申请/专利权人：南京富岛信息工程有限公司

申请日：2020-12-11

公开（公告）日：2024-03-19

公开（公告）号：CN112508105B

主分类号：G06F18/241

分类号：G06F18/241;G06F18/22;G06F18/214;G06F16/903;G06N3/0464;G06N3/084;E21B47/008

优先权：

专利状态码：有效-授权

法律状态：2024.03.19#授权;2021.04.02#实质审查的生效;2021.03.16#公开

摘要：本发明公开了一种采油机故障检测与检索方法，首先依据图形相似性对示功图进行分类，输入卷积神经网络学习特征与训练；然后在线选择锚点样本、正样本、负样本计算特征相似度损失，优化网络参数，并将训练好的模型部署至采油机边缘计算网关；接着根据各台设备标定的标准库和故障库生成标准特征库与故障特征库，实时获取采油机示功图并输入模型得到示功图特征，计算该特征与各标准特征的相似度；最后将与标准库不相似的实时示功图与故障特征库进行比较，返回最相似的故障类型或更新故障库。该方法能够根据图形相似性对采油机进行故障检测，并在发现异常工况时检索故障库以实现故障诊断，增强对采油机设备工况监测、诊断的管控能力。

主权项：1.一种采油机故障检测与检索方法，其特征在于包括以下步骤：1建立采油机故障检测模型M，包括1-1获取多台采油机设备的历时T期间内的原始示功图二维数据，过滤其中的异常数据，并通过数据预处理生成示功图样本集1-2以示功图图形相似性为依据，将示功图样本集分为k个不同类别的子样本集并采用数据增强方法均衡样本数量较少的类别： 其中spl表示第p个子样本集内的第l张示功图图像，共含lp张示功图图像；1-3采用留出法将示功图样本集划分为训练集和验证集输入卷积神经网络对训练集进行训练，获得全连接层后的特征向量在此后引入L2NORM层求出L2归一化得到单位特征向量 1-4在L2NORM层后进行在线选择与训练，从k个不同类别的示功图样本类别中随机选取类别p作为原始示功图类别，并从中随机选取个图像作为原始示功图锚点集合Ap： 1-5以Ap内的任一样本为锚点，随机选择类别p内的样本spl作为正样本，随机选择除类外任意样本类别内的sql作为负样本，获取锚点、正样本与负样本的特征向量和计算锚点与正样本间的欧氏距离d+、锚点与负样本间的欧氏距离d-并引入损失边距值α，将d++α与d-之差作为损失进行求解，使正样本接近锚点、负样本远离锚点： 其中表示第z个损失；[]+表示[]内的值大于零的时候，取该值为损失，否则取损失为零；1-6重复步骤1-5，当第z个损失大于零时，根据求导梯度公式计算参数梯度，利用梯度进行反向传播更新卷积神经网络参数，其中，参数梯度通过下式计算： 2将训练得到的模型M部署到各台采油机的边缘计算网关；3建立数据库，包括：3-1以当前日期D为基准，标定各台采油机历时Ttest期间内的保持平稳运行的标准示功图库并以此为标准，将与不相似的典型示功图作为故障示功图库并将故障信息记录在油井信息库中；3-2将故障示功图库输入模型M，将中各故障示功图样本在L2NORM层之后得到的单位特征向量加入故障示功图特征库将Ttest期间的标准示功图库输入模型M，将中各标准示功图样本在L2NORM层之后得到的单位特征向量加入标准示功图特征库4实时采集当前日期D的示功图数据并进行异常过滤和数据预处理，生成示功图图片，使用训练好的模型M得到该示功图的单位特征向量进行故障检测，查询计算与标准示功图特征中各个标准示功图的单位特征向量的内积，得到余弦相似度，进而求出欧氏距离ξ+来比较相似程度，若均超过标定阈值ThL2则表示检测到故障，否则表示当前工况平稳，无需报警；5对检测到故障的示功图进行故障检索：查询计算vtest与故障示功图特征库中各个故障示功图的单位特征向量之间相似度ξ-并按降序进行排序，获得相似度最高的故障示功图，查询油井信息库得到故障信息；若ξ-均超过标定阈值ThL2则表示检测到新故障，需要由工艺专家进行标定与诊断，并更新到故障示功图库中。

全文数据：

权利要求：

百度查询： 南京富岛信息工程有限公司 一种采油机故障检测与检索方法

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