CN117473429B - 基于物联网的油井设备故障检测方法及系统 - Google Patents
基于物联网的油井设备故障检测方法及系统 Download PDFInfo
- Publication number
- CN117473429B CN117473429B CN202311810288.4A CN202311810288A CN117473429B CN 117473429 B CN117473429 B CN 117473429B CN 202311810288 A CN202311810288 A CN 202311810288A CN 117473429 B CN117473429 B CN 117473429B
- Authority
- CN
- China
- Prior art keywords
- fault
- operation parameter
- time sequence
- oil well
- parameter
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 90
- 239000003129 oil well Substances 0.000 title claims abstract description 74
- 238000010586 diagram Methods 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 27
- 239000013598 vector Substances 0.000 claims description 51
- 239000011159 matrix material Substances 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000010793 Steam injection (oil industry) Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Multimedia (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请涉及故障检测技术领域,尤其涉及一种基于物联网的油井设备故障检测方法及系统,方法包括:采集当前时刻的示功图和设备参数序列;基于图像编码器提取所述示功图的图像特征,基于时序编码器提取所述设备参数序列中每种运行参数的时序特征;获取每种运行参数的故障关联时间段,故障关联时间段内运行参数的时间序列对油井设备故障检测结果的相关性最大;并依据故障关联时间段对运行参数的时序特征进行提取以获取故障关联特征;将图像特征和每种运行参数的故障关联特征输入故障预测网络,得到当前时刻油井设备的故障检测结果。通过本申请的技术方案,能够提高油井设备的故障检测结果的准确性。
Description
技术领域
本申请一般地涉及故障检测技术领域,尤其涉及一种基于物联网的油井设备故障检测方法及系统。
背景技术
油井是现代石油开发的基础,为保障石油开发过程的顺利进行,需要对钻井机等油井设备进行故障检测。随着人工智能技术,利用计算机技术对油井设备进行故障检测获得了学者与研究人员的重视。
目前,公开号为CN115544901A的专利申请文件公开了一种小样本的稠油工况故障智能识别方法,首先对稠油井数据进行缺失值补充以输入数据;将输入数据输入卷积神经网络以提取高维特征;计算特征与其对应的类中心之间的角度,得到每个类特征向量与其对应的类中心的夹角分布;将从工况正常类学习的角度方差传递到工况故障类,重构工况故障类的类内特征分布;并使用工况正常类的原始特征和工况故障类的重构特征训练模型,基于训练完毕的模型可得到稠油工况识别结果,其中稠油井数据包括井口温度、产液量、产油量、产水量、含水率、集油线温度、计量线温度、注汽线温度、注汽线压力这9种数据。
然而,上述方法虽然能够依据稠油井的9种数据确定稠油工况识别结果,进而得到故障检测结果;但9种数据均为时序数据,忽略了不同长度的时序数据对故障时识别结果的影响,导致故障识别结果不准确。
发明内容
为了解决本申请的上述技术问题,本申请提供了一种基于物联网的油井设备故障检测方法及系统,以提高油井设备的故障检测结果的准确性。
