[发明专利]一种油井示功图故障诊断预测方法及装置

权利要求书

1.一种油井示功图故障诊断预测方法，其特征在于，包括：

获取真实油井工况下产生的带有时间信息以及油井信息的位移-载荷序列数据；

根据所述位移-载荷序列数据得到油井示功图数据集；

将数据增强后的示功图数据集输入带有ImageNet预训练权重以及FocalLoss损失函数的ResNet50模型进行故障类型诊断。

2.根据权利要求1所述油井示功图故障诊断预测方法，其特征在于，所述根据所述位移-载荷序列数据得到油井示功图数据集，包括：

将位移-载荷的序列数据转化为示功图的形式，并将同一油井下间隔固定时长的两张示功图分别以红色线和蓝色线进行表示，叠加到同一图片中，产生最终的油井示功图数据集，每个示功图大小为448x448像素。

3.根据权利要求1或2所述油井示功图故障诊断预测方法，其特征在于，所述将数据增强后的示功图数据集输入带有ImageNet预训练权重以及FocalLoss损失函数的ResNet50模型进行故障类型诊断，包括：

3a)对示功图数据集进行数据增强处理，将每张示功图以及其对应的故障类型视为一个样本，对于每一个样本中的示功图，将其大小缩放到256x256像素，再将其裁剪为224x224的大小以适应ResNet50的输入大小；

3b)构建带有FocalLoss的ResNet50模型，修改模型的损失函数表达式，将原先的标准交叉熵损失修改为修正类别不平衡的损失函数FocalLoss：

L_focal＝-α_t*(1-p_t)^γ*log(p_t)，其中p_t为模型的预测输出值，γ和α_t为根据训练数据分布不同而手动设置的超参数，α_t被设置为样本所属的真实类别的总数的倒数；

3c)将经过ImageNet预训练过的权重迁移到ResNet50中，并修改最后一个全连接层，使其与示功图的故障类别数相匹配；

3d)使用步骤3a)中产生的数据，对模型进行训练，采用批训练的方法，选取batch_size＝32，并以5折交叉验证的方式选取步骤3b)中的超参数γ，迭代若干轮至模型收敛，得到最终的示功图故障分类模型。

4.根据权利要求3所述油井示功图故障诊断预测方法，其特征在于，所述步骤3a还包括：

将裁剪完的图像进行水平翻转。

5.一种油井示功图故障诊断预测装置，其特征在于，包括：

获取单元，用于获取真实油井工况下产生的带有时间信息以及油井信息的位移-载荷序列数据；

转化单元，用于根据所述位移-载荷序列数据得到油井示功图数据集；

诊断单元，用于将数据增强后的示功图数据集输入带有ImageNet预训练权重以及FocalLoss损失函数的ResNet50模型进行故障类型诊断。

6.根据权利要求5所述油井示功图故障诊断预测装置，其特征在于，所述转化单元用于：

将位移-载荷的序列数据转化为示功图的形式，并将同一油井下间隔固定时长的两张示功图分别以红色线和蓝色线进行表示，叠加到同一图片中，产生最终的油井示功图数据集，每个示功图大小为448x448像素。