[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

说明书

本发明涉及油气勘探与开发技术领域，特别涉及一种基于残差神经网络的抽油机井故障诊断方法及系统；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；然后将示功图二值化，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；本发明结合示功图多尺度归一化方法，构建了多通道的深度残差卷积神经网络的示功图分类模型，使用了BN、Relu等深度学习的神经网络训练技术，在多尺度归一化方法(k＝10)得到的数据集下训练、测试，该模型收敛鲁棒性好，测试准确率达到95.6％。

技术领域

本发明涉及油气勘探与开发技术领域，特别涉及一种基于残差神经网络的抽油机井故障诊断方法及系统。

背景技术

抽油机井的故障诊断一直是油田生产中的难点与重点，在过去的几十年中，通过科研人员的努力，抽油机井故障诊断技术有了很大提高，取得了一些阶段性的成果，而近几年人工智能技术的发展，为故障诊断技术的研究带来了新的活力。

目前应用广泛的抽油机井故障诊断技术中，比较常用的方法有：1)故障专家系统，模拟人类专家分析抽油机工况的计算机系统，此方法将计算机与人工智能相结合，根据多个专家提供的工况分析经验，对抽油机工况进行推理判断，但是专家系统只针对写入到程序中的特定抽油机示功图反映的工况，对于不同类型抽油机需要重新设计实现程序，无法推广使用；2)机器学习方法，在示功图分类识别问题上取得了不错的准确率，但仍然无法满足实际生产的需求，需要扩充数据集，提高分类识别准确率、缩短模型训练时间方法；3)深度学习方法，深度学习模型不断的更新改进，计算机硬件特别是GPU的发展，大大提高了图像分类识别的准确率，但是适用于抽油机故障诊断的应用较少，无法充分发挥它们的优势。

油田生产中，实测抽油机井示功图类型可达20余种，有些工况非常复杂，基于示功图识别的常用抽油机井工况诊断模型，在现场多种工况诊断应用中的准确率及复杂工况召回率均较低，诊断结果不确定性问题突出。为此，提出本发明。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种基于残差神经网络的抽油机井故障诊断方法，以实现抽油机井故障的智能诊断，确保现场工况诊断的准确率，以及杆断脱、泵阀严重漏失、上碰泵等严重工况的召回率，满足抽油机井工况智能诊断的现场实际需求。

为了实现上述目的，本发明采用以下技术方案予以实现：

一种基于残差神经网络的抽油机井故障诊断方法，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：