根据本申请的第一方面,提供了一种基于物联网的油井设备故障检测方法,包括:采集当前时刻的示功图和设备参数序列,所述设备参数序列包括上一次检修结束至当前时刻的多种运行参数的时间序列,所述运行参数包括油压、温度和运行功率;基于图像编码器提取所述当前时刻的示功图的图像特征,基于时序编码器提取所述设备参数序列中每种运行参数的时序特征,一种运行参数的时序特征包括时间序列中每个时刻的短时特征向量;获取每种运行参数的故障关联时间段,所述故障关联时间段内运行参数的时间序列对油井设备故障检测结果的相关性最大;依据一种运行参数的故障关联时间段对所述运行参数的时序特征进行提取以获取所述运行参数的故障关联特征;将所述图像特征和每种运行参数的故障关联特征输入故障预测网络,得到当前时刻油井设备的故障检测结果。
在一个实施例中,所述图像编码器为卷积神经网络,所述时序编码器为LSTM或Transformer,所述故障预测网络为全连接网络。
在一个实施例中,所述获取每种运行参数的故障关联时间段包括:采集多组样本数据,所述样本数据包括任意时刻的故障检测结果和设备参数序列,所述故障检测结果包括故障和正常;设置每个运行参数对应的初始时间段;对于一组样本数据,将设备参数序列中所有运行参数的时间序列输入时序编码器,得到每种运行参数在每个时刻的短时特征向量,并将一种运行参数在对应初始时间段内所有短时特征向量的和作为所述运行参数的时序特征向量,所有运行参数的时序特征向量构成所述样本数据的时序特征矩阵;计算目标函数,所述目标函数满足关系式:
其中,为故障检测结果为正常的所有样本数据的平均时序特征矩阵,/>为故障检测结果为故障的所有样本数据的平均时序特征矩阵,/>为故障检测结果为正常的样本数据总数,/>为故障检测结果为故障的样本数据总数,/>为第/>个故障检测结果为正常的样本数据,/>为第/>个故障检测结果为故障的样本数据,/>为预设参数,/>为目标函数的取值;利用寻优算法不断更新每个运行参数对应的初始时间段,并将所述目标函数的取值达到最小值时的初始时间段作为每种运行参数的故障关联时间段。
在一个实施例中,所述依据一种运行参数的故障关联时间段对所述运行参数的时序特征进行提取以获取所述运行参数的故障关联特征包括:对于一种运行参数,获取所述故障关联时间段内所有时刻的短时特征向量;将所有时刻短时特征向量之和作为所述运行参数的故障关联特征。
在一个实施例中,将所述图像特征和每种运行参数的故障关联特征输入故障预测网络,得到所述当前时刻油井设备的故障检测结果包括:将所述图像特征拉伸为图像特征向量,所述图像特征向量的尺寸与故障关联特征的尺寸相同;计算任意两种运行参数的故障关联特征之间的相关性程度,以及所述图像特征向量与任意一种运行参数的故障关联特征之间的相关性程度,构建特征相关矩阵,所述特征相关矩阵为的方阵,/>为所有运行参数的数量;将所述图像特征和所述特征相关矩阵输入故障预测网络,得到当前时刻油井设备的故障检测结果。
在一个实施例中,所述相关性程度满足关系式:
其中,为运行参数/>的故障关联特征,/>为运行参数/>的故障关联特征,/>为运行参数/>和运行参数/>的相关性程度。
在一个实施例中,将所述当前时刻的示功图和当前时刻油井设备的故障检测结果显示在显示屏上。
在一个实施例中,所述图像编码器、所述时序编码器和所述故障预测网络的训练方法包括:采集任意历史时刻的示功图和设备参数样本序列,以及所述历史时刻的设备故障标签,得到一组训练样本,其中所述设备参数样本序列包括最近邻检修结束至所述历史时刻的多种运行参数的时间序列,所述最近邻检修为所述历史时刻之前最近的一次检修;将所述历史时刻的示功图输入图像编码器,得到图像特征;将所述设备参数样本序列中多种运行参数的时间序列输入时序编码器,并依据每种运行参数的故障关联时间段获取所述训练样本中每种运行参数的故障关联特征;基于所述图像特征和所有故障关联特征输入故障预测网络,输出所述训练样本的故障检测结果;基于所述故障检测结果和所述设备故障标签计算交叉熵损失,并利用梯度下降法同时更新所述图像编码器、所述时序编码器和所述故障预测网络;迭代地更新所述图像编码器、所述时序编码器和所述故障预测网络,响应于所述交叉熵损失小于设定损失值,或迭代次数大于设定次数,完成所述图像编码器、所述时序编码器和所述故障预测网络的训练。
本申请还提供了一种基于物联网的油井设备故障检测系统,包括处理器和存储器,所述存储器存储有计算机程序指令,当所述计算机程序指令被所述处理器执行时实现根据本申请第一方面所述的基于物联网的油井设备故障检测方法。
本申请的技术方案具有以下有益技术效果:
通过本申请提供的技术方案,采集当前时刻的示功图以及多种运行参数的时间序列;利用图像编码器提取示功图的图像特征,利用时序编码器提取每种运行参数在每个时刻的短时特征向量;对于一种运行参数,将故障关联时间段内所有时刻短时特征向量的和作为该运行参数故障关联特征,获取与设备故障检测最相关的时序特征,提高油井设备故障检测的准确性;进一步地,计算图像特征与任意一种运行参数的故障关联特征之间的相关性程度,以及任意两种运行参数的故障关联特征之间的相关性程度,依据所有相关性程度和示功图得到油井设备故障检测结果,可排除油压、温度等多种外界因素对示功图的影响,使得示功图能准确反映油井设备的故障信息,进而获取准确的油井设备故障检测。
