本申请实施例提供一种信息处理方法、装置、设备及介质，包括：获取注水泵在第一预设时间内的注水泵运行信息，注水泵运行信息包括多个采样信号；基于故障诊断模型对注水泵运行信息进行分类计算，以得到与注水泵运行信息对应的注水泵运行状态；其中，故障诊断模型包括多个模型参数，多个模型参数是损失函数基于训练样本对预设故障诊断模型进行训练后得到的，损失函数是基于注水泵运行状态对应的训练样本的样本数量进行加权处理后得到的函数。本申请实施例，可以准确地确定注水泵是否发生故障。可以准确地确定注水泵是否发生故障。可以准确地确定注水泵是否发生故障。
【技术实现步骤摘要】
信息处理方法、装置、设备及介质
[0001]本申请属于信息处理
，尤其涉及一种信息处理方法、装置、设备及介质。
技术介绍
[0002]注水泵是油田注水生产中的主要设备，其对石油开采作业具有重要影响。然而在注水泵作业过程中，注水井的注水压力较高、回注污水的水温过高、水质较差、腐蚀性较强、负载较大以及工况恶劣等情况都可能会导致注水泵出现故障。为了避免由于注水泵出现故障而造成不必要的损失，需要实时监测注水泵的运行状态，以便及时确定注水泵是否发生故障。
[0003]然而现有技术中，一般是工人依靠相关经验对注水泵运行状态进行确定，以进而判断注水泵是否发生故障、发生何种故障，或是基于专家系统划分的故障阈值对注水泵运行信息进行监测，以对注水泵是否发生故障进行判断。但上述方法均无法准确判断注水泵是否发生故障。
技术实现思路
[0004]本申请实施例提供一种信息处理方法、装置、设备及介质，可以准确地确定注水泵是否发生故障。
[0005]第一方面，本申请实施例提供一种信息处理方法，方法包括：获取注水泵在第一预设时间内的注水泵运行信息，注水泵运行信息包括多个采样信号；基于故障诊断模型对注水泵运行信息进行分类计算，以得到与注水泵运行信息对应的注水泵运行状态；其中，故障诊断模型包括多个模型参数，多个模型参数是损失函数基于训练样本对预设故障诊断模型进行训练后得到的，损失函数是基于与多个注水泵运行状态分别对应的训练样本的样本数量进行加权处理后得到的函数。
[0006]在第一方面的一种可选的实施方式中，损失函数满足如下公式：
[0007]其中，是模型估计样本的概率，表示训练样本属于第类的概率分布，，表示训练样本属于第类的概率分布是第类训练样本的实际样本数，是第类训练样本的有效样本数且为实际样本数的指数函数，是一个控制权重的超参数。
[0008]在第一方面的一种可选的实施方式中，故障诊断模型包括卷积神经网络，卷积神经网络的包括至少一个第一卷积层、一个池化层和一个SoftMax层，第一卷积层包括多个互
相并列的第二卷积层，多个第二卷积层的尺寸互不相同。
[0009]在第一方面的一种可选的实施方式中，在基于故障诊断模型对注水泵运行信息进行分类计算，以得到与注水泵运行信息对应的注水泵运行状态之前，方法还包括：获取训练样本集，训练样本集包括多个训练样本及其每一训练样本对应的标签运行状态，训练样本包括注水泵运行信息样本；针对每一训练样本，执行如下操作：基于预设故障诊断模型对训练样本进行分类计算，以得到与训练样本对应的参考运行状态；根据目标训练样本的参考运行状态和目标训练样本的标签运行状态，确定预设故障诊断模型的损失函数值，目标训练样本是多个训练样本中的任一个；基于预设故障诊断模型的损失函数值，利用训练样本训练预设故障诊断模型，得到训练后的故障诊断模型。
[0010]在第一方面的一种可选的实施方式中，在获取训练样本集之前，方法还包括：获取注水泵分别在多个第二预设时间内的原始注水泵运行信息样本，第二预设时间大于第一预设时间；针对多个第二预设时间内的原始注水泵运行信息样本中的任一个，按照滑动时间窗口算法对原始注水泵运行信息样本进行划分，得到与每个原始注水泵运行信息样本对应的多个注水泵运行信息样本。
[0011]第二方面，本申请实施例提供了一种信息处理装置，该装置包括：获取模块，用于获取注水泵在第一预设时间内的注水泵运行信息，注水泵运行信息包括多个采样信号；分类计算模块，用于基于故障诊断模型对注水泵运行信息进行分类计算，以得到与注水泵运行信息对应的注水泵运行状态；其中，故障诊断模型包括多个模型参数，多个模型参数是损失函数基于训练样本对预设故障诊断模型进行训练后得到的，损失函数是基于与多个注水泵运行状态分别对应的训练样本的样本数量进行加权处理后得到的函数。
[0012]在第二方面的一种可选的实施方式中，故障诊断模型包括卷积神经网络，卷积神经网络的包括至少一个第一卷积层、一个池化层和一个SoftMax层，第一卷积层包括多个互相并列的第二卷积层，多个第二卷积层的尺寸互不相同。
[0013]第三方面，提供一种电子设备，包括：存储器，用于存储计算机程序指令；处理器，用于读取并运行存储器中存储的计算机程序指令，以执行第一方面中的任一可选的实施方式提供的信息处理方法。
[0014]第四方面，提供一种计算机存储介质，计算机存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现第一方面中的任一可选的实施方式提供的信息处理方法。
[0015]第五方面，提供一种计算机程序产品，计算机程序产品中的指令由电子设备的处理器执行时，使得电子设备执行实现第一方面中的任一可选的实施方式提供的信息处理方法。
[0016]在本申请实施例中，可以获取注水泵在第一预设时间内的注水泵运行信息，进而
可以基于故障诊断模型对获取到的注水泵运行信息进行分类计算，以得到与该注水泵运行信息对应的注水泵运行状态。由于上述涉及到的故障诊断模型可以包括多个模型参数，且多个模型参数是损失函数基于训练样本对预设故障诊断模型进行训练后得到的，而该损失函数是基于与多个注水泵运行状态分别对应的训练样本的样本数量进行加权处理后得到的函数。如此，在训练预设故障诊断模型的过程中，考虑到了各类训练样本数量不平衡的情况，可以得到更加准确的故障诊断模型，进而可以基于故障诊断模型输出的注水泵运行状态准确地确定注水泵是否出现故障以及故障类型。
附图说明
[0017]为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单的介绍，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。
[0018]图1是本申请实施例提供的一种信息处理方法中的故障诊断模型的训练流程示意图；图2是本申请实施例提供的一种预设故障诊断模型在改进前的结构示意图；图3是本申请实施例提供的一种改进后的预设故障诊断模型在改进后的结构示意图；图4是本申请实施例提供的一种信息处理方法的流程示意图；图5是本申请实施例提供的不同神经网络的损失曲线示意图；图6是本申请实施例提供的一种信息处理装置的结构示意图；图7是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
[0019]下面将详细描述本申请的各个方面的特征和示例性实施例，为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本申请进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本申请，而不是限定本申请。对于本领域技术人员来说，本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
[0020]需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种信息处理方法，其特征在于，所述方法包括：获取注水泵在第一预设时间内的注水泵运行信息，所述注水泵运行信息包括多个采样信号；基于故障诊断模型对所述注水泵运行信息进行分类计算，以得到与所述注水泵运行信息对应的注水泵运行状态；其中，所述故障诊断模型包括多个模型参数，所述多个模型参数是损失函数基于训练样本对预设故障诊断模型进行训练后得到的，所述损失函数是基于与多个注水泵运行状态分别对应的训练样本的样本数量进行加权处理后得到的函数。2.根据权利要求1所述的方法，其特征在于，所述损失函数满足如下公式：其中，是模型估计样本的概率，表示训练样本属于第类的概率分布，，表示训练样本属于第类的概率分布是第类训练样本的实际样本数，是第类训练样本的有效样本数且为实际样本数的指数函数，是一个控制权重的超参数。3.根据权利要求1所述的方法，其特征在于，所述故障诊断模型包括卷积神经网络，所述卷积神经网络包括至少一个第一卷积层、一个池化层和一个SoftMax层，所述第一卷积层包括多个互相并列的第二卷积层，多个第二卷积层的尺寸互不相同。4.根据权利要求1所述的方法，其特征在于，在所述基于故障诊断模型对所述注水泵运行信息进行分类计算，以得到与所述注水泵运行信息对应的注水泵运行状态之前，所述方法还包括：获取训练样本集，所述训练样本集包括多个训练样本及其每一训练样本对应的标签运行状态，所述训练样本包括注水泵在第二预设时间内的注水泵运行信息样本；针对每一训练样本，执行如下操作：基于预设故障诊断模型对所述训练样本进行分类计算，以得到与所述训练样本对应的参考运行状态；根据目标训练样本的参考运行状态和所述目标训练样本的标签运行状态，确定预设故障诊断模型的损失函数值，所述目标训练样本是所述多个训练样本中的任一个；基于所述预设故障诊断模型的损失函数值，...
【专利技术属性】
技术研发人员：吴新涛，
申请(专利权)人：嘉洋智慧安全科技北京股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。