【技术实现步骤摘要】
本专利技术涉及大数据分析与知识图谱应用，提供一种基于知识驱动的多参数电泵井工况智能诊断方法。
技术介绍
1、电潜泵作为一种机械采油设备，具有排量大、井下工作寿命长、地面工艺简单、管理方便、经济效益明显等特点，这些年在油田上得到了广泛的应用。但在电潜泵的使用上，往往由于选泵不当、供液不足、泵或油管漏、油管堵塞等原因，造成电泵井的系统效率不高。
2、为了确保电泵井的平稳正常高效运行，有必要及时把握电泵井生产运行状态，认真分析影响电泵井平稳高效运行的因素，及时提出调整方案，使得能源得到合理利用，提高油田经济效益。
3、目前电泵井的工况诊断是利用电潜泵的机理知识进行人工工况诊断。电潜泵本身具有工作属性和工作原理，油田工作人员通过读取电潜泵的各种生产参数，结合泵的工作特性曲线和工作人员的历史经验，分析工况内容和原因，以及时做出相应处置。该方法受工作人员主观经验影响较大，且需要综合大量参数，若参数不准确或者不能及时获取，则会影响工况诊断结果。
4、知识图谱，是通过将应用数学、图形学、信息可视化技术、信息科学等学科的理论与方法与计量学引文分析、共现分析等方法结合，并利用可视化的图谱形象地展示学科的核心结构、发展历史、前沿领域以及整体知识架构达到多学科融合目的的现代理论。
5、知识图谱能够帮助企业自动构建行业图谱，摆脱原始的人工输入，可以应用于智能搜索、文本分析、机器阅读理解、异常监控、风险控制等场景，达到真正的智能和自动。
技术实现思路
1、本专利
2、为了实现上述目的，本专利技术采用了如下技术方案：
3、一种基于知识驱动的多参数电泵井工况智能诊断方法，包括获取电潜泵相关知识要素，利用所述电潜泵相关知识要素构建电潜泵生产及运维知识图谱；从所述电潜泵生产及运维知识图谱中抽取电潜泵故障相关知识要素，构建电潜泵故障知识图谱；通过所述电潜泵生产及运维知识图谱和电潜泵故障知识图谱构建电潜泵故障分类模型；将分类模型接入油井实时参数数据库，依据实时生产数据对电潜泵生产及故障状态进行动态检测。
4、优选的，所述知识要素包括油田工作人员的历史经验、石油工程领域的专家知识、电潜泵工况诊断的相关文献、采油厂海上平台电泵井实际生产及运维案例。
5、优选的，所述电潜泵故障知识图谱的构建还包括从历史生产信息中抽取电潜泵故障相关知识要素。
6、优选的，所述电潜泵故障分类模型利用xgboost决策树构建。
7、优选的，包括如下具体步骤：
8、s1，依据油田工作人员的历史经验、石油工程领域的专家知识、电潜泵工况诊断的相关文献、采油厂海上平台电泵井实际生产及运维案例进行大数据智能分析及挖掘，建立电潜泵生产及运维知识图谱；
9、s2，依据s1中建立的电潜泵生产及运维知识图谱和历史生产信息，采用双向长短期记忆网络和注意力机制对其进行实体抽取和关系抽取，基于模式识别方法获得电潜泵故障信息模式，从而建立电潜泵故障知识图谱；
10、s3，基于电潜泵生产及运维知识图谱和电潜泵故障知识图谱，对各节点及属性进行处理，使用xgboost决策树建立电潜泵故障分类模型；
11、s4，将分类模型接入油井实时参数数据库，依据实时生产数据对电潜泵生产及故障状态进行动态检测。
12、优选的，所述步骤s1包括：
13、知识抽取：通过bert-gru-crf模型从油田工作人员的历史经验、石油工程领域的专家知识、电潜泵工况诊断的相关文献、采油厂海上平台电泵井实际生产及运维案例中提取出电潜泵相关实体、关系、属性的知识要素，得到动力电缆、安全阀、油气分离器、泵的实体；
14、知识融合：通过知识融合来消除指称项与事实对象之间的歧义，使不同来源的电潜泵知识要素能够得到规范化整合；
15、知识推理：以已有电潜泵知识库为基础，利用知识推理进一步挖掘其中隐含的知识要素，扩展电潜泵知识要素。
16、优选的，所述步骤(1)首先通过bert模型进行预训练得到计算机可理解的低维向量，其次将词向量输入双向gru-crf神经网络模型提取语义特征信息。
17、优选的，所述步骤(2)采用贝叶斯网络结构学习方法对所有证据理论进行综合，确定其中的部分因果关系，去除其中无意义的因果关系，然后利用学习算法进行学习。
18、优选的，所述步骤(3)采用rough理论对规则的粒度进行客观刻画，在此基础上采用距离概念构造刻画规则相近性的规则距离公式，并在公式中引入rough理论的属性重要性算子，然后在分析传统冲突消解策略的基础上，进行规则集进化。
19、优选的，所述步骤s3具体包括：使用xgboost决策树对s2中得到的实体、关系增加权重，目标函数如下式(1)所示：
20、
21、其中n为样本个数，xi表示第i个样本，yi和为第i个样本的真实值和观测值；k为基学习器的个数，fk表示第k个基学习器，可以看成从样本点到分数的映射；θ为模型参数，为损失函数，ω(fk)为正则项。