附图说明
通过参考附图阅读下文的详细描述,本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本申请的若干实施方式,并且相同或对应的标号表示相同或对应的部分,其中:
图1是根据本申请实施例的基于物联网的油井设备故障检测方法的流程图;
图2是根据本申请实施例的温度对应的时序特征向量的示意图;
图3是根据本申请实施例的图像编码器、时序编码器和故障预测网络的训练方法的流程图;
图4是根据本申请实施例的基于物联网的油井设备故障检测系统的框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域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,都属于本申请保护的范围。
应当理解,当本申请使用术语“第一”、“第二”等时,其仅是用于区别不同对象,而不是用于描述特定顺序。本申请中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
根据本申请的第一方面,本申请提供了一种基于物联网的油井设备故障检测方法。图1是根据本申请实施例的基于物联网的油井设备故障检测方法的流程图。如图1所示,所述油井设备故障检测方法100包括步骤S101至S105,以下详细说明。
S101,采集当前时刻的示功图和设备参数序列,所述设备参数序列包括上一次检修结束至当前时刻的多种运行参数的时间序列,所述运行参数包括油压、温度和运行功率。
在一个实施例中,在油井设备作业过程中,能够采集到多种运行参数和示功图,其中示功图为载荷随位移的变化关系曲线所围成的封闭曲线图,能够反映油井设备的工作状况。然而,在油井作业过程中,示功图不仅受到齿轮箱、传送皮带等油井设备的影响,而且要受到油压、温度和运行功率等多种因素的影响,为了使示功图准确反映油井设备的工作状况,除采集示功图外还需采集多种运行参数,所述运行参数包括油压、温度和运行功率。其中,所述油井设备包括石油开采中齿轮箱、电机和传动皮带等等。
为了得到当前时刻油井设备的故障检测结果,采集当前时刻的示功图和设备参数序列,其中设备参数序列为上一次检修结束至所述当前时刻的多种运行参数的时间序列。检修结束之后,认为油井设备处于正常状态,从检修结束时开始采集多种运行参数的时间序列,确保设备参数序列中包含正常状态之后油井设备在每一时刻的运行参数。
具体地,记上一次检修结束的时刻为,当前时刻为/>,假设运行参数包括油压、温度和运行功率三种,则设备参数序列包括油压时间序列、温度时间序列和运行功率时间序列,其中,油压时间序列包括/>至/>的油压值。
在另一个实施例中,所述运行参数还包括齿轮箱转速、电机转速、设备电流和设备电流中的至少一种。
如此,在当前时刻,得到一张图像和多个时间序列,其中图像为示功图,多个时间序列构成了设备参数序列,为得到当前时刻油井设备的故障检测结果提供数据。
S102,基于图像编码器提取所述当前时刻的示功图的图像特征,基于时序编码器提取所述设备参数序列中每种运行参数的时序特征,一种运行参数的时序特征包括时间序列中每个时刻的短时特征向量。
在一个实施例中,将当前时刻的示功图输入图像编码器,所述图像编码器为卷积神经网络,对示功图进行多次卷积和下采样操作,得到示功图的图像特征,其中图像编码器采用ResNet、DenseNet或shuffleNet等任意一种卷积神经网络。
在一个实施例中,将所述设备参数序列中的每种运行参数的时间序列输入时序编码器,得到每种运行参数的时序特征,一种运行参数的时序特征包括时间序列中每个时刻的短时特征向量;其中,所述时序编码器为LSTM或Transformer。
示例性地,响应于时序编码器为LSTM,将一种运行参数的时间序列输入LSTM之后,得到整个时间序列的长时特征,以及时间序列中每个时刻的短时特征向量,将每个时刻的短时特征向量作为该运行参数的时序特征;响应于时序编码器为Transformer,将一种运行参数的时间序列输入Transformer之后得到时间序列中每个时刻对应的特征向量,将每个时刻的特征向量记为每个时刻的短时特征向量,得到该运行参数的时序特征。
如此,依据图像编码器和时序编码器完成当前时刻的特征提取过程,得到示功图的图像特征以及每种运行参数的时序特征,一种运行参数的时序特征包括时间序列中每个时刻的短时特征向量。
S103,获取每种运行参数的故障关联时间段,所述故障关联时间段内运行参数的时间序列对油井设备故障检测结果的相关性最大。
