[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

说明书

本发明涉及一种基于卷积‑循环神经网络的有杆泵工况预警方法，具有如下步骤：有杆泵渐变型工况图集进行预处理后，将预处理后的工况图集输入卷积神经网络CNN进行训练；CNN输出得到目标工况图集所对应的特征序列；训练循环神经网络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，对有杆泵故障进行判断。本发明采用卷积‑循环神经网络，在传统的通过示功体判断有杆泵工况方法中加入时间因素，用以判别与时间序列有关的信息，对于发生渐变型故障的油井，在先期就提出预警，通知现场工作人员及时进行处理，节约资源，实现经济高效的生产。同时，学习与更新后卷积‑循环神经网络随着使用的过程越来越智能，效果越来越好。

技术领域

本发明涉及人工神经网络与故障诊断技术领域，尤其是一种基于卷积-循环神经网络的有杆泵工况预警方法。

背景技术

油井井下故障按产生影响的时间不同，分为瞬时型故障与渐变型的故障两大类，其中瞬时型故障包括抽油杆断脱、泵卡、井壁坍塌等，此类故障发生后短时间内就会对油井工况造成非常明显的改变，可立即根据按时间顺序排列的前后两张差别明显的示功图进行故障诊断。而渐变型故障则是结蜡、出砂、泵筒磨损、漏失等，在故障发生的瞬间不会呈现明显的工况改变，而是随着时间的积累，待故障被发现时，已造成了大量的损失。由于很难只通过几张示功图判断出故障类型，这使得对于渐变型故障的诊断缺少及时性、预警性及准确性。

现有的示功图故障识别方法是采用深度学习，从大量的训练数据中学习特征，但由于常用的卷积神经网络(CNN)通常是二维卷积核，因此难以辨认在时间序列上的相关信息，因此构建了卷积-循环神经网络。

循环神经网络是时序数据分析的重要方法之一，由输入层、隐藏层、输出层构成，它不仅仅在神经细胞层之间有联系，而且在时间轴上也有相应的连接，是一种具有时间联结的前馈神经网络，这使得卷积-循环神经网络可以用于分辨在时间序列上发生的改变，可用于有杆泵渐变型工况的诊断。

发明内容

本发明要解决的技术问题是：为了克服现有技术中之不足，本发明提供一种提高有杆泵渐变型工况诊断准确性的基于卷积-循环神经网络的有杆泵工况预警方法。

本发明解决其技术问题所采用的技术方案是：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，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；

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，可建立渐变型工况图集的特征模板，形成基于卷积-循环神经网络系统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-循环神经网络有杆泵工况预警系统的强化学习与更新。

进一步地，所述的卷积-循环神经网络构架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。

具体说，步骤1中，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。