一种基于深度学习的抽油机井复杂工况示功图识别方法及系统

摘要

本发明涉及一种基于深度学习的抽油机井复杂工况示功图识别方法及系统，该方法包括：构建抽油机井的功图模板库；对示功图数据进行预处理并将经预处理获得的预处理结果作为模型输入；利用功图模板库对深度残差神经网络进行训练，获得基于深度残差神经网络的诊断模型；向诊断模型输入待识别示功图数据，输出工况诊断结果。

说明书

技术领域

本发明涉及油井工况诊断技术领域，尤其涉及一种基于深度学习的抽油机井复杂工况示功图识别方法及系统。

背景技术

在当前大多数陆地油田的生产中，游梁式抽油机仍是主要的人工举升方式，由于其杆、管、泵在地下深处较为恶劣的环境中工作，加之生产过程中油藏环境的动态变化，导致机采工况复杂，抽油机故障频发。及时准确地判断井下工作状况，从而分析抽油机运转状态和产量变化原因有助于生产人员作出油井管理决策，避免油井工况进一步恶化，提高生产效率。

油井实测示功图反应了抽油机悬点载荷随位移的变化，通过分析示功图的几何形状判断抽油机井下工况是一种常用的方法。传统示功图分析是人工对现场采集的示功图识别，判断井下工况，然后由现场工程师根据结果提出生产措施。随着人工智能技术的不断发展和石油工业对智能化、自动化的重视，基于机器学习的示功图智能诊断方法得到发展和应用。朱春梅等，李春生等通过对示功图进行特征提取，基于支持向量机理论构建多分类模型实现了示功图的自动识别。刘宝军将浅层卷积神经网络应用于示功图识别，该方法避免了示功图的特征提取同时也提高了示功图的识别准确率和工况种类数。段友祥等提出了一种改进的Alexnet(一种卷积神经网络)模型应用在油井示功图分类中。仲志丹等利用CNN提取示功图特征，使用SVM对示功图进行分类，该方法结合了CNN和SVM的优势。以上方法大多数都是针对典型功图的识别来区分常见的井下工况(典型功图代表的工况一般定义为固定阀漏失，游动阀漏失，气影响，供液不足，气锁，杆断等)。然而，实际生产中存在大量典型功图之外的复杂功图，这些复杂功图代表了井下多种单一工况或复合工况，例如单一工况有泵上挂、泵下碰、油管漏失、柱塞脱出泵筒等，复合工况有油井出砂和振动、双阀漏失、振动和供液不足等。这些复杂工况的示功图具有相似性，功图形状的细微变化代着完全不同的井下工况。仅实现对几种典型示功图的识别来构建抽油机井工况诊断模型无法全面、准确掌握所有抽油机井的生产工况。因此，实现抽油机井的多工况诊断并提高多工况下的示功图识别准确率是当前抽油机井下工况智能诊断的一个挑战。

近年来，深度学习在计算机视觉领域取得了一系列显著的研究成果。其中，卷积神经网络的相关研究得到了快速的发展并取得了巨大的进步。现代CNN框架最早由LeCun等于1990年提出，随后在1998年对其改进并成功应用于手写数字的识别。2012年Krizhevsky等提出的AlexNet(一种更深的CNN模型架构)在当年的ImageNet图像分类大赛中取得冠军。此后，卷积神经网络的研究成为热点，更多改进的CNN模型架构被研究者们相继提出，其中具有代表性的有VGGNet，GoogLeNet/Inception，这些模型都表现出更深、更宽、更复杂的网络结构的趋势。一个足够优化的深层网络可以自主的抽取数据中的低、中、高层次特征，并且随着网络层数的叠加更深层次的特征被抽取，使得模型的数据更加丰富，网络表征能力更加强大，网络深度对于最终模型效果是至关重要的。但随着网络的不断加深，在现有的优化算法和网络结构的约束下，网络愈加难以收敛，并且在同一数据集上的准确率不断下降。目前已有相关研究将深度神经网络与抽油机井的多工况诊断相结合：例如现有技术中公开号为CN104865827B的专利文献就基于统一模型对采油过程优化的效果较差的问题，提出了一种采用神经网络模型的抽油机采油优化方法，其包括：根据所述抽油机的历史示功图数据获得多种典型工况类型；根据所述多种典型工况类型，对所述历史示功图数据进行归类，将所述历史示功图数据中包含的每个示功图数据与各典型工况类型对应；基于每种典型工况类型所对应的所述示功图数据，分别生成各典型工况类型的神经网络模型；在所述多种典型工况类型中，确定抽油机所处的实时工况的类型；基于所述实时工况的类型所对应的神经网络模型，对抽油机的采油过程进行优化。以及现有技术中公开号为CN105672988B的专利文献所提出的一种抽油机示功图诊断系统和诊断方法，其中，该系统包括：载荷传感器，用于采集功图数据；功图数据采集模块，用于从载荷传感器获取功图数据，并对功图数据进行预处理，将预处理后的功图数据传送给移动终端；移动终端，用于对预处理后的功图数据进行格式化处理；云端功图转换服务模块，用于将格式化处理后的功图数据转换为泵功图数据，并将泵功图数据传输至移动终端；神经网络模块，用于从移动终端接收泵功图数据，并对泵功图数据进行诊断，得到诊断结果，并将诊断结果传回移动终端进行显示。