在一个实施例中,运行参数的时间序列存在波动性,当油井设备发生故障时,不同运行参数的故障关联时间段不同。具体描述如下,对于一种运行参数,将当前时刻记为,若/>时间段内的时间序列最能够反映当前时刻/>是否存在故障,则/>时间段为该运行参数的故障关联时间段;如果将/>时间段内的时间序列作为当前时刻/>是否存在故障的判断依据,相当于引入了噪声数据(即/>时间段内的时间序列相当于噪声数据),弱化了判断当前时刻/>是否存在故障的有效信息,故为了能够得到准确的油井设备故障检测结果,需要确定每一种运行参数的故障关联时间段,进而获取步骤S104中每种运行参数的故障关联特征。
具体地,所述获取每种运行参数的故障关联时间段包括:采集多组样本数据,所述样本数据包括任意时刻的故障检测结果和设备参数序列,所述故障检测结果包括故障和正常;设置每个运行参数对应的初始时间段;对于一组样本数据,将设备参数序列中所有运行参数的时间序列输入时序编码器,得到每种运行参数在每个时刻的短时特征向量,并将一种运行参数在对应初始时间段内所有短时特征向量的和作为所述运行参数的时序特征向量,所有运行参数的时序特征向量构成所述样本数据的时序特征矩阵;计算目标函数,所述目标函数满足关系式:
其中,为故障检测结果为正常的所有样本数据的平均时序特征矩阵,/>为故障检测结果为故障的所有样本数据的平均时序特征矩阵,/>为故障检测结果为正常的样本数据总数,/>为故障检测结果为故障的样本数据总数,/>为第/>个故障检测结果为正常的样本数据,/>为第/>个故障检测结果为故障的样本数据,/>为预设参数,/>为目标函数的取值;利用寻优算法不断更新每个运行参数对应的初始时间段,并将所述目标函数的取值达到最小值时的初始时间段作为每种运行参数的故障关联时间段。
其中,设置预设参数是为了防止分母为0,预设参数/>为一极小值,本申请实施例中预设参数/>。寻优算法可以为粒子群算法、爬山算法或模拟退火算法等。
可以理解地,为故障检测结果为正常和故障时对应的平均时序特征矩阵的欧氏距离,用于表征正常和故障的类间距离,其数值越大,则时序特征矩阵越容易区分正常和故障,时序特征矩阵对判断当前时刻是否存在故障越有效;/>表示为故障检测结果为正常时,时序特征矩阵的类内距离,/>表示为故障检测结果为故障时,时序特征矩阵的类内距离;类间距离越大,类内距离越小,表示时序特征矩阵对判断当前时刻是否存在故障越有效。
示例性地,对于一组样本数据而言,其设备参数序列包括所有运行参数的时间序列;以运行参数为温度作为示例,时间序列中包括至/>共5个时刻的温度值,将温度对应的时间序列输入LSTM中,得到每个时刻对应短时特征向量,每个短时特征向量的尺寸相同,其短时特征向量的尺寸与LSTM的结构有关;温度的初始时间段为3,包括/>三个时刻,故初始时间段内所有短时特征向量相加,得到温度对应的时序特征向量,请参见图2,是根据本申请实施例的温度对应的时序特征向量的示意图;进一步,按照同样的方法得到一组样本数据中每种运行参数的时序特征向量,将所有时序特征向量拼接在一起,即可得到一组样本数据的时序特征矩阵。
如此,确定每种运行参数的故障关联时间段,可提取到对油井设备故障检测结果的相关性最大的时序特征矩阵,保证故障检测的准确性。
S104,依据一种运行参数的故障关联时间段对所述运行参数的时序特征进行提取以获取所述运行参数的故障关联特征。
在一个实施例中,确定每种运行参数的故障关联时间段后,即可提取每种运行参数的故障关联特征。具体描述如下,运行参数的时序特征包括时间序列中每个时刻的短时特征向量,所述依据一种运行参数的故障关联时间段对所述运行参数的时序特征进行提取以获取所述运行参数的故障关联特征包括:对于一种运行参数,获取所述故障关联时间段内所有时刻的短时特征向量;将所有时刻短时特征向量之和作为所述运行参数的故障关联特征。
如此,按照相同的方法可得到设备参数序列中每种运行参数的故障关联特征。
S105,将所述图像特征和每种运行参数的故障关联特征输入故障预测网络,得到当前时刻油井设备的故障检测结果。
在一个实施例中,将所述图像特征和每种运行参数的故障关联特征输入故障预测网络,得到所述当前时刻油井设备的故障检测结果包括:将所述图像特征拉伸为图像特征向量,所述图像特征向量的尺寸与故障关联特征的尺寸相同;计算所述图像特征向量与任意一种运行参数的故障关联特征之间的相关性程度,以及任意两种运行参数的故障关联特征之间的相关性程度,构建特征相关矩阵,所述特征相关矩阵为的方阵,/>为所有运行参数的数量;将所述图像特征和所述特征相关矩阵输入故障预测网络,得到当前时刻油井设备的故障检测结果。
其中,所述相关性程度满足关系式:
其中,为运行参数/>的故障关联特征,/>为运行参数/>的故障关联特征,/>为运行参数/>和运行参数/>的相关性程度。
