申请/专利权人：中国石油大学(华东)

申请日：2020-06-24

公开（公告）日：2020-10-23

公开（公告）号：CN111810124A

主分类号：E21B47/008(20120101)

分类号：E21B47/008(20120101);G06N3/04(20060101);G06N3/08(20060101)

优先权：

专利状态码：有效-授权

法律状态：2023.09.22#授权;2020.11.10#实质审查的生效;2020.10.23#公开

摘要：本发明公布了一种基于特征重标定残差卷积神经网络的抽油机井故障诊断方法。其特征在于包括以下步骤：步骤S1：采集载荷和位移数据，将每个运动周期内的载荷和位移绘制成示功图；步骤S2：根据抽油机井的生产运行特性确定油井的工况，标注示功图对应工况，制作数据集；步骤S3：构建残差卷积神经网络模型。步骤S4：构建SE子模块。步骤S5：将SE子模块嵌入残差卷积神经网路模型中。步骤S6：使用数据集训练、测试模型，完成对抽油机井示功图的自动分类识别。该发明与多种机器学习模型和经典深度学习模型相比在测试集上的分类准确率、精度、召回率和f1得分最高，损失率低，训练时间短，能够很好的满足立式抽油机实际故障分析的应用要求。

主权项：1.一种基于特征重标定残差卷积神经网络的抽油机井故障诊断方法，其特征在于包括以下步骤：步骤S1：使用载荷和位移传感器分别采集抽油机光杆下端悬点处的载荷和位移数据，将每个运动周期内的所述载荷和所述位移数据绘制成示功图作为输入；步骤S2：对S1中的输入进行预处理，根据抽油机井的生产运行特性确定油井的工况，归类形状相似的示功图并对每类示功图标注对应工况，随机选取一部分示功图作为训练集，另一部分示功图作为验证集和测试集；步骤S3：将测试集的示功图输入特征重标定残差卷积神经网络模型，所述残差卷积神经网络模型由1×1卷积层、3×3卷积层、中间层批归一化层、激活层、平均池化层和在输入输出之间引入1条恒等映射identitymapping的直连通道组成；所述特征重标定残差卷积神经网络模型共14层，其中，包含1个卷积层，5个SE-残差模块残差模块嵌入Sequeeze-and-Excitation子结构；卷积层中均加入L2正则化并使用LeakyReLu作为激活函数；其中，模型输入为示功图，输出为示功图的种类即工况类型；步骤S4：构建SE-残差模块的子结构完成对特征的重标定，加强有效特征图的权重，减小无效特征图的权重；步骤S5：将SEE-残差模块子模块嵌入残差卷积神经网路模型的分支上，对分支特征重标定，在浅层输入与深层输出相加前对分支进行操作，如果对主支上的特征重标定，经过0,1间的Scale操作，深层网络反向传播优化时会出现梯度弥散现象，导致模型无法收敛；步骤S6：使用S2得到的数据集训练、测试步骤S5得到的模型，完成对抽油机井示功图的自动分类识别。

全文数据：

权利要求：

百度查询： 中国石油大学(华东) 一种基于特征重标定残差卷积神经网络模型的抽油机井故障诊断方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD