[发明专利]一种基于GAN的抽油井故障诊断方法

说明书

本发明涉及抽油井故障诊断技术领域，提供一种基于GAN的抽油井故障诊断方法。本发明首先收集已知故障类型的抽油井示功图，并对其预处理；然后建立第一样本库，分为第一训练集和第一测试集后进行标准归一化处理；接着构建GAN模型，用第一训练集对其训练，生成新的示功图集并建立第二样本库，分为第二训练集和第二测试集后进行标准归一化处理；再基于卷积神经网络构建抽油井故障诊断模型，用第一训练集和第二训练集对其训练，用第一测试集和第二测试集对其测试；最后将待诊断抽油井的示功图输入抽油井故障诊断模型，得到待诊断抽油井的故障类型。本发明能够生成大量示功图样本，直接输入示功图就能得到故障类型，抽油井故障诊断的准确性高。

技术领域

本发明涉及抽油井故障诊断技术领域，特别是涉及一种基于GAN的抽油井故障诊断方法。

背景技术

有杆泵抽油机井的示功图可真实地反映井下的实际工作状况，是油田生产中分析抽油系统工作状况的重要方式。在油田生产中主要依靠人工判断示功图，但是这种人为判断的方式存在各种各样的问题。人工分析的方式很难做到实时监测抽油井的工作状态；而且受到分析人知识的局限性影响，不能保证分析结果的准确性。

随着人工智能技术不断取得进步和实际油田生产中对抽油井生产自动化要求的不断提高，由计算机对抽油井工作状况进行分析成为主流。神经网络凭借其强有力的学习和并行处理能力为故障诊断提供了全新的理论方法和实现手段。神经网络通过对样本数据的不断学习，将学到的关系以权值和阀值的形式存储在训练的网络结构中。神经网络的输入是被诊断对象或其特征值，输出是产生某种故障的概率。神经网络具有很强的分类能力，但前提是需要提供大量的样本数据对模型进行训练；当样本不足时会造成模型的过拟合以及泛化性差。而实际的油田生产中很难得到大量的故障示功图，这是要应用神经网络诊断抽油井井下故障所需解决的一个核心的问题。

发明内容

针对现有技术存在的问题，本发明提供一种基于GAN的抽油井故障诊断方法，能够生成大量的抽油井示功图样本，且直接输入示功图就能得到抽油井故障类型，提高了抽油井故障诊断的准确性。

本发明的技术方案为：

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；