可以理解地,特征相关矩阵可以反映当前时刻示功图的图像特征与每种运行参数故障关联特征之间,以及任意两种运行参数故障关联特征之间的相关性程度;根据示功图与不同运行参数之间的相关性程度可排除油压、温度等多种外界因素对示功图的影响,使得示功图能准确反映油井设备的故障信息。
在一个实施例中,得到当前时刻油井设备的故障检测结果后,将所述当前时刻的示功图和当前时刻油井设备的故障检测结果显示在显示屏上,工作人员可通过显示屏及时获取油井设备的工作状态。
在一个实施例中,所述故障预测网络为全连接网络,所述全连接网络包括输入层、隐藏层和输出层,所述输入层中神经元的数量等于所述图像特征和所述特征相关矩阵中所有数值的数量,用于接收所述图像特征和所述特征相关矩阵;隐藏层对输入信息进行维度变换,输出层对维度变换后的特征进行分类,得到故障检测结果,所述故障检测结果包括正常和故障。
在一个实施例中,为实现油井设备故障检测,需要对图像编码器、时序编码器和故障预测网络进行训练。请参见图3,是根据本申请实施例的图像编码器、时序编码器和故障预测网络的训练方法的示意图。所述训练方法200包括步骤S201至步骤S206。所述图像编码器、所述时序编码器和所述故障预测网络的训练方法包括:S201,采集任意历史时刻的示功图和设备参数样本序列,以及所述历史时刻的设备故障标签,得到一组训练样本,其中所述设备参数样本序列包括最近邻检修结束至所述历史时刻的多种运行参数的时间序列,所述最近邻检修为所述历史时刻之前最近的一次检修;S202,将所述历史时刻的示功图输入图像编码器,得到图像特征;S203,将所述设备参数样本序列中多种运行参数的时间序列输入时序编码器,并依据每种运行参数的故障关联时间段获取所述训练样本中每种运行参数的故障关联特征;S204,基于所述图像特征和所有故障关联特征输入故障预测网络,输出所述训练样本的故障检测结果;S205,基于所述故障检测结果和所述设备故障标签计算交叉熵损失,并利用梯度下降法同时更新所述图像编码器、所述时序编码器和所述故障预测网络;S206,迭代地更新所述图像编码器、所述时序编码器和所述故障预测网络,响应于所述交叉熵损失小于设定损失值,或迭代次数大于设定次数,完成所述图像编码器、所述时序编码器和所述故障预测网络的训练。其中,一组训练样本包括一个示功图和一个设备参数样本序列;所述设定损失值为0.001,所述设定次数为8000。
以上通过具体实施例介绍了本申请的基于物联网的油井设备故障检测方法的技术原理和实施细节。通过本申请提供的技术方案,采集当前时刻的示功图以及多种运行参数的时间序列;利用图像编码器提取示功图的图像特征,利用时序编码器提取每种运行参数在每个时刻的短时特征向量;对于一种运行参数,将故障关联时间段内所有时刻短时特征向量的和作为该运行参数故障关联特征,获取与设备故障检测最相关的时序特征,提高油井设备故障检测的准确性;进一步地,计算图像特征与任意一种运行参数的故障关联特征之间的相关性程度,以及任意两种运行参数的故障关联特征之间的相关性程度,依据所有相关性程度和示功图得到油井设备故障检测结果,可排除油压、温度等多种外界因素对示功图的影响,使得示功图能准确反映油井设备的故障信息,进而获取准确的油井设备故障检测。
根据本申请的第二方面,本申请还提供了一种基于物联网的油井设备故障检测系统。图4是根据本申请实施例的基于物联网的油井设备故障检测系统的框图。如图4所示,所述装置50包括处理器和存储器,所述存储器存储有计算机程序指令,当所述计算机程序指令被所述处理器执行时实现根据本申请第一方面所述的一种基于物联网的油井设备故障检测方法。所述装置还包括通信总线和通信接口等本领域技术人员熟知的其他组件,其设置和功能为本领域中已知,因此在此不再赘述。
在本申请中,前述的存储器可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质,比如,阻变式存储器RRAM(Resistive RandomAccess Memory)、动态随机存取存储器DRAM(Dynamic Random Access Memory)、静态随机存取存储器SRAM(Static Random-Access Memory)、增强动态随机存取存储器EDRAM(Enhanced Dynamic Random Access Memory)、高带宽内存HBM(High-Bandwidth Memory)、混合存储立方HMC(Hybrid Memory Cube)等等,或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。本申请描述的任何应用或模块可以使用可以由这样的计算机可读介质存储或以其他方式保持的计算机可读/可执行指令来实现。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。
