法、装置、设备及介质 | |
CN114962248B (zh) | 基于人工智能的小分子可循环压裂液输送泵的监测方法、装置、介质 | |
CN114240969A (zh) | 基于条纹多视野卷积网络的多线激光图像缺陷分割方法 | |
CN116109639B (zh) | 基于多任务学习网络的缺陷检测方法及装置 | |
KR20190128457A (ko) | 대상 프로그램에 포함된 대상 함수를 테스트하는 방법 및 장치 | |
CN114973152A (zh) | 基于神经网络的小分子可循环压裂液储存罐的监控方法、装置、介质 | |
CN115510998A (zh) | 交易异常值检测方法及装置 | |
CN114529001B (zh) | 量子算法的指标评估方法、装置、终端及存储介质 | |
CN114140736A (zh) | 一种基于高低频重建的图像异常检测方法 | |
CN114281808A (zh) | 一种交通大数据清洗方法、装置、设备及可读存储介质 | |
Kadam et al. | Increases the Reliability of Software using Enhanced Non Homogenous Poisson Process (EHPP), Functional Point and Test Point Analysis | |
CN113688403A (zh) | 一种基于符号执行验证的智能合约漏洞检测方法及装置 | |
CN112685957A (zh) | 一种用于预测继电保护缺陷的方法 | |
CN115065707B (zh) | 小分子可循环压裂液混砂车的远程监控方法、装置、介质 | |
KR20200088012A (ko) | 반도체 제조 공정에서 특징 선택 기법에 따른 멀티 분류기를 활용한 불량 패턴 예측 장치 및 방법 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20221208 Address after: 716099 Room 1203, Unit 5, Lishen Building, Lishen Road, Shuangyong Avenue, Baota District, Yan'an City, Shaanxi Province Patentee after: YANAN MEIYUAN INDUSTRY & TRADE CO.,LTD. Address before: Room 711, Unit 2, Floor 7, Building 13, Yard 6, Antai Street, Shunyi District, Beijing 101322 Patentee before: Beijing Huaxia Shengyuan Energy Technology Co.,Ltd. |