一种融合二分类和三元组的示功图相似性检测方法

摘要

本发明公开了一种融合二分类和三元组的示功图相似性检测方法，首先依据图形相似性对示功图样本集进行分类，并建立二分类和三元组模型的训练集和验证集；然后分别输入基于二分类和三元组的深度学习网络进行训练，获得二分类相似检测模型和三元组相似检测模型；最后根据训练好的模型对抽油机井实时示功图与平稳工况下的标准示功图的图形趋势相似度检测结果进行融合分析，对故障示功图进行报警并通知现场人员。该方法能够减小模型错误相似匹配对所占比例，提高相似性匹配准确率，增强了抽油机井工况分析与生产指导管控能力。

说明书

技术领域

本发明涉及抽油机井故障检测领域，具体而言，是将二分类和三元组示功图相似性检测结果进行数据融合，根据两种模型输出综合诊断抽油机井是否发生故障的方法。

背景技术

在原油开采领域，抽油机示功图记录了单冲次内载荷与位移的变化，是分析抽油机井工况好坏最直接有效的手段。近年来，基于示功图数据的抽油机井异常工况检测方法在采油及地质工程得到了广泛应用。但由于地质情况等条件的影响，大部分抽油机在环境因素影响下都难以接近工程原理中标准工况下的示功图。出于工程考虑，目前业内通常以抽油机长期平稳运行时的示功图作为该设备的标准示功图，并依靠图形相似性检测方法分析、过滤大部分相似示功图，只有出现与平稳工况下不相似的示功图时才判定设备出现故障。相较于重叠面积法和统计分析法等常用的图形相似性方法，深度学习相似检测技术的泛化能力较强，对于局部不一致、图形趋势相似的示功图也具有较高的相似判别准确率，能够检测示功图形状、趋势的变化，具有较强的应用价值。

在基于深度学习的图形相似分析方法研究中，国内外多数学者通过优化神经网络参数提高了神经网络诊断的正确性，在此方面也取得了显著的成果。与此同时，随着神经网络技术的发展，新的神经网络结构与模型也被运用于图形相似检测技术中，提高了相似检测技术的速度和准确率。然而，对于单一网络的人工智能图形相似检测技术而言，网络参数权重值与网络结构的优化带来的准确率提升程度还是有限的。

为解决这一问题，可以通过数据融合的方式将多种深度学习图形相似技术结合，减小其错误相似匹配对所占比例，提高相似性匹配模型准确率，从而有效地提高抽油机井异常工况的检测精度，减少系统误报和漏报，增强抽油机井示功图故障检测系统的可靠性与稳定性，促进指导油田科学稳定生产。

发明内容

针对上述缺陷，本发明提出一种融合二分类和三元组的示功图相似性检测方法，通过构建示功图相似性二分类及三元组对照样本集并分别输入深度学习网络进行训练，得到二分类和三元组相似性检测模型，对抽油机井实时示功图与平稳工况下的标准示功图的图形趋势相似度检测结果进行融合分析，达到准确检测抽油机井故障、优化抽油机井工况分析与生产指导的目的。

本发明公开了一种融合二分类和三元组的示功图相似性检测方法，包括以下步骤：

(1)获取多台抽油机设备在历时T期间内的原始示功图二维数据，并对其进行异常数据过滤处理，得到原始数据样本集S：

其中s

(2)设定每台抽油机设备的示功图坐标系以其生产参数的最大载荷f

(3)依据

(4A)以示功图图形相似性为依据，将示功图样本集

(4B)在每个子样本集内确定由工艺专家标定的长期平稳工况示功图作为标准示功图，即锚点集合A＝{a

(5)由工艺专家从历时T

(6)实时采集抽油机示功图数据，过滤异常数据并进行预处理，生成示功图s

(7A)将样本对(a

(7B)将a

(8)融合二分类和三元组测试结果，若τ

具体的，所述对历史示功图二维数据进行异常数据过滤处理具有如下步骤：

(1-1)过滤位移或载荷任一维数据为空的示功图原始数据，即

(1-2)过滤位移或载荷任一维数据部分缺失导致位移与载荷数据采样点不一致的示功图原始数据，即：

其中M

(1-3)过滤位移或载荷任一维数据全为零或近似为零的示功图原始数据，即：

X

或F

其中M表示每个示功图原始样本数据集中位移x和载荷f的采样点数，abs()为绝对值函数，max()为取最大值函数，min()为取最小值函数，ε表示接近零的常数，此类示功图表现为一条平直的直线或具有较小波动的直线，一般为关井时采样所得数据；

(1-4)过滤位移或载荷任一维数据超出生产参数的最大冲程f

(1-5)过滤历史示功图二维数据中，其他由于设备故障导致异常的示功图原始数据。

具体的，所述训练得到基于三元组的相似性检测模型具有如下步骤：

(4A-1)将图片格式的训练集

(4A-2)定义卷积神经网络结构，首先定义训练集和验证集的2个输入层，然后定义ResNet50的50个卷积层、50个ReLU层、2个全局池化层和1个全连接层，最后引入L2NORM层、三元组选择层和三元组损失层。