Claims (8)
1.一种基于物联网的油井设备故障检测方法,其特征在于,包括:
采集当前时刻的示功图和设备参数序列,所述设备参数序列包括上一次检修结束至当前时刻的多种运行参数的时间序列,所述运行参数包括油压、温度和运行功率;
基于图像编码器提取所述当前时刻的示功图的图像特征,基于时序编码器提取所述设备参数序列中每种运行参数的时序特征,一种运行参数的时序特征包括时间序列中每个时刻的短时特征向量;
获取每种运行参数的故障关联时间段,所述故障关联时间段内运行参数的时间序列对油井设备故障检测结果的相关性最大;
依据一种运行参数的故障关联时间段对所述运行参数的时序特征进行提取以获取所述运行参数的故障关联特征;
将所述图像特征和每种运行参数的故障关联特征输入故障预测网络,得到当前时刻油井设备的故障检测结果;
所述获取每种运行参数的故障关联时间段包括:
采集多组样本数据,所述样本数据包括任意时刻的故障检测结果和设备参数序列,所述故障检测结果包括故障和正常;
设置每个运行参数对应的初始时间段;
对于一组样本数据,将设备参数序列中所有运行参数的时间序列输入时序编码器,得到每种运行参数在每个时刻的短时特征向量,并将一种运行参数在对应初始时间段内所有短时特征向量的和作为所述运行参数的时序特征向量,所有运行参数的时序特征向量构成所述样本数据的时序特征矩阵;
计算目标函数,所述目标函数满足关系式:
其中,为故障检测结果为正常的所有样本数据的平均时序特征矩阵,/>为故障检测结果为故障的所有样本数据的平均时序特征矩阵,/>为故障检测结果为正常的样本数据总数,/>为故障检测结果为故障的样本数据总数,/>为第/>个故障检测结果为正常的样本数据,/>为第/>个故障检测结果为故障的样本数据,/>为预设参数,/>为目标函数的取值;
利用寻优算法不断更新每个运行参数对应的初始时间段,并将所述目标函数的取值达到最小值时的初始时间段作为每种运行参数的故障关联时间段。
2.根据权利要求1所述的一种基于物联网的油井设备故障检测方法,其特征在于,所述图像编码器为卷积神经网络,所述时序编码器为LSTM或Transformer,所述故障预测网络为全连接网络。
3.根据权利要求1所述的一种基于物联网的油井设备故障检测方法,其特征在于,所述依据一种运行参数的故障关联时间段对所述运行参数的时序特征进行提取以获取所述运行参数的故障关联特征包括:
对于一种运行参数,获取所述故障关联时间段内所有时刻的短时特征向量;
将所有时刻短时特征向量之和作为所述运行参数的故障关联特征。
4.根据权利要求1所述的一种基于物联网的油井设备故障检测方法,其特征在于,将所述图像特征和每种运行参数的故障关联特征输入故障预测网络,得到当前时刻油井设备的故障检测结果包括:
将所述图像特征拉伸为图像特征向量,所述图像特征向量的尺寸与故障关联特征的尺寸相同;
计算任意两种运行参数的故障关联特征之间的相关性程度,以及所述图像特征向量与任意一种运行参数的故障关联特征之间的相关性程度,构建特征相关矩阵,所述特征相关矩阵为的方阵,/>为所有运行参数的数量;
将所述图像特征和所述特征相关矩阵输入故障预测网络,得到当前时刻油井设备的故障检测结果。
5.根据权利要求4所述的一种基于物联网的油井设备故障检测方法,其特征在于,所述相关性程度满足关系式:
其中,为运行参数/>的故障关联特征,/>为运行参数/>的故障关联特征,/>为运行参数/>和运行参数/>的相关性程度。
6.根据权利要求1所述的一种基于物联网的油井设备故障检测方法,其特征在于,将所述当前时刻的示功图和当前时刻油井设备的故障检测结果显示在显示屏上。
7.根据权利要求1至6任一项所述的一种基于物联网的油井设备故障检测方法,其特征在于,所述图像编码器、所述时序编码器和所述故障预测网络的训练方法包括:
采集任意历史时刻的示功图和设备参数样本序列,以及所述历史时刻的设备故障标签,得到一组训练样本,其中所述设备参数样本序列包括最近邻检修结束至所述历史时刻的多种运行参数的时间序列,所述最近邻检修为所述历史时刻之前最近的一次检修;
将所述历史时刻的示功图输入图像编码器,得到图像特征;
将所述设备参数样本序列中多种运行参数的时间序列输入时序编码器,并依据每种运行参数的故障关联时间段获取所述训练样本中每种运行参数的故障关联特征;
基于所述图像特征和所有故障关联特征输入故障预测网络,输出所述训练样本的故障检测结果;
基于所述故障检测结果和所述设备故障标签计算交叉熵损失,并利用梯度下降法同时更新所述图像编码器、所述时序编码器和所述故障预测网络;
