[发明专利]一种采油机故障检测与检索方法

说明书

本发明公开了一种采油机故障检测与检索方法，首先依据图形相似性对示功图进行分类，输入卷积神经网络学习特征与训练；然后在线选择锚点样本、正样本、负样本计算特征相似度损失，优化网络参数，并将训练好的模型部署至采油机边缘计算网关；接着根据各台设备标定的标准库和故障库生成标准特征库与故障特征库，实时获取采油机示功图并输入模型得到示功图特征，计算该特征与各标准特征的相似度；最后将与标准库不相似的实时示功图与故障特征库进行比较，返回最相似的故障类型或更新故障库。该方法能够根据图形相似性对采油机进行故障检测，并在发现异常工况时检索故障库以实现故障诊断，增强对采油机设备工况监测、诊断的管控能力。

技术领域

本发明涉及采油机故障检测与诊断领域，具体而言，是通过建立基于深度学习网络的采油机示功图相似检测模型，检测采油机故障并检索故障库从而实现故障类型诊断。

背景技术

在目前大数据背景下，通过深度学习网络提取示功图特征并建立诊断模型，实现示功图的工况监测、异常识别与自动诊断逐渐成为了采油机故障诊断技术研究的重点。然而，由于地质情况等影响，大部分采油机在环境因素影响下都难以接近工程原理中标准工况下的示功图，以典型示功图为分类标准进行故障诊断往往会导致多数识别结果为异常，误报率较高，且由于相同类型的故障在不同设备上的表现差异较大，往往存在模型训练困难、泛化性能较差等问题。

出于工程适用性考虑，目前业内通常以采油机长期平稳运行时的示功图作为该设备的标准示功图，只有出现与平稳工况下的示功图不相似的示功图时才判定设备出现故障。目前常用重叠面积法、统计分析法等进行示功图相似分析以实现故障检测，但仍需要依靠工艺专家标定或进一步训练来诊断具体故障类型。此外，由于工程环境的变化对检测能力也会产生影响，所以不同地区的油田现场往往需要对诊断模型进行再训练与优化，泛化能力有待提升。

为指导油田科学稳定生产，准确检测出采油机的工况异常并自动识别其故障类型协助工艺专家进行故障诊断，需要研究抽油机井故障检测与诊断一体化方法，应能检测示功图形状、趋势的变化，并在检测到与平稳工况不相似的异常工况时从故障特征库中检索出故障类型及具体信息以实现诊断。此外，还需要定期更新、完善设备故障库与标准库，从而提高模型的可靠性和泛化能力，促进采油机故障检测与诊断系统的进一步智能化发展。

发明内容

针对上述缺陷，本发明公开一种采油机故障检测与检索方法，采用卷积神经网络识别技术对示功图样本集进行训练得到相似检测模型，周期更新、完善采油机设备的标准特征库与故障特征库，查询比较标准特征库与实时采集示功图特征之间的欧式距离作为相似度，并在检测到故障时检索故障特征库以实现故障类型识别与诊断，达到准确检测并诊断采油机故障、指导采油现场稳定生产的目的。

本发明公开了一种采油机故障检测与检索方法，包括以下步骤：

(1)建立采油机故障检测模型M，包括：

(1-1)获取多台采油机设备的历时T期间内的原始示功图二维数据，过滤其中的异常数据，并通过数据预处理生成示功图样本集

(1-2)以示功图图形相似性为依据，将示功图样本集分为k个不同类别的子样本集并采用数据增强方法均衡样本数量较少的类别：

其中s_pl表示第p个子样本集内的第l张示功图图像，共含l_p张示功图图像，各子样本集互不相交且并集为整个集合，每个子样本集对应一个相似特性类别，类别内的示功图彼此相似，类别间的示功图彼此不相似；

(1-3)采用留出法将示功图样本集划分为训练集和验证集

将图片格式的训练集和验证集进行打标，转换成乱序列表，列表中的每一行标注了图片路径和类型标签p，然后将列表转换成神经网络大型数据集常用的LMDB格式；