(4A-3)定义求解器，包括基础学习率r、学习策略P、学习率变化度γ、进入训练下一过程的阈值Th、最大迭代次数t

(4A-4)将LMDB格式的训练集

(4A-5)在三元组选择层，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集合，并从中随机选取

对A

(4A-6)在三元组选择层之后引入三元组损失层，损失函数为：

其中α表示三元组损失边距值，+表示[]内的值大于零的时候，取该值为损失，否则取损失为零；

(4A-7)当第z个三元组损失

利用梯度进行反向传播更新网络参数，完成迭代训练后得到基于三元组的相似性检测模型M

具体的，所述对每一个锚点分别选取相似和不相似的样本进行叠加绘制生成二分类正负样本集具有如下步骤：

(4B-1)对第p类示功图锚点a

s

(4B-2)将a

(4B-3)对第p类示功图锚点a

具体的，三元组相似性检测模型M

(7A-1)根据工艺专家从历时T

(7A-2)实时采集抽油机示功图数据，过滤异常数据并进行预处理，生成示功图s

(7A-3)将样本对(a

(7A-4)计算

(7A-5)比较欧氏距离与标定阈值Th

有益效果

本发明采用上述技术方案，公开了一种融合二分类和三元组的示功图相似性检测方法，具有以下有益效果：分别构建基于二分类和三元组的深度学习网络框架，生成训练集和验证集并输入对应网络，对曲线趋势相似性进行特征提取及训练得到模型，利用数据融合的方式对检测结果进行分析，减少模型错误相似匹配对所占比例，准确判断抽油机是否出现故障。相较于传统的检测方法，该方法提高了相似性检测模型的准确率，且具有较强的泛化性能，对于管控抽油机安全、稳定生产具有重要价值。

附图说明

图1为本发明的融合二分类和三元组的示功图相似性检测方法流程框图；

图2(a)为基于三元组的相似性诊断模型在训练集上的损失率；

图2(b)为基于三元组的相似性诊断模型在验证集上的损失率；

图3为三元组训练集和验证集的34个类别中的锚点；

图4(a)为基于二分类的相似性诊断模型在训练集上的损失率；

图4(b)为基于二分类的相似性诊断模型在验证集上的损失率；

图5(a)为二分类训练集中正负样本示例；

图5(b)为二分类验证集中正负样本示例；

图6对照测试集的锚点；

图7(a)为对照测试集中用于三元组模型的测试样本示例；

图7(b)为对照测试集中用于二分类模型的测试样本示例；

具体实施过程

下面结合附图以及具体的算例，由具体的操作流程说明本方法在抽油机井故障诊断的实施效果。应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

选取某原油开采企业八台抽油机2019年6月至2020年6月之间的示功图原始数据，验证本发明融合二分类和三元组的示功图相似性检测方法的可行性。本发明的总体系统流程图如图1所示，具体实施步骤如下：

(1)对历史示功图二维数据进行异常数据过滤及预处理，剔除异常数据共计4691组，得到示功图样本集

(2)设备1的最大载荷f

(3)采用OpenCV绘制曲线的方法，将示功图二维坐标点按首尾相接规则连接，依据

(4)以示功图图形相似性为依据，可以将示功图样本集

采用添加随机扰动等数据增强方法均衡样本数量较少的类别，进行数据增强后，总样本数为174398个，每个类别下的样本数量l

采用留出法对示功图样本集

(4A)将三元组模型的训练集

首先，将图片格式的训练集

其次，定义卷积神经网络结构，包括训练集和验证集的2个输入层、50个卷积层、50个ReLU层、2个全局池化层、1个全连接层、L2NORM层、三元组选择层和三元组损失层。

接着，定义求解器，包括基础学习率r、学习策略P、学习率变化度γ、进入训练下一过程的阈值Th、最大迭代次数t

表1 三元组模型求解器参数

将LMDB格式的训练集

(4B)在每个子样本集内确定由工艺专家标定的长期平稳工况示功图作为标准示功图，即锚点集合A＝{a

以第1类示功图锚点a

将二分类模型的训练集

首先，将图片格式的训练集

其次，定义ResNet50深度学习网络，包括训练集和验证集的2个输入层、50个卷积层、50个ReLU层、2个全局池化层和1个全连接层，最后采用SoftmaxWithLoss函数作为损失函数。

接着，定义求解器，包括基础学习率r、学习策略P、学习率变化度γ、进入训练下一过程的阈值Th、最大迭代次数t

表2 求解器参数

将LMDB格式的训练集

(5)采用融合二分类和三元组的示功图相似性检测方法对抽油机示功图进行实时故障检测：

以2020年7月的示功原始数据作为实时工况数据，首先根据专家系统知识确定抽油机设备长期平稳工况示功图作为标准示功图，标定各台设备的锚点a

然后生成基于三元组和二分类相似性检测模型的对照样本集。以某台设备的锚点a

接着使用对照样本集进行测试，将测试样本对集合输入训练好的三元组相似性检测模型M

表3 三元组模型测试结果

同时，将叠加绘制的测试样本集输入训练好的二分类相似检测模型M

8833张测试样本的测试结果如表4所示：

表4 二分类模型测试结果

最后，融合二分类和三元组测试结果，若τ

表5 融合分析测试结果

由上述分析可知，本发明的融合二分类和三元组的示功图相似性检测方法具备故障检测功能，能够融合两种深度学习相似检测方法以减小模型错误匹配对所占比例，提高相似性匹配准确率，有效识别出与抽油机长期平稳工况不同的异常情况。可见，通过本发明可以准确检测抽油机故障，避免故障影响油田产量与效益、威胁安全平稳生产，同时能够有效提高模型泛化性能，降低开发部署难度和现场人员劳动强度。

基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的其他实施例，都属于本发明所保护的范围。