[发明专利]一种抽油机有效冲程的计算方法

权利要求书

1.一种抽油机有效冲程的计算方法，其特征在于包括以下步骤：

(1)获取油井现场采集到的抽油机示功图历史数据并对其进行异常数据过滤处理，得到有效工况数据集D：

D＝{d_i|i＝1,2,...,N}

d_i＝{(x_ij,y_ij)|j＝1,2,...,m}

其中d_i表示第i组抽油机示功仪采样数据，共N组；其中每组数据包含m对抽油机悬点位移和载荷采样值(x_ij,y_ij)，x_ij表示第j个悬点位移采样值，y_ij表示第j个悬点载荷采样值；

(2)将有效工况数据归一化并绘制为闭合的示功图图像，得到有效示功图数据集P：

P＝{p_i|i＝1,2,...,N}

其中p_i表示由第i组抽油机示功仪采样数据d_i绘制成的示功图样本，共N个；

(3)由工艺专家为示功图数据集P标定与有效冲程相关的四个凡尔开闭点作为数据集P的标签L：

L＝{l_i|i＝1,2,...,N}

l_i＝{a_iA,b_iA,a_iB,b_iB,a_iC,b_iC,a_iD,b_iD}

其中l_i表示第i组抽油机示功图样本p_i的标签，共N组；其中每组标签包含4个凡尔开闭点在示功图中的像素坐标值，分别为固定凡尔开启点A的坐标(a_iA,b_iA)、固定凡尔关闭点B的坐标(a_iB,b_iB)、游动凡尔开启点C的坐标(a_iC,b_iC)和游动凡尔关闭点D的坐标(a_iD,b_iD)；

(4)将示功图数据集P划分为训练集P_train、验证集P_val和测试集P_test，对应的标签L也被划分为训练集标签L_train、验证集标签L_val和测试集标签L_test；

(5)根据凡尔开闭点识别任务的特性，选取神经网络回归模型M；

(6)利用训练集P_train，结合对应的训练集标签L_train，对神经网络回归模型M进行示功图到凡尔开闭点位置的映射关系学习；

(7)根据神经网络回归模型M训练过程中，在验证集P_val上的损失函数的最小值选取模型的权重参数；

(8)通过测试集P_test评估(7)中已确定网络权重参数的回归模型M的泛化能力，并根据测试结果挖掘困难样本，针对困难样本调整神经网络回归模型M的网络结构以达到提高回归模型性能的目的；

(9)重复步骤(6)至步骤(8)直至回归模型M的性能达到工程应用要求，获得训练完成的神经网络回归模型M；

(10)获取油井现场采集到的实时悬点位移及载荷并对其进行异常数据过滤和归一化处理，将结果绘制成示功图输入至神经网络回归模型M，根据模型M输出的凡尔开闭点像素坐标和归一化相关参数反推出实际有效冲程。