[发明专利]一种油井示功图故障诊断预测方法及装置

说明书

本发明提供了一种油井示功图故障诊断预测方法及装置，该方法包括：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。本申请针对油井示功图图形数据的特点，建立基于CNN的残差网络模型ResNet50，并使用在ImageNet上预训练后的参数对模型进行初始化，以此获得更好的泛化性能；针对示功图数据集本身存在的不平衡问题，使用修正类别不平衡的损失函数FocalLoss来增强模型的诊断性能。

技术领域

本发明属于采油技术领域，具体而言，涉及一种油井示功图故障诊断预测方法及装置。

背景技术

在油井工况识别中，示功图故障诊断是其中一种重要的方法，它可以实时反映出气、油、水等井内因素对抽油机工况的影响，因此基于油井示功图的故障诊断是数字化油田中一项必不可少的研究内容。

随着油井静态和动态数据的日益庞大，传统的以人工为主的油井示功图诊断需要花费大量的人力、物力，且会受到人员专业经验的限制。近年来，随着机器学习技术的发展，利用海量数据对油井工况进行高精度识别成为了可能。人工神经网络、BP神经网络、自编码器等机器学习方法被应用在油井示功图诊断的场景下，且都取得了不错的效果。但是现有的油井示功图诊断方法在一些稀缺数据上的诊断正确率表现不佳，导致其使用局限性较高。

发明内容

本申请实施例提供了一种油井示功图故障诊断预测方法及装置，以更准确地对示功图进行分析，判别油井状况。

第一方面，本申请实施例提供了一种油井示功图故障诊断预测方法，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。

其中，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。

其中，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；