一种抽油机井实测电功图工况识别方法及系统技术方案

一种抽油机井实测电功图工况识别方法及系统，属于抽油机井工况识别技术领域

【技术实现步骤摘要】
一种抽油机井实测电功图工况识别方法及系统


[0001]本专利技术涉及抽油机井工况识别
，特别涉及一种抽油机井实测电功图工况识别方法及系统
。

技术介绍

[0002]目前在抽油机井工况诊断识别中，多数都是基于示功图诊断识别技术的，主要是利用泵示功图或地面示功图结合人工智能方法来进行工况诊断识别
。
这种工况诊断识别技术在抽油机井生产中取得了较好成效，但还存在一定局限性：（1）示功图数据采集设备较昂贵，且需要停机安装，会影响正常生产；（2）长时间运行后采集设备传感器会出现零点漂移现象，造成采集数据的不稳定可靠，从而会影响工况识别模型鲁棒性；（3）受阻尼系数问题影响，通过模型计算得到的泵示功图会影响特征参数值精度计算，从而会影响工况识别效果
。
[0003]针对上述基于示功图工况诊断识别技术局限性，考虑到电参数具有易采集
、
采集设备低廉
、
采集数据稳定可靠等特点，很多技术研究人员对基于电参数的工况诊断识别技术开展了一系列研究
。
该技术主要是利用电功图（模型计算得到）或实测电参数结合人工智能方法进行工况诊断识别
。
这种工况诊断识别技术在抽油机井生产中取得了一定成效，但也存在一定局限性：（1）受“除零”问题（由抽油机四连杆工作机理产生）影响，在通过模型计算得到电功图
、
对实测电参数信号进行特征提取
、
利用实测电参数反演得到悬点示功图这三种方式进行工况诊断识别时，特征参数值精度计算都会受到影响，从而会影响工况识别效果；（2）目前电参数信号特征提取方法主要是基于机理分析
、
先验知识和专家经验，这种以人为设计特征为主的方式也会影响工况识别效果
。
这些局限性制约了基于电参数的工况诊断识别技术的工程实际应用
。

