[发明专利]一种深度超限示功图学习方法

说明书

本发明公开了一种深度超限示功图学习方法，传统示功图识别方法识别存在人工选择特征，准确率低，泛化性能不强等问题。针对以上问题，提出了一种深度超限示功图学习方法，利用深度卷积网络提取示功图深度特征向量，输入极限学习机中给出识别类型。该方法，不仅避免了传统方法示功图诊断中复杂的特征提取过程和特征提取不充分的弊端，同时提高了示功图故障诊断的识别率，而且该方法具有更强的泛化性能。

技术领域

本发明属于油气开采技术领域，尤其涉及一种深度超限抽油井有杆泵示功图故障诊断学习方法。

背景技术

在石油开采中有杆抽油机是最广泛也是最常见的采油设备，由于井下零件在地下几千米处工作，一旦出现故障，很难立即发现。如果能及时预测井下工作情况，掌握井下连续运行状态，将会大大提高油井的产量。由于抽油机井示功图能够直接反映油井生产运行的情况，所以示功图通常用于分析井下工作条件。在实际生产中，对抽油机有杆泵示功图的识别和分类还主要是依靠人工进行，识别效率低，并且对经验知识要求很高。现在，随着计算机信息技术的高速发展和对石油生产先进技术要求的不断提高，基于计算机的智能分析方法越来越受到重视。

当前国内外学者对基于示功图的故障诊断做了很多的研究，但普遍研究的重点在于特征提取上，这样很大程度会分散我们对示功图本身识别的注意力，而且特征提取算法是针对其研究的数据集上有很高的识别率，一旦采用不同的抽油机有杆泵所采集的数据进行测试，往往识别结果不会令人满意。

鉴于现有的抽油机有杆泵示功图识别方法存在的问题，提出了一种深度超限示功图学习方法，以提高抽油机有杆泵示功图识别正确率和泛化性能。

发明内容

本发明的目的在于克服现有技术的不足，提供了一种深度超限示功图学习方法。

本发明的技术方案是：一种深度超限示功图学习方法，其特征在于包括以下步骤：

步骤1：对油田采集的位移和载荷数据进行预处理，得到示功图训练集和测试集样本；

步骤2：搭建深度卷积自编码器模型，利用示功图训练集样本，对深度卷积自编码器进行无监督训练，得到深度卷积网络的预训练参数，深度卷积自编码器的第一卷积层到第七卷积层分别包含2n、4n、8n、8n、8n、4n、2n个5*5大小的卷积核，n为大于0的正整数；

步骤3：搭建深度卷积网络模型，并利用深度卷积自编码器训练得到的编码层参数初始化深度卷积网络的卷积层参数，深度卷积网络结构中包含输入层、p个卷积层、q个池化层、k个全连接层以及输出层，其中p、q、k均为大于等于0的正整数，输出层满足One-hot格式输出，且每个卷积操作后均使用LeakyReLU激活函数进行非线性化处理；

其中，通过使用卷积滤波器对示功图进行卷积的计算公式为：

式中，f( )表示激励函数，表示第l层的第j个神经元的偏置值，表示第l层的第i神经元到第j个神经元间的权重，表示第l层的第j个神经元输入，conv2D( )表示二维卷积，i、j、l、k为大于0的正整数；

其中，LeakyReLU激活函数为：

式中γ为一个小于0.01的常数；

步骤4：利用训练集样本对深度卷积网络进行训练，将输出结果与样本标签计算误差，利用反向传播算法和梯度下降法对深度卷积网络的参数进行迭代更新，得到训练完成参数；

其中，计算误差的交叉熵损失函数为：

式中，y_k是第k个样本预测输出标签，t_k是第k个样本训练集真实标签，k为大于0的正整数；