迭代地更新所述图像编码器、所述时序编码器和所述故障预测网络,响应于所述交叉熵损失小于设定损失值,或迭代次数大于设定次数,完成所述图像编码器、所述时序编码器和所述故障预测网络的训练。
8.一种基于物联网的油井设备故障检测系统,其特征在于,包括处理器和存储器,所述存储器存储有计算机程序指令,当所述计算机程序指令被所述处理器执行时实现根据权利要求1至7中任一项所述的基于物联网的油井设备故障检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311810288.4A CN117473429B (zh) | 2023-12-27 | 2023-12-27 | 基于物联网的油井设备故障检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311810288.4A CN117473429B (zh) | 2023-12-27 | 2023-12-27 | 基于物联网的油井设备故障检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117473429A CN117473429A (zh) | 2024-01-30 |
CN117473429B true CN117473429B (zh) | 2024-03-26 |
Family
ID=89624065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311810288.4A Active CN117473429B (zh) | 2023-12-27 | 2023-12-27 | 基于物联网的油井设备故障检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117473429B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109255134A (zh) * | 2017-07-12 | 2019-01-22 | 中国石油天然气股份有限公司 | 一种抽油机井故障情况的获取方法 |
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 |
CN111199090A (zh) * | 2018-10-31 | 2020-05-26 | 北京国双科技有限公司 | 一种故障识别方法及相关设备 |
WO2020242553A1 (en) * | 2019-05-29 | 2020-12-03 | Nec Laboratories America, Inc. | Failure prediction using gradient-based sensor identification |
CN114004151A (zh) * | 2021-10-29 | 2022-02-01 | 中国石油大学(华东) | 基于LSTM-VGGNet的抽油机井故障预测方法 |
CN115186904A (zh) * | 2022-07-13 | 2022-10-14 | 清华大学 | 基于Transformer的工业设备故障预测方法及装置 |
CN116522171A (zh) * | 2023-05-10 | 2023-08-01 | 昆明海丘东信息科技有限公司 | 一种基于大数据的电力现场故障分析方法及系统 |
CN117113139A (zh) * | 2023-08-11 | 2023-11-24 | 中国电信股份有限公司技术创新中心 | 故障检测模型的训练方法、装置、计算机设备和存储介质 |
-
2023
- 2023-12-27 CN CN202311810288.4A patent/CN117473429B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109255134A (zh) * | 2017-07-12 | 2019-01-22 | 中国石油天然气股份有限公司 | 一种抽油机井故障情况的获取方法 |
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 |
CN111199090A (zh) * | 2018-10-31 | 2020-05-26 | 北京国双科技有限公司 | 一种故障识别方法及相关设备 |
WO2020242553A1 (en) * | 2019-05-29 | 2020-12-03 | Nec Laboratories America, Inc. | Failure prediction using gradient-based sensor identification |
