System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及石油开采,特别是涉及到一种基于多传感器融合卷积神经网络的潜油电泵故障诊断方法。
技术介绍
1、随着我国对油田的深度开发,涉及的设备种类越来越多样化,不少设备在油田开发中都发挥着重要的作用,常规机械采油分为两类:一是以游梁式抽油机和螺杆泵为主的有杆举升,占90%左右;二是以大排量潜油电泵为代表的无杆举升,占比很小。开发后期,定向井、大斜度井、小排量油井逐步增多,井眼轨迹复杂,常规举升方式一次性投资大、杆管偏磨严重、无效能耗高、下泵深度受限、管理维护工作量大。
2、潜油电泵具有极强的应用优势,有着高扬程和大排量的特点,大排量采液是这种采油方法的主要优点。这种泵操作简单,管理方便,有利于美化环境、减少噪音,能够较好地运用于斜井、水平井以及海上采油。潜油电泵的组成成分较为复杂,主要包括潜油多级离心泵、油气分离器、保护器和潜油电机等。
3、潜油电机作为潜油电泵最关键的动力组成,因其复杂机械结构、高温高压等恶劣运行环境,在使用一段时间后其内部组成零件更加容易产生机械损伤。一旦产生零件表面失效、断裂损伤等,极易导致发动机产生巨大的振动和噪声、降低运行效率,严重则致使整个机组的损坏,造成巨大的经济损失。未能实时、准确地检测该故障的发生,将对井下作业的安全性和效率产生巨大隐患。因此,如何监测潜油电机运行状态,及时准确地诊断故障信息并预测,对于井下安全保障具有重大的研究意义。在内外多种干扰情况下产生的机械故障采取传统的基于物理机理和信号分析的方法难以准确识别且耗时耗力。
4、在申请号:cn20211
5、在申请号:cn201811226477.6的中国专利申请中,涉及到一种基于卷积神经网络的电潜泵井工况智能诊断方法,具有如下步骤:a、基于卷积神经网络,搭建电潜泵井工况智能诊断系统;b、将电潜泵井生产现场采集到的电流卡片输入工况智能诊断系统,应用搭建好的卷积神经网络诊断工况;c、电潜泵井工况诊断卷积神经网络的强化学习与更新,根据诊断结果更新卷积神经网络诊断方法。该专利技术基于当前图像智能识别领域,构建一种基于卷积神经网络的电潜泵井工况智能诊断方法,以解决传统电流卡片分析法受主观因素影响,容易造成误判,提取故障特征损失大量有效的信息,增加判断误差的问题,以此避免特征提取过程损失的大量有效信息和人的主观判断对诊断结果的影响。
6、在申请号:cn202010868582.0的中国专利申请中,涉及到潜油电泵机组监测和故障预测装置,包括:井下装置实时采集潜油电泵机组的当前运行状态信息,将当前运行状态信息输入至灰色预测神经网络模型,得到预测的潜油电泵机组的下一周期振动加速度数据,当下一个周期的振动加速度数据超过振动加速度阈值,则将本周期的所有振动加速度数据进行压缩处理,并将压缩后的振动加速度数据发送至井上装置。井上装置将获取的压缩后的振动加速度数据进行解压缩后得到本周期内的所有振动加速度数据,发送至上位机。上位机根据获取的本周期的所有振动加速度数据,并对潜油电泵机组进行故障预测分析。通过该专利技术不仅实现了潜油电泵机组的运行状态监测,而且对运行状态进行预测性分析。
7、在申请号:cn202011427227.6的中国专利申请中,涉及到一种电潜泵生产井故障智能诊断方法,属于石油和天然气工业设备故障诊断领域,其特征在于,包括以下步骤:a、采集电流卡片样本,进行故障类型标注;b、对电流卡片进行预处理;c、设计基于注意力机制的卷积神经网络算法模型;d、调用基于注意力机制的卷积神经网络算法模型的推理接口,对电流卡片进行诊断,进行设备诊断专家确认和纠正;e、返回纠正的事例数据,进行基于注意力机制的卷积神经网络算法模型的更正训练,重复步骤c-e。该专利技术通过在卷积网络基础网络上并接注意力网络,重点关注电流卡片中的异常信息,增强异常信息的重要程度,赋予较重的权重,从而提取电流卡片中的显著特征,进而提高分类预测的效果。
