[发明专利]一种基于机器学习的油井多参数异常诊断及预警方法

权利要求书

1.一种基于机器学习的油井多参数异常诊断及预警方法，其特征在于，具体按照如下步骤进行：

步骤1：获取油井生产数据，基于油井基础信息对关键字段进行描述性分析；对于异常数据，统计值域分布、确定处理方法与细节处理异常值；

步骤2：对油井生产数据进行周期标记与分段标记后再使用趋势识别对单个参数的长期趋势进行异常识别，同时建立单参数异常识别判断规则；

步骤3：构建初步的故障案例库，用于模型训练，同时构造趋势指数，挖掘周期特征，最终确定核心趋势指数、均值类指数用于故障分类模型的构建，然后确定判断规则和阈值，形成多参数判断规则表；

步骤4：在单参数异常识别与多参数识别的基础上结合业务场景、行业知识制定具体的判断规则并给出故障的具体类型，形成故障分类、命名和编码表，并给出建议处置办法；

步骤5：通过深度识别，对所有油井进行完整的故障识别，经过人工检验，在保证准确率的基础上生成完整的故障案例库，最终也能够根据长期运行状况指数做出深度异常预警。

2.根据权利要求1所述的一种基于机器学习的油井多参数异常诊断及预警方法，其特征在于，步骤1中，处理异常值具体为：基于阈值处理异常值、基于3σ处理异常值，或通过临近值填补方法恢复形态继续分析，对于异常率过大的油井将直接进行传感器故障告警，不进入后续分析。

3.根据权利要求1所述的一种基于机器学习的油井多参数异常诊断及预警方法，其特征在于，步骤2中，趋势识别的参数整体上升下降趋势判定函数如下公式(1)和公式(2)：

其中，x_s为油压、套压的斜率，a为判别阈值。

4.根据权利要求3所述的一种基于机器学习的油井多参数异常诊断及预警方法，其特征在于，步骤2中，单参数异常识别使用趋势识别的经典方法，具体方法为计算长周期的斜率、方差、极值为手段，进行超限值识别、极值识别、异常上升下降趋势识别、恒值识别、近似恒值识别。

5.根据权利要求1所述的一种基于机器学习的油井多参数异常诊断及预警方法，其特征在于，步骤3中，故障分类模型，具体的算法选择需要进行诊断评估，依据时间性能和平均准确率两个指标；模型输出为单周期运行状况指数与长期运行状况指数。

6.根据权利要求1所述的一种基于机器学习的油井多参数异常诊断及预警方法，其特征在于，步骤4中，判断规则分为数据异常类、形态正常类、复杂图版类、自定义识别类，其中；

数据异常类分为通信异常、阈值异常、失真、无波动；形态正常类的故障子类需要通过具体的单参数和多参数进行判断；复杂图版类需使用已积累的专家经验数据、典型分析、判断规则、案例图版综合判断；自定义识别类是尚未进行明确定义的类别，通过规则制定，覆盖所有剩余工况，最终形成故障类别分类的基础。

7.根据权利要求6所述的一种基于机器学习的油井多参数异常诊断及预警方法，其特征在于，步骤4中，故障分类、命名和编码，分为数据异常大类、形态正常大类、形态优良大类、形态差大类，最后进行分类与命名汇总。