[发明专利]一种深度超限示功图学习方法

摘要

本发明公开了一种深度超限示功图学习方法，传统示功图识别方法识别存在人工选择特征，准确率低，泛化性能不强等问题。针对以上问题，提出了一种深度超限示功图学习方法，利用深度卷积网络提取示功图深度特征向量，输入极限学习机中给出识别类型。该方法，不仅避免了传统方法示功图诊断中复杂的特征提取过程和特征提取不充分的弊端，同时提高了示功图故障诊断的识别率，而且该方法具有更强的泛化性能。

主权项

1.一种深度超限示功图学习方法，其特征在于包括以下步骤：步骤1：对油田采集的位移和载荷数据进行预处理，得到示功图训练集和测试集样本；步骤2：搭建深度卷积自编码器模型，利用示功图训练集样本，对深度卷积自编码器进行无监督训练，得到深度卷积网络的预训练参数，深度卷积自编码器的第一卷积层到第七卷积层分别包含2n、4n、8n、8n、8n、4n、2n个5*5大小的卷积核，n为大于0的正整数；步骤3：搭建深度卷积网络模型，并利用深度卷积自编码器训练得到的编码层参数初始化深度卷积网络的卷积层参数，深度卷积网络结构中包含输入层、p个卷积层、q个池化层、k个全连接层以及输出层，其中p、q、k均为大于等于0的正整数，输出层满足One‑hot格式输出，且每个卷积操作后均使用LeakyReLU激活函数进行非线性化处理；其中，通过使用卷积滤波器对示功图进行卷积的计算公式为：式中，f()表示激励函数，表示第l层的第j个神经元的偏置值，表示第l层的第i神经元到第j个神经元间的权重，表示第l层的第j个神经元输入，conv2D()表示二维卷积，i、j、l、k为大于0的正整数；其中，LeakyReLU激活函数为：式中γ为一个小于0.01的常数；步骤4：利用训练集样本对深度卷积网络进行训练，将输出结果与样本标签计算误差，利用反向传播算法和梯度下降法对深度卷积网络的参数进行迭代更新，得到训练完成参数；其中，计算误差的交叉熵损失函数为：式中，y_k是第k个样本预测输出标签，t_k是第k个样本训练集真实标签，k为大于0的正整数；步骤5：将训练完成的深度卷积网络的全连接层移除，加上极限学习机层，对该层进行训练，得到训练参数，极限学习机层包含n隐藏层和一个识别分类层，特征输入层包含64n个特征向量，隐藏包含125n个神经元，输出层均满足One‑hot格式输出，n为大于0的正整数；步骤6：在步骤1中的测试集上，测试网络的识别准确率，若比前一次识别正确率高，则保存模型参数，继续返回到步骤5，对参数进行调整，直到模型识别正确率上下波动小于0.001，则停止迭代。