[发明专利]一种基于稀疏字典学习的油井示功图压缩存储方法

说明书

技术领域

本发明属于信号处理应用领域，具体涉及一种基于稀疏字典学习的油井示功图压缩存储方法。

背景技术

石油作为一种重要的国家能源，石油生产的效率至关重要。随着油田数字化、信息化的发展，生产过程中会产生大量且复杂的数据信息，这些数据信息需要采集、传输、存储和处理。在种类繁多的数据信息中，油井示功图数据信息最为重要。油井示功图是抽油机悬点在一个往复过程中，载荷随其位移变化规律的图形，称为光杆(地面)示功图。它是示功仪在抽油机一个抽吸周期内测取的封闭曲线。油井示功图可以直观的反映油井的工作状况，可以作为故障诊断的重要手段，也可以为油井产量计量提供原始数据。获取的油井示功图数据越多，越能够及时发现故障及时处理，后续的油井产量计算也越准确。但是大量示功图数据的产生也给数据的存储以及查询等操作的处理带来极大的挑战。考虑到油井的实际工作状况，同一口油井在参数不变的情况下，获取的示功图差别不大；不同油井的示功图数据在形状上也有可能是相似的。因此可以采取压缩的方式减少数据存储空间，提高存取速度。发明专利一种抽油机示功图数据压缩存储方法及装置(专利号CN104484476A)中采用记录示功图数据源点及后续点差值的方式进行压缩，此方法存在压缩比不高，若中间数据点出现错误，会导致后续数据点出错的缺点。

稀疏表示理论作为信号处理领域中诞生的全新理论，越来越多的引起了相关领域研究人员的关注。其基本思想是信号可以通过字典中少量原子的线性组合来近似表示，把原本不具有稀疏特性的信号变为稀疏的信号。这个模型中的关键挑战是，如何选取稀疏表示的基或字典。最近的研究表明通过学习得到的字典比使用预定义的字典能获得更好的效果。将稀疏表示理论用于油井示功图数据压缩，可以保证在高保真度的情况下，大幅压缩数据量，平均可以达到90％的压缩比，极大的压缩存储空间，大大提高查询等数据处理的速度。

发明内容

本发明的目的在于提供一种基于稀疏字典学习的油井示功图压缩存储方法，为了解决大量示功图数据存储容量大和处理速度慢的问题，压缩示功图数据存储容量，提高数据处理速度。

一种基于稀疏字典学习的油井示功图压缩存储方法，该方法包括：

(1)收集历史油井示功图数据，分类选取油井示功图数据中的典型示功图，组成示功图数据训练样本库；(2)根据示功图数据中位移起始位置分别对位移数据和载荷数据进行调整，将示功图数据训练样本库分解为位移数据样本库M和载荷数据样本库L；(3)初始化位移稀疏字典D_M和载荷稀疏字典D_L为DCT字典；(4)利用位移训练样本库M训练位移稀疏字典D_M，利用载荷训练样本库L训练载荷稀疏字典D_L；(5)保存位移稀疏字典D_M和载荷稀疏字典D_L；(6)对于一个原始油井示功图数据，将其分解为位移数据和载荷数据；(7)根据位移数据起始位置分别对位移数据和载荷数据进行调整，得到位移数据向量x和载荷数据向量y；(8)通过OMP算法获取位移稀疏系数向量α_M和载荷稀疏系数向量α_L；(9)保存位移稀疏系数向量α_M和载荷稀疏系数向量α_L；(10)提取位移稀疏系数向量α_M和载荷稀疏系数向量α_L；(11)将位移稀疏系数向量α_M与位移稀疏字典D_M相结合，得到位移数据向量x，将载荷稀疏系数向量α_L与载荷稀疏字典D_L相结合，得到载荷数据向量y；(12)由位移数据向量x和载荷数据向量y重构示功图。

附图说明

图1为总的流程图。

图2为历史示功图样本库训练字典的流程图。

图3为原始示功图稀疏表示的流程图。

图4为重构原始示功图的流程图。

图5为选取样本库中的示功图数据稀疏表示后重构的示功图。

图6，7，8为选取不在样本库中的示功图数据稀疏表示后重构的示功图。

具体实施方式

本发明提出一种基于稀疏字典学习的油井示功图压缩存储方法，具体步骤如下：

(1)收集油井示功图历史数据，根据不同特征(不同的抽油机类型，不同工作状况下示功图的形状，不同的冲程、冲次范围，不同的最大、最小载荷等)选取典型示功图，组成训练样本库。