8、以上现有技术均与本专利技术有较大区别,未能解决我们想要解决的技术问题,为此我们专利技术了一种新的基于多传感器融合卷积神经网络的潜油电泵故障诊断方法。
技术实现思路
1、本专利技术的目的是提供一种将深度学习算法用于潜油电泵旋转机械的故障诊断中,促进了人工智能技术在石油开采故障诊断与智能运维领域的应用的基于多传感器融合卷积神经网络的潜油电泵故障诊断方法。
2、本专利技术的目的可通过如下技术措施来实现:基于多传感器融合卷积神经网络的潜油电泵故障诊断方法,该基于多传感器融合卷积神经网络的潜油电泵故障诊断方法包括:
3、步骤1,对轴承原始时域振动信号中的源域数据和目标域数据进行数据预处理;
4、步骤2,在离线训练过程中,将处理好的源域数据置入搭建好的1d-cnn模型进行训练;
5、步骤3,将目标域数据输入网络模型,通过1d-cnn进行特征提取,最终输出故障诊断结果。
6、本专利技术的目的还可通过如下技术措施来实现:
7、在步骤1,搭建实验采集不同故障状态下,潜油电机机体不同位置的振动信号以及电压和井口温度,仿真模拟实验平台测得的滚动轴承振动信号、电压以及井口温度作为源域,在线监测系统获取滚动轴承振动信号、电压以及井口温度作为目标域。
8、在步骤1,对轴承原始时域振动信号中的源域数据即离线数据和目标域数据即在线数据进行数据预处理,构建多通道一维波数据集。
9、在步骤1,进行的数据预处理包括归一化、切片、标签化。
10、在步骤1,构建的多通道一维波数据集包括源域样本集和目标域样本集。
11、在步骤2,提出基于多传感器信息融合和1d-cnn的潜油电泵故障诊断模型,对潜油电泵旋转机械部分的轴承进行故障诊断和分析,采用随机初始化的方式对每个参数都随机初始,使得不同神经元之间的区分性更好。
12、在步骤2,典型1d-cnn网络结构主要包括输入层、卷积层、池化层、全连接层和输出层;1d-cnn的输入为多通道一维信号数据,卷积运算后,激活函数对每次卷积的逻辑值输出进行非线性变换,将原本线性不可分的多维特征变换到另一个空间,增强这些特征的线性可分性。
13、在步骤2,池化层的目的是减少网络参数,通过下采样缩小数据长度,以减少计算量,采用最大池化或平均池化,取感知域的最大值或平均值作为输出特征映射;全连本文档来自技高网...
【技术保护点】
1.基于多传感器融合卷积神经网络的潜油电泵故障诊断方法,其特征在于,该基于多传感器融合卷积神经网络的潜油电泵故障诊断方法包括:
2.根据权利要求1所述的基于多传感器融合卷积神经网络的潜油电泵故障诊断方法,其特征在于,在步骤1,搭建实验采集不同故障状态下,潜油电机机体不同位置的振动信号以及电压和井口温度,仿真模拟实验平台测得的滚动轴承振动信号、电压以及井口温度作为源域,在线监测系统获取滚动轴承振动信号、电压以及井口温度作为目标域。
3.根据权利要求2所述的基于多传感器融合卷积神经网络的潜油电泵故障诊断方法,其特征在于,在步骤1,对轴承原始时域振动信号中的源域数据即离线数据和目标域数据即在线数据进行数据预处理,构建多通道一维波数据集。
4.根据权利要求3所述的基于多传感器融合卷积神经网络的潜油电泵故障诊断方法,其特征在于,在步骤1,进行的数据预处理包括归一化、切片、标签化。
5.根据权利要求3所述的基于多传感器融合卷积神经网络的潜油电泵故障诊断方法,其特征在于,在步骤1,构建的多通道一维波数据集包括源域样本集和目标域样本集。
7.根据权利要求6所述的基于多传感器融合卷积神经网络的潜油电泵故障诊断方法,其特征在于,在步骤2,典型1D-CNN网络结构主要包括输入层、卷积层、池化层、全连接层和输出层;1D-CNN的输入为多通道一维信号数据,卷积运算后,激活函数对每次卷积的逻辑值输出进行非线性变换,将原本线性不可分的多维特征变换到另一个空间,增强这些特征的线性可分性。