22、本专利技术利用大数据分析、智能处理、知识图谱等算法进行工况诊断。主要方法是利用历史工况数据及电潜泵实时运行参数，进行大数据智能分析及挖掘，发现其潜在特征，并基于此建立机器学习模型或知识图谱模型，从而实现工况智能诊断。该方法不需要人工参与，模型可自主学习历史数据并找到对应关系，准确率较高，能够获得的有益效果是：
23、①分析电潜泵工况建立以潜油电泵工况为本体的知识图谱，形成预测失效的定性和定量方法，为电潜泵工况调查、优化生产参数、组织预测性维护提供有效依据。
24、②基于规则的知识推理可以建立电泵井数据资料的甄别模型，可以发现数据错误和缺失，为电潜泵后续生产管理提供真实准确的数据。
25、③基于实体推理的潜油电泵多参数诊断模型，能够在电潜泵数据发生变化后自动进行工况诊断分析，及时发现突发停机、气锁、泵抽空、过载停机等10多种常见工况。
本文档来自技高网...【技术保护点】
1.一种基于知识驱动的多参数电泵井工况智能诊断方法，包括获取电潜泵相关知识要素，其特征在于，利用所述电潜泵相关知识要素构建电潜泵生产及运维知识图谱；从所述电潜泵生产及运维知识图谱中抽取电潜泵故障相关知识要素，构建电潜泵故障知识图谱；通过所述电潜泵生产及运维知识图谱和电潜泵故障知识图谱构建电潜泵故障分类模型；将分类模型接入油井实时参数数据库，依据实时生产数据对电潜泵生产及故障状态进行动态检测。
2.根据权利要求1所述的一种基于知识驱动的多参数电泵井工况智能诊断方法，其特征在于，所述知识要素包括油田工作人员的历史经验、石油工程领域的专家知识、电潜泵工况诊断的相关文献、采油厂海上平台电泵井实际生产及运维案例。
3.根据权利要求2所述的一种基于知识驱动的多参数电泵井工况智能诊断方法，其特征在于，所述电潜泵故障知识图谱的构建还包括从历史生产信息中抽取电潜泵故障相关知识要素。
4.根据权利要求3所述的一种基于知识驱动的多参数电泵井工况智能诊断方法，其特征在于，所述电潜泵故障分类模型利用XGBoost决策树构建。
5.根据权利要求4所述的一种基于
6.根据权利要求5所述的一种基于知识驱动的多参数电泵井工况智能诊断方法，其特征在于，所述步骤S1包括：
7.根据权利要求6所述的一种基于知识驱动的多参数电泵井工况智能诊断方法，其特征在于，所述步骤(1)首先通过BERT模型进行预训练得到计算机可理解的低维向量，其次将词向量输入双向GRU-CRF神经网络模型提取语义特征信息。
8.根据权利要求6所述的一种基于知识驱动的多参数电泵井工况智能诊断方法，其特征在于，所述步骤(2)采用贝叶斯网络结构学习方法对所有证据理论进行综合，确定其中的部分因果关系，去除其中无意义的因果关系，然后利用学习算法进行学习。
9.根据权利要求6所述的一种基于知识驱动的多参数电泵井工况智能诊断方法，其特征在于，所述步骤(3)采用Rough理论对规则的粒度进行客观刻画，在此基础上采用距离概念构造刻画规则相近性的规则距离公式，并在公式中引入Rough理论的属性重要性算子，然后在分析传统冲突消解策略的基础上，进行规则集进化。
10.根据权利要求5所述的一种基于知识驱动的多参数电泵井工况智能诊断方法，其特征在于，所述步骤S3具体包括：使用XGBoost决策树对S2中得到的实体、关系增加权重，目标函数如下式(1)所示：
...【技术特征摘要】
1.一种基于知识驱动的多参数电泵井工况智能诊断方法，包括获取电潜泵相关知识要素，其特征在于，利用所述电潜泵相关知识要素构建电潜泵生产及运维知识图谱；从所述电潜泵生产及运维知识图谱中抽取电潜泵故障相关知识要素，构建电潜泵故障知识图谱；通过所述电潜泵生产及运维知识图谱和电潜泵故障知识图谱构建电潜泵故障分类模型；将分类模型接入油井实时参数数据库，依据实时生产数据对电潜泵生产及故障状态进行动态检测。
2.根据权利要求1所述的一种基于知识驱动的多参数电泵井工况智能诊断方法，其特征在于，所述知识要素包括油田工作人员的历史经验、石油工程领域的专家知识、电潜泵工况诊断的相关文献、采油厂海上平台电泵井实际生产及运维案例。
3.根据权利要求2所述的一种基于知识驱动的多参数电泵井工况智能诊断方法，其特征在于，所述电潜泵故障知识图谱的构建还包括从历史生产信息中抽取电潜泵故障相关知识要素。
4.根据权利要求3所述的一种基于知识驱动的多参数电泵井工况智能诊断方法，其特征在于，所述电潜泵故障分类模型利用xgboost决策树构建。
5.根据权利要求4所述的一种基于知识驱动的多参数电泵井工况智能诊断方法，其特征在于，包括如下具体步骤：
6.根...
【专利技术属性】
技术研发人员：袁向兵，杨宝山，陆友明，韩倩倩，高竟诚，庞玉林，王元胜，孔敏，惠新敬，
申请(专利权)人：中国石油化工股份有限公司，
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。