CN114004151A (zh) * | 2021-10-29 | 2022-02-01 | 中国石油大学(华东) | 基于LSTM-VGGNet的抽油机井故障预测方法 |
CN115186904A (zh) * | 2022-07-13 | 2022-10-14 | 清华大学 | 基于Transformer的工业设备故障预测方法及装置 |
CN116522171A (zh) * | 2023-05-10 | 2023-08-01 | 昆明海丘东信息科技有限公司 | 一种基于大数据的电力现场故障分析方法及系统 |
CN117113139A (zh) * | 2023-08-11 | 2023-11-24 | 中国电信股份有限公司技术创新中心 | 故障检测模型的训练方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
优化的BP网络在抽油井故障诊断中的应用研究;蒋琼等;计算机与现代化;20101215(12);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117473429A (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112379269B (zh) | 电池异常检测模型训练及其检测方法、装置 | |
Li et al. | A novel deep autoencoder and hyperparametric adaptive learning for imbalance intelligent fault diagnosis of rotating machinery | |
CN115018021B (zh) | 基于图结构与异常注意力机制的机房异常检测方法及装置 | |
CN114323644A (zh) | 一种齿轮箱故障诊断、信号采集方法、装置和电子设备 | |
CN113486578A (zh) | 一种工业过程中设备剩余寿命的预测方法 | |
CN114676121B (zh) | 基于多尺度时空记忆共享网络的缺失监测数据填补方法 | |
CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
CN116227586A (zh) | 基于深度残差收缩原型网络的元学习故障诊断方法及装置 | |
CN116186633A (zh) | 一种基于小样本学习的用电异常诊断方法和系统 | |
CN116975645A (zh) | 一种基于vae-mrcnn的工业过程软测量建模方法 | |
CN115017828A (zh) | 基于双向长短时记忆网络的电力电缆故障识别方法及系统 | |
CN114781709A (zh) | 测风数据插补方法及其装置及计算机可读存储介质 | |
CN117473429B (zh) | 基于物联网的油井设备故障检测方法及系统 | |
CN117056865B (zh) | 一种基于特征融合的机泵设备运行故障诊断方法及装置 | |
CN112348158B (zh) | 基于多参数深度分布学习的工业设备状态评估方法 | |
CN112633362B (zh) | 一种旋转机械自适应故障诊断方法、装置、设备及介质 | |
CN113935413A (zh) | 一种基于卷积神经网的配网录波文件波形识别方法 | |
CN115659844B (zh) | 基于风电场动态模型的仿真方法、装置和计算机设备 | |
CN112527547A (zh) | 一种基于自动卷积神经网络的机械智能故障预测方法 | |
CN112036496A (zh) | 一种核动力装置故障诊断方法及系统 | |
CN116432023A (zh) | 基于样本迁移学习的新型电力系统故障分类方法 | |
CN115374829A (zh) | 一种基于深度学习的轴承故障诊断方法及系统 | |
Ma et al. | A fault prediction framework for Doubly‐fed induction generator under time‐varying operating conditions driven by digital twin | |
CN113988395A (zh) | 基于SSD和双重注意力机制BiGRU的风电超短期功率预测方法 | |
CN118410306B (zh) | 一种滚动轴承故障跨设备深度域自适应迁移诊断方法 |
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 |