[发明专利]一种基于元迁移学习的小样本有杆泵井工况诊断方法

权利要求书

1.一种基于元迁移学习的小样本有杆泵井工况诊断方法，其特征在于，包括以下步骤：

S1.确定油田示功图任务总分布p(T)和相应的数据集D，初始化学习率和；

所述数据集D中，指标图类型分为以下几种：气体和充不满的影响；漏失的影响；柱塞卡住；井喷；抽油杆折断，部分悬吊物丢失，上下载重线不重合；其他情况，包括油井打蜡、出砂、活塞在泵筒内放置不当造成的影响；

S2.随机初始化特征提取器参数、基础学习器参数，以及缩放和位移参数；

S3.进行迁移学习的预训练阶段，对数据集D中的训练样本进行误差损失验证，反向传播并优化特征提取器参数和基础学习器参数；在预训练期间训练多样本多类模型，模型由Adam优化器训练，优化器的学习率初始化为0.1，每30次迭代衰减20%，直到小于0.005；将损失的保留概率设置为0.9，批量大小为64；对于超参数，随机选择5个样本作为训练集，其余作为验证集，在网格搜索超参数之后，开始修改，然后混合48个类的所有样本进行最终的预训练；样本数量通过水平翻转方式增加；

S4.设定缩放、位移参数初始值，将设置为0，将设置为1；针对小样本数据集，重新设置基础学习器参数，进行随机初始化处理；再设定一个空数据集{m^*}用来放置后续处理失败的任务；

S5.进行元学习阶段，随机选择抽油井示功图总分布p(T)中的K个任务集；对于这K个任务，对每个任务中的样本数据进行训练，通过误差损失来优化参数，数学描述如下所示：

(2)

式中，涉及多个类别，每次在新的少样本设置中进行分类；对应一个临时分类器，只适用于当前数据集，并由前几个数据集优化的初始化；为损失对的梯度求导；为在训练任务上的损失值；

S6.优化缩放和位移参数，以及对学习器参数进行更新，数学描述如下：

(3)

式中，为测试任务损失对进行梯度求导更新参数，i分别为1和2；

根据与上述公式相同的学习率更新和优化：

(4)

式中，为在测试任务上的损失值；

S7.对参数和进行元梯度正则化处理，减少过往经验的损失与遗忘；

所述元梯度正则化处理的具体过程如下：

每个训练集部署一种简单有效的元梯度正则化方法，应用正则化来更新和；令q为当前数据集的索引；假设第r个数据集的损失值为；数学描述如下：

(5)

(6)

式中，和是两个温度标量，用于衡量平衡当前阶段和过去阶段的元梯度的权重；S8.对于示功图数据集{1~M}中的第m个类别，进行分类任务识别并计算准确率；

S9.进行困难任务的挑选，将失败的任务类别m^*加入到集合{m^*}中，将此任务集组成的新类别进行训练分析，以此来继续优化参数，和；

困难任务挑选阶段是对抽取训练过程中分类准确率较低的类型进行重组，得到更为复杂和困难的新数据集来强化训练效率；其具体过程如下：

S901.在元训练阶段中，选择每一数据集中的失败案例，并将它们重新组合成更困难的事件以进行再训练；

S902.给定一个N-way、K-shot样本任务数据集，其中一个元批次数据包含两个分割部分测试任务和训练任务，分别用于基础学习和测试；

S903.基本学习器通过训练任务损失进行优化；

S904.然后通过测试任务损失一次性优化SS参数；在计算损失的过程中，得到N类的识别准确率；

S905.然后选择最小的准确率值Acc来确定当前数据集中最困难的类；

S906.在当前元批次中从数据集中选择所有失败的类{m^*}后，从{m^*}索引的数据中重新采样；具体来说，假设是任务分布，然后采样“困难”数据集；

S907.判断新的困难任务的分类准确率是否达到设定数值，是则进行下一步，否则返回S905进行重新选择；

S10.判断是否满足停止准则中规定的循环次数，如果循环迭代次数达到了设定的次数则停止迭代，并输出工况诊断最终准确率以及最优参数，否则，返回步骤S5；

S11.输出训练完成具有最优参数的模型，实时监测并采集有杆泵井的数据，利用该模型进行工况的实时诊断。