[发明专利]一种基于残差神经网络的抽油机井故障诊断方法及系统

权利要求书

1.一种基于残差神经网络的抽油机井故障诊断方法，其特征在于，所述的方法包括：

使用当前示功图实际载荷最值进行归一化，以及，对于当前的示功图数据集，使用聚类算法获得k个归一化尺度，进而获得k+1个归一化示功图；

将示功图二值化：

首先使用python中的第三方库matplotlib将示功图位移、载荷数据绘制成图像，然后提取图像的RGB像素值，使用浮点运算按式(3)转换为灰度值，最后根据式(4)进行二值化；

Gray＝R*0.3+G*0.59+B*0.11    (3)

其中，R、G、B为图像像素点三色值，Gray为图像像素的灰度值，T为二值化后对应像素点的值，1表示图像空白区域，0则表示示功图曲线轮廓，最后获得的k+1个224×224二值化矩阵即为模型的输入；

基于pytorch实现了k+1输入通道的18层残差卷积神经网络作为图像识别网络模型，在每个卷积层后使用了batch normalization激活函数ReLu，采用式(5)随机初始化网络权重参数：

其中，W_l是第1层的权重参数，d_l、d_l-1是第1层和l-1层中神经元数量，R函数生成[0，1]之间正态分布的随机函数，随后使用70％数据训练网络，30％进行测试，网络模型训练参数如下：

优化方法：Adam(betas＝(0.9，0.999)，eps＝le-08，weight decay＝8e-4)

Batch size：64

学习率(Learning rate)：0.001

训练世代(epoch)：20；

所述聚类算法的流程如下：输入：样本数据集D；

(1)从样本中随机选取k个样本点作为初始的均值向量(u₁，u₂，......，u_i，u_k)；

(2)循环以下几步直到达到停止条件，此时每个簇的均值向量不再变化；

(2.1)令其中1≤i≤k；

(2.2)计算所有样本点到k个均值向量之间的距离，取其中距离最短的对应均值向量的标记作为该点的簇标记，然后将该点加入相应的簇C_i；

(2.3)计算每一个簇的均值向量x∈C_i，更新簇的均值向量；

所述的停止条件为：|u_i-u_i-1|＜σ，其中σ的取值为0.05-0.1；

输出：每个簇的均值向量，即归一化尺度(y_max，y_min)；

其中，样本数据集D是每个示功图数据载荷的最值(y_max，y_min)向量的集合。

2.根据权利要求1所述的方法，其特征在于，选择成本函数肘部的值作为k的值，其中，所述的成本函数是各个类畸变程度之和，每个类的畸变程度等于该类质心与其内部成员距离的平方和，成本函数的计算公式为：

其中，u_i是第k个簇中的成员向量，u_k是该簇的质心。

3.一种基于残差神经网络的抽油机井故障诊断系统，用于实现权利要求1-2任意一项所述的方法，其特征在于，所述的系统包括：

示功图预处理模块，对抽油机井示功图进行预处理，提取示功图信息；

归一化处理模块，根据提取到的示功图信息对其进行归一化处理；

示功图图像处理模块，用于对得到的示功图图像进行二值化；

深度残差神经网络模块，用于构建深度残差神经网络模块，并将其作为图像识别网络模型，以及对所述的网络模型进行训练；

精度判断模块，用于判断经训练后的网络模型是否满足精度要求；

应用模块，用于将现场实测示功图输入到训练好的图像识别网络模型中，得到示功图所属类型的结果。