[发明专利]一种基于卷积-循环神经网络的有杆泵工况预警方法

摘要

本发明涉及一种基于卷积‑循环神经网络的有杆泵工况预警方法，具有如下步骤：有杆泵渐变型工况图集进行预处理后，将预处理后的工况图集输入卷积神经网络CNN进行训练；CNN输出得到目标工况图集所对应的特征序列；训练循环神经网络RNN，提取特征序列的深度特征，建立渐变型工况图集的特征模板，对有杆泵故障进行判断。本发明采用卷积‑循环神经网络，在传统的通过示功体判断有杆泵工况方法中加入时间因素，用以判别与时间序列有关的信息，对于发生渐变型故障的油井，在先期就提出预警，通知现场工作人员及时进行处理，节约资源，实现经济高效的生产。同时，学习与更新后卷积‑循环神经网络随着使用的过程越来越智能，效果越来越好。

主权项

1.一种基于卷积‑循环神经网络的有杆泵工况预警方法，所预警的目标工况为有杆泵渐变型工况，其特征是：包括以下步骤：步骤1：挑选符合训练要求的示功图，按照时间顺序排列成有杆泵渐变型工况图集，并对图集进行预处理，以达到要求的标准；步骤2：将预处理后的工况图集输入卷积神经网络CNN进行训练，训练后的CNN输出得到目标工况图集所对应的特征序列；步骤3：将从CNN得到的特征序列作为输入，训练循环神经网络RNN，更新RNN各层的权重，得到训练好的RNN；步骤4：将从CNN得到的特征序列输入训练好的RNN，通过训练好的RNN提取特征序列的深度特征，可建立渐变型工况图集的特征模板，形成基于卷积‑循环神经网络系统的有杆泵工况预警系统；步骤5：在需对未知的有杆泵故障进行判断时，只需要将工况图像按时间顺序输入卷积—循环神经网络，就能进行分类与判断，当发现输入的工况图集符合渐变型工况前期图集特征时，进行预警，即可达到工况判断、预测的目的；步骤6：基于卷积‑循环神经网络的有杆泵工况预警系统的强化学习与更新。