[发明专利]一种基于示功图哈希查找的抽油工况融合推理识别方法

说明书

本发明公开了一种基于示功图哈希查找的抽油工况融合推理识别方法，其特征在于它包括以下流程：(1)示功图获取、标注分类以及训练。(2)用训练好后的Resnet50对样本集中每张图进行特征提取，保存特征向量；(3)根据不同样本图特征向量计算其定位哈希值，将不同样本图的存储节点信息按定位哈希值大小存储于对应哈希桶中；(4)获取待检测的抽油井示功仪采集的载荷和位移数据，绘制示功图；(5)基于示功图哈希查找的抽油工况融合推理判断；(6)将工况判断结果送上位展示。本发明提出基于示功图哈希查找的抽油工况融合推理判断方法，利用了哈希桶的概念，有效解决了哈希碰撞的问题，减少系统对Key值的存储量。

技术领域

本发明涉及油井采油、抽油领域，具体涉及一种基于示功图哈希查找的抽油工况融合推理识别方法。

背景技术

抽油示功图，是了解抽油机井下的管、杆、泵工作状况的主要手段。分析和解释示功图，就是直接了解深井泵工作状况好坏的一个主要手段，深井泵工作中的一切异常现象可以在示功图上比较直观的反映出来。

抽油机是石油开采环节中的核心设备，单纯人力来判断抽油机的工作状况以及操作抽油机的运行，效率低、不能满足行业发展需要。

在当前人工智能潮流的大背景下，特别是利用深度学习技术挖掘示功图所表达的信息，提高抽油机工况或故障识别准确率及效率，保证抽油机稳定、可靠工作有着重大意义。目前传统抽油井识别方法有力学模型分析、有杆泵井故障诊断专家系统等，但是由于各地地质差异以及机器老化问题，如果使用传统的示功图识别方法识别结果会存在较大差异。而且这些主流方法大多只能识别出一种抽油工况，这与实际工况偏差大，抽油过程中广泛存在同时出现多种工况问题。

申请人研究将图像检索技术在抽油工况识别领域进行应用(内部研究，未进行方案公开，这里仅对研究背景进行介绍)，发现在反映抽油工况特征的待测示功图与样本图进行检索比较时，通常需要与样本图库中所有样本进行相似度在线运算，随着样本的增多会使工况推理速度变慢。

发明内容

本发明公开了一种基于示功图哈希查找的抽油工况融合推理识别方法，从工程适用性出发，基于CBIR技术、示功图哈希查找、匹配为基础，进行融合推理，获得准确的抽油工况。本发明所述方法具体步骤如下：

一种基于示功图哈希查找的抽油工况融合推理识别方法，它包括以下流程：

(1)示功图获取、标注分类以及训练。

(2)用训练好后的Resnet50对样本集中每张图进行特征提取，保存特征向量。(使用训练好的Resnet50网络对标注好的训练集进行特征提取，并保存所有avgpool层的特征结果。)

(3)根据不同样本图特征向量计算其定位哈希值，将不同样本图的存储节点信息按定位哈希值大小存储于对应哈希桶中。

(4)获取待检测的抽油井示功仪采集的载荷和位移数据，绘制示功图。(获取待检测的抽油井示功仪采集的载荷和位移数据，使用opencv将载荷和位移数据绘制成待识别的示功图。)

(5)基于示功图哈希查找的抽油工况融合推理判断；

(6)将工况判断结果送上位展示。

优选的，所述示功图获取、标注分类以及训练步骤包括对示功图的获取、对现有示功图数据集标注分类，以及使用标注好的示功图数据集对Resnet50训练，并保存训练权值；其具体步骤为：

(1-1)获取抽油井示功仪采集的载荷量和位移量数据，以位移为横坐标x，载荷量为纵坐标y，使用opencv中的多边形绘图函数工具包将数据绘制成示功图；

(1-2)业务专家对示功图进行预处理，剔除有明显错误示功图，形成示功图数据集；

(1-3)业务专家对示功图数据集中示功图进行标注分类将标注分类好的数据集按7:3比例分为训练集和测试集；