[发明专利]一种基于GAN的抽油井故障诊断方法

权利要求书

1.一种基于GAN的抽油井故障诊断方法，所述抽油井为有杆泵抽油机井，其特征在于，包括下述步骤：

步骤1：收集已知故障类型的抽油井示功图，得到抽油井示功图集，并对抽油井示功图集进行预处理；

步骤2：将预处理后的抽油井示功图集组成第一样本库，从第一样本库中随机选取m₁个样本构成第一训练集，第一样本库中其余m-m₁个样本构成第一测试集；其中，m为第一样本库中的样本总数，第一样本库中的每个样本均对应一个故障类型标签；

步骤3：对第一训练集和第一测试集中的每张示功图均进行标准归一化处理；

步骤4：构建抽油井示功图生成的GAN模型，用第一训练集对GAN模型进行训练，并生成新的示功图集；

步骤5：将新的示功图集组成第二样本库，从第二样本库中随机选取m₂个样本构成第二训练集，第二样本库中其余m₁'-m₂个样本构成第二测试集，并对第二训练集和第二测试集均进行与步骤3中相同的标准归一化处理；其中，m₁'为第二样本库中的样本总数；

步骤6：基于卷积神经网络构建抽油井故障诊断模型，用标准归一化处理后的第一训练集和第二训练集训练所述抽油井故障诊断模型；所述抽油井故障诊断模型包括第二卷积层、第二池化层、第二全连接层、第二dropout层，所述抽油井故障诊断模型的输入为标准归一化处理后的抽油井示功图、输出为该抽油井示功图对应的故障类型标签；

步骤7：用标准归一化处理后的第一测试集和第二测试集分别对训练后的抽油井故障诊断模型进行测试，得到抽油井故障诊断模型的准确率；

步骤8：采集待诊断抽油井的示功图，对待诊断抽油井的示功图进行与步骤1中相同的预处理及与步骤3中相同的标准归一化处理后，将待诊断抽油井的示功图输入抽油井故障诊断模型中，对待诊断抽油井进行故障诊断，得到待诊断抽油井的故障类型。

2.根据权利要求1所述的基于GAN的抽油井故障诊断方法，其特征在于，所述步骤1中，对抽油井示功图集进行预处理，包括：将抽油井示功图集中的各抽油井示功图调整为同等像素大小。

3.根据权利要求1所述的基于GAN的抽油井故障诊断方法，其特征在于，所述步骤3中，标准归一化处理的公式为P_n＝2(P-P_min)/(P_max-P_min)-1，P为标准归一化前的示功图的图像矩阵，P_n为标准归一化后的示功图的图像矩阵，P、P_n中的每个元素为对应图像中每一位像素点的灰度值，P_max为矩阵P中元素的最大值，P_min为矩阵P中元素的最小值。

4.根据权利要求1所述的基于GAN的抽油井故障诊断方法，其特征在于，所述步骤4包括下述步骤：

步骤4.1：构建抽油井示功图生成的GAN模型为

其中，D为GAN模型的判别器，G为GAN模型的生成器，判别器D包括第一卷积层、第一池化层、第一dropout层，生成器G包括第一全连接层、反卷积层；x为真实示功图，P_data(x)为真实示功图集的分布，z为输入生成器G的噪声，G(z)为生成器G生成的示功图，P_z(z)为噪声的分布，D(x)为判别器D判断真实示功图x为真实的概率，D(G(z))为判别器D判断生成器G生成的示功图G(z)为真实的概率；E为期望；

步骤4.2：随机产生噪声z，用噪声z训练生成器G来生成新的示功图；将标准归一化处理后的第一训练集作为真实示功图集，用第一训练集和生成器G生成的示功图集训练判别器D；

步骤4.3：利用训练后的GAN模型生成新的示功图集。