8.根据权利要求7所述的基于多传感器融合卷积神经网络的潜油电泵故障诊断方法,其特征在于,在步骤2,池化层的目的是减少网络参数,通过下采样缩小数据长度,以减少计算量,采用最大池化或平均池化,取感知域的最大值或平均值作为输出特征映射;全连接层将最后一个池化层的输出展开为一维向量,作为其输入,随后在输入和输出间建立全连接网络,整合卷积层或池化层已区分的局部信息;输出层使用softmax分类器来分辨标签,其输出结果为各类别的概率值,取最大的概率值对应的标签为识别结果。
9.根据权利要求8所述的基于多传感器融合卷积神经网络的潜油电泵故障诊断方法,其特征在于,在步骤2,将处理好的源域数据置入搭建好的1D-CNN模型进行预训练;潜油电泵一维振动信号输入该网络,可经过卷积-池化操作进行潜在特征挖掘,进而输出其故障识别结果,避免了将信号转化为时频图再进行卷积操作的繁琐。
10.根据权利要求9所述的基于多传感器融合卷积神经网络的潜油电泵故障诊断方法,其特征在于,在步骤2,采取在不同位置和方向布置传感器来充分捕捉潜油电泵系统的故障信息;多传感器信息融合的原理是将不同传感器视为不同通道,输入数据为若干条一维多通道波信号,进行两端全零填充;卷积核的滑动窗口也为一维多通道,分别对数据的各通道进行卷积操作,所得特征映射经最大/平均池化,最后经Flatten层压平,将数据转化为单通道一维波,置入Softmax分类层进行分类。
11.根据权利要求10所述的基于多传感器融合卷积神经网络的潜油电泵故障诊断方法,其特征在于,在步骤2,利用误差反向传播算法计算神经网络训练过程的梯度,它能够计算损失函数对网络中所有模型参数的梯度,这个梯度会反馈给学习算法,根据收敛情况重新训练、更新权值,最小化损失函数,最终保存训练好的源域模型参数。
12.根据权利要求1所述的基于多传感器融合卷积神经网络的潜油电泵故障诊断方法,其特征在于,在步骤3,将使用源域数据预训练好的源域模型参数传递到目标域1D-CNN模型,使用目标域模型提取目标域数据的特征,输出其诊断结果。
...【技术特征摘要】
1.基于多传感器融合卷积神经网络的潜油电泵故障诊断方法,其特征在于,该基于多传感器融合卷积神经网络的潜油电泵故障诊断方法包括:
2.根据权利要求1所述的基于多传感器融合卷积神经网络的潜油电泵故障诊断方法,其特征在于,在步骤1,搭建实验采集不同故障状态下,潜油电机机体不同位置的振动信号以及电压和井口温度,仿真模拟实验平台测得的滚动轴承振动信号、电压以及井口温度作为源域,在线监测系统获取滚动轴承振动信号、电压以及井口温度作为目标域。
3.根据权利要求2所述的基于多传感器融合卷积神经网络的潜油电泵故障诊断方法,其特征在于,在步骤1,对轴承原始时域振动信号中的源域数据即离线数据和目标域数据即在线数据进行数据预处理,构建多通道一维波数据集。
4.根据权利要求3所述的基于多传感器融合卷积神经网络的潜油电泵故障诊断方法,其特征在于,在步骤1,进行的数据预处理包括归一化、切片、标签化。
5.根据权利要求3所述的基于多传感器融合卷积神经网络的潜油电泵故障诊断方法,其特征在于,在步骤1,构建的多通道一维波数据集包括源域样本集和目标域样本集。
6.根据权利要求1所述的基于多传感器融合卷积神经网络的潜油电泵故障诊断方法,其特征在于,在步骤2,提出基于多传感器信息融合和1d-cnn的潜油电泵故障诊断模型,对潜油电泵旋转机械部分的轴承进行故障诊断和分析,采用随机初始化的方式对每个参数都随机初始,使得不同神经元之间的区分性更好。
7.根据权利要求6所述的基于多传感器融合卷积神经网络的潜油电泵故障诊断方法,其特征在于,在步骤2,典型1d-cnn网络结构主要包括输入层、卷积层、池化层、全连接层和输出层;1d-cnn的输入为多通道一维信号数据,卷积运算后,激活函数对每次卷积的逻辑值输出进行非线性变换,将原本线性不可分的多维特征变换到另一个空间,增强这些特征的线性可分性。
8.根据权利要求7所述的基于多传感器融合卷积神经网络的潜油电泵故障诊...
【专利技术属性】
技术研发人员:张雷,张中慧,肖姝,金鑫,古光明,冯辉,杭发琴,马俊华,岳振玉,
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。