[发明专利]一种基于3D卷积神经网络的渐变型工况预警方法

权利要求书

1.一种基于3D卷积神经网络的渐变型工况预警方法，其特征是：包括以下步骤：

a、挑选符合训练要求的渐变型工况示功图图集，并对图集进行预处理，用处理后的示功图图集组成表征渐变型工况变化过程的示功体；所述的渐变型工况是指在故障工况发生之初，不会在短时间内出现示功图的突变，而是随着时间的累积才缓慢造成示功图形变的工况；所述的示功体是指采集单口油井在渐变型工况状态下工作一段时间内所产生的所有示功图，组成示功图图集并进行预处理，将处理好的示功图图集按时间轴顺序从老到新堆叠，示功图的横纵坐标分别相对应，外边框相接，构建成一个三维立体结构图形；

b、构建3D卷积神经网络用于得到渐变型工况的特征描述；构建的神经网络主要是基于3D卷积特征提取器构造了一个3D卷积神经网络，这个构架可以从连续时间内形成的示功图集所组成的示功体中产生多通道的信息，然后在每一个通道都分别地进行卷积和最大池化操作，最后将所有通道获得的信息组合起来得到最终的特征描述；

c、将示功体输入3D卷积神经网络进行训练，通过3D卷积操作核去提取示功体的时间和空间特征，并输出为特征序列；

d、在获取的特征上学习分类器，用于区分渐变型故障工况、突变型故障工况与正常工况，形成基于3D卷积神经网络的渐变型工况预警系统；所述的预警系统由四个模块组成，包括：用于对收集的图集进行预处理的图像预处理模块；用于提取示功体训练集特征的神经网络训练模块；用于获得待检测工况示功体特征的特征提取模块；以及根据特征对比给出工况分类的分类模块；

e、在把预警系统应用于对未知工况的判断时，只需将实时获取的示功图图集按时间顺序排列成示功体输入3D卷积神经网络，就能实现工况的分类与预测；

f、通过得到的工况识别结果扩充训练集完成对渐变型工况预警系统的学习与更新。

2.如权利要求1所述的基于3D卷积神经网络的渐变型工况预警方法，其特征是：所述的3D卷积神经网络从时间和空间维度上操作，然后进行3D卷积，以捕捉从连续时间段内得到的连续变化信息。

3.如权利要求1所述的基于3D卷积神经网络的渐变型工况预警方法，其特征是：步骤a中，所述的预处理过程包括筛选示功图、示功图归一化、时间轴缩放和插值拟合中的一种或几种的组合，以达到示功图采集点同步、清晰度与坐标轴统一、图像尺寸统一的要求。

4.如权利要求1所述的基于3D卷积神经网络的渐变型工况预警方法，其特征是：步骤e中，所述预警系统的实际应用，是将预警系统应用于监测有杆泵井下作业情况，对油井的实时工况进行分析判断；当系统监测出所产生的工况符合渐变型工况的前期变化特征时，发出警报，提醒工作人员采取处理措施。

5.如权利要求1所述的基于3D卷积神经网络的渐变型工况预警方法，其特征是：步骤f中，所述的预警系统的学习与更新过程包括：a、对系统产生的预警结果进行判断；b、将新检测出的渐变型工况示功图图集组成示功体添加到训练集中；c、用更新后的训练集继续训练基于3D卷积神经网络的渐变型工况预警系统；d、使得预警系统始终处在持续学习识别与循环强化更新的过程中。