技术实现思路

[0004]本专利技术要解决的技术问题是：克服现有技术的不足，提供一种充分利用大数据生产环境下抽油机井采油生产系统采集和存储的海量实测电功图数据，引入离散小波变换替代残差卷积神经网络的最大
/
平均池化，有效集成多头注意力机制和小波池化残差卷积神经网络建立工况识别模型，从而突破现有基于电参数的工况诊断识别的技术瓶颈，工程实用性强，系统研制成本低，具有较好推广应用价值的一种抽油机井实测电功图工况识别方法及系统
。
[0005]本专利技术解决其技术问题所采用的技术方案是：该抽油机井实测电功图工况识别方法，其特征在于：包括如下步骤，步骤
1001
，获取采集实测电功图数据，并将实测电功图数据进行存储；步骤
1002
，通过在线几何数据增强方法对实测电功图进行动态扩充；步骤
1003
，引入离散小波变换替代残差卷积神经网络的最大
/
平均池化；步骤
1004
，利用多头注意力机制最大化有效提取实测电功图特征信息；
步骤
1005
，建立基于多头注意力机制和小波池化残差卷积神经网络的电功图工况识别模型；步骤
1006
，通过电功图工况识别模型对待识别的抽油机井工况进行分类识别
。
[0006]优选的，在步骤
1001
中，实测电功图是一个抽汲周期内由光杆位移作为横坐标，电机有功功率作为纵坐标绘制成的二值图像
。
[0007]优选的，步骤
1002
包括如下步骤：步骤
1002
‑1，定义旋转
、
缩放
、
膨胀三种几何操作并整合成数据增强函数；步骤
1002
‑2，在实测电功图样本处理类中嵌入步骤
1002
‑1整合而成的数据增强函数；步骤
1002
‑3，在每个训练轮次执行前重新定义并获取训练集迭代器，让每个轮次的电功图样本执行不同的数据增强操作，对实测电功图样本动态扩充
。
[0008]优选的，步骤
1003
包括如下步骤：步骤
1003
‑1，选定小波基函数后，对电功图的特征图执行小波分解操作，特征图数据被分解成不同尺度的近似系数和细节系数，对应原始信号的低频信号和高频信号；步骤
1003
‑2，对小波分解得到的信号执行重构操作，使低频信号与高频信号不同方向的系数相加；步骤
1003
‑3，小波分解与小波信号重构结合替代残差卷积神经网络的最大
/
平均池化，实现小波池化
。
[0009]优选的，步骤
1004
包括如下步骤：步骤
1004
‑1，对于每个注意力头，通过卷积层将输入的特征图信息转换为查询向量
、
键向量
、
值向量，通过计算查询向量和键向量之间的关联得到权重，之后使用权重对值向量进行加权平均，得到输出结果；步骤
1004
‑2，连接多个并行的注意力头的输出，通过线性转换得到预期的输出维度，实现多头注意力机制
。
[0010]优选的，在执行步骤
1005
时：选取实测电功图作为训练样本集，使用
Bottleneck
构造不同层次的残差卷积神经网络，引入基于离散小波变换的小波分解和小波重构替代残差卷积神经网络中的最大
/
平均池化，实现小波池化；在残差卷积神经网络的四个残差卷积层之后引入多头注意力机制模块，对电功图特征信息进行进一步提取；执行不同的训练轮次前对电功图训练样本执行在线几何数据增强；不同层次的残差卷积神经网络所训练的模型中综合准确率和损失选取最优模型作为电功图工况识别模型
。
[0011]一种抽油机井实测电功图工况识别系统，其特征在于：包括：工况样本库存储模块，用于获取抽油机井工况样本信息；工况样本库处理模块，其输入端与工况样本库存储模块的输出端相连，用于通过从工况样本库存储模块中获取的光杆位移和电机有功功率批量绘制二值电功图；工况识别模型构建模块，其输入端与工况样本库处理模块的输出端相连，设置有基于多头注意力机制和小波池化残差卷积神经网络的工况识别模型，每个训练轮次都通过在线几何数据增强获取不同的电功图训练样本；以及工况识别模块，其输入端与工况识别模型构建模块的输出端相连，用于通过工况识别模型对待识别的抽油机井工况进行分类识别
。
[0012]与现有技术相比，本专利技术所具有的有益效果是：通过本抽油机井实测电功图工况识别方法及系统，充分利用大数据生产环境下抽油机井采油生产系统采集和存储的海量实测电功图数据，引入离散小波变换替代残差卷积神经网络的最大
/
平均池化，有效集成多头注意力机制和小波池化残差卷积神经网络建立工况识别模型，从而突破现有基于电参数的工况诊断识别的技术瓶颈，工程实用性强，系统研制成本低，具有较好的推广应用价值<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种抽油机井实测电功图工况识别方法，其特征在于：包括如下步骤，步骤
1001
，获取采集实测电功图数据，并将实测电功图数据进行存储；步骤
1002
，通过在线几何数据增强方法对实测电功图进行动态扩充；步骤
1003
，引入离散小波变换替代残差卷积神经网络的最大
/
平均池化；步骤
1004
，利用多头注意力机制最大化有效提取实测电功图特征信息；步骤
1005
，建立基于多头注意力机制和小波池化残差卷积神经网络的电功图工况识别模型；步骤
1006
，通过电功图工况识别模型对待识别的抽油机井工况进行分类识别
。2.
根据权利要求1所述的抽油机井实测电功图工况识别方法，其特征在于：在步骤
1001
中，实测电功图是一个抽汲周期内由光杆位移作为横坐标，电机有功功率作为纵坐标绘制成的二值图像
。3.
根据权利要求1所述的抽油机井实测电功图工况识别方法，其特征在于：步骤
1002
包括如下步骤：步骤
1002
‑1，定义旋转
、
缩放
、
膨胀三种几何操作并整合成数据增强函数；步骤
1002
‑2，在实测电功图样本处理类中嵌入步骤
1002
‑1整合而成的数据增强函数；步骤
1002
‑3，在每个训练轮次执行前重新定义并获取训练集迭代器，让每个轮次的电功图样本执行不同的数据增强操作，对实测电功图样本动态扩充
。4.
根据权利要求1所述的抽油机井实测电功图工况识别方法，其特征在于：步骤
1003
包括如下步骤：步骤
1003
‑1，选定小波基函数后，对电功图的特征图执行小波分解操作，特征图数据被分解成不同尺度的近似系数和细节系数，对应原始信号的低频信号和高频信号；步骤
1003
‑2，对小波分解得到的信号执行重构操作，使低频信号与高频信号不同方向的系数相加；步骤
...

【专利技术属性】
技术研发人员：周斌，杨硕，赵玮玮，杨建国，
申请(专利权)人：山东理工大学，
类型：发明
国别省市：