[发明专利]一种基于卷积-循环神经网络的有杆泵工况预警方法

权利要求书

1.一种基于卷积-循环神经网络的有杆泵工况预警方法，所预警的目标工况为有杆泵渐变型工况，其特征是：包括以下步骤：

步骤1：挑选符合训练要求的示功图，按照时间顺序排列成有杆泵渐变型工况图集，并对图集进行预处理，以达到要求的标准；

所述的有杆泵渐变型工况主要是指固定阀漏失、游动阀漏失、双漏、油井出砂、油井结蜡以及泵筒磨损非突发性工况；

渐变型工况训练图集的选取包括选取在固定阀漏失、游动阀漏失、双漏、油井出砂、油井结蜡以及泵筒磨损非突发性工况下一段时间内的示功图图集；

其中，将已经明显表明故障发生的示功图视为A_n，按照倒查的方式，顺时间轴逆序向前寻找这口油井的示功图A_n-1、A_n-2、A_n-3、……、A_n-t，当第A_n-t张示功图的加载、卸载段斜率与正常工作示功图相比，存在明显的斜率减小时，将A_n-t、……、A_n视为漏失磨损类示功图图集；再根据动液面与产量情况细分为固定阀漏失类、游动阀漏失类、双漏失类和泵筒磨损类；

当第A_n-t张示功图的活塞上行线与活塞下行线，即上下两平行段与正常工作示功图相比，存在明显的波动频率增大时，将A_n-t、……、A_n视为出砂结蜡类示功图图集；再根据波动频率的大小细分，波动频率大的锯齿状示功图为出砂类、波动频率小的波状弯曲类示功图为结蜡类；

步骤2：将预处理后的工况图集输入卷积神经网络CNN进行训练，训练后的CNN输出得到目标工况图集所对应的特征序列；

步骤3：将从CNN得到的特征序列作为输入，训练循环神经网络RNN，更新RNN各层的权重，得到训练好的RNN；

步骤4：将从CNN得到的特征序列输入训练好的RNN，通过训练好的RNN提取特征序列的深度特征，建立渐变型工况图集的特征模板，形成基于卷积-循环神经网络的有杆泵工况预警系统；

步骤5：在需对未知的有杆泵故障进行判断时，只需要将工况图像按时间顺序输入卷积-循环神经网络，就能进行分类与判断，当发现输入的工况图集符合渐变型工况前期图集特征时，进行预警，即可达到工况判断、预测的目的；

步骤6：基于卷积-循环神经网络的有杆泵工况预警系统的强化学习与更新。

2.根据权利要求1所述的基于卷积-循环神经网络的有杆泵工况预警方法，其特征在于：所述的卷积-循环神经网络包括卷积神经网络和循环神经网络，卷积神经网络的作用在于提取图像集的特征，并输出为特征序列；循环神经网络的作用在于根据输入的特征序列进行分类判断，对于符合渐变型工况前期特征的图像集进行预警。

3.根据权利要求1所述的基于卷积-循环神经网络的有杆泵工况预警方法，其特征在于：所述步骤1中对图集进行预处理的过程为：筛选示功图、示功图均衡化、示功图归一化、时间轴缩放中的一种或几种组合；所预定的标准包括示功图的清晰度、坐标轴统一、图集尺寸的一种或多种组合。

4.根据权利要求1所述的基于卷积-循环神经网络的有杆泵工况预警方法，其特征在于：所述的有杆泵工况预警系统是在卷积-循环神经网络强化学习目标工况示功图集的基础上实现的，其中卷积-循环神经网络的构建过程包括：a、对获取的示功图图集进行分析诊断归类，构建描述非突发型工况的示功体样本集合；b、基于卷积神经网络，搭建神经网络构架；c、利用整理好的示功图样本集合训练CNN，CNN将提取出图像的特征并输出为特征序列；然后用CNN的输出信息作为RNN的输入，即将CNN输出的特征序列作为训练集对RNN进行训练；d、得到以非突发型工况示功图为学习样本，以卷积-循环神经网络为学习方法的有杆泵工况预警系统。

5.根据权利要求1所述的基于卷积-循环神经网络的有杆泵工况预警方法，其特征在于：所述的预警系统由五个模块组成，包括图像预处理模块、神经网络训练模块、深度特征提取模块、图像分类模块和图像特征提取模块。