在上述所提出的直接将深度神经网络技术应用于抽油机示功图工况诊断的技术方案中，由于目前深度神经网络一般是通过基于梯度的反向传播算法来进行优化，神经网络的反向传播是逐层对函数偏导相乘，层数比较多的深度神经网络模型在使用梯度下降法对误差进行反向传播时，反向传播过程中要不断地传播梯度，虽然随着网络层级的不断增加，模型精度不断得到提升，而在增加到一定的数目以后，梯度在传播过程中会逐渐消失，将导致无法对前面网络层的权重进行有效的调整，训练精度和测试精度迅速下降，深度神经网络模型训练难以收敛，即神经网络的训练因其层次加深而变得愈加困难。

此外，一方面由于对本领域技术人员的理解存在差异；另一方面由于申请人做出本发明时研究了大量文献和专利，但篇幅所限并未详细罗列所有的细节与内容，然而这绝非本发明不具备这些现有技术的特征，相反本发明已经具备现有技术的所有特征，而且申请人保留在背景技术中增加相关现有技术之权利。

发明内容

鉴于现已提出的直接将深度神经网络技术应用于抽油机示功图工况诊断的技术方案中所存在的神经网络的训练因其层次加深而变得愈加困难的缺陷，本发明的目的在于提供一种基于深度学习的抽油机井复杂工况示功图识别方法及系统，通过本发明，可以大大提高抽油机井工况诊断的准确性，帮助生产人员迅速准确的掌握抽油机井的工作状态，以便采取相应的管理措施，有效提高油井生产管理水平。本申请中采用了能够很好地解决深度神经网络的退化问题的深度残差神经网络，深度残差神经网络不会给网络增加额外的参数和计算量，同时却可以大大增加模型的训练速度、提高训练效果，并且当模型的层数加深时，在同等层数的前提下深度残差神经网络收敛得更快，能够通过大大增加的深度获得更高的精度，很好地解决退化问题。

本申请提出了基于深度学习的抽油机井复杂工况示功图识别方法及系统，其中明确了识别方法的各步骤中处理的数据均为示功图图像数据以及各步骤如何处理图像数据，将深度残差神经网络与抽油机井复杂工况示功图密切关联起来。本发明在现有抽油机井示功图工况诊断方法的基础上，对其中的功图处理、工况诊断模型等方面均进行了重大改进，其有益效果主要体现在以下两个方面：

(1)借助深度学习和人工智能思想，提出了基于深度残差神经网络的抽油机井多工况诊断模型。与其他方法相比，深度残差神经网络能更好的提取示功图高层特征，从而提高在多种类工况诊断任务下的示功图识别准确率。此模型能够有效的应对抽油机井实际生产中复杂环境，解决游梁式抽油机井的多工况诊断问题。

(2)提出了良好的归一化方法，能有效的解决不同抽油机井工作参数不一致的问题，消除冲程、载荷不同对示功图形状影响，使相同工况油井的示功图形状表现出一致性。此方法一定程度上消除了数据噪声，最终提高了模型性能。

本发明提供了一种基于深度学习的抽油机井复杂工况示功图识别方法及系统，该方法包括：构建抽油机井的功图模板库；对示功图数据进行预处理并将经预处理获得的预处理结果作为模型输入；利用功图模板库对深度残差神经网络进行训练，获得基于深度残差神经网络的诊断模型；向诊断模型输入待识别示功图数据，输出工况诊断结果。

考虑到目前对抽油机井的多工况诊断实质是对仅有细微差异的多种形状的示功图进行图像分类，以及现已提出的直接将深度神经网络技术应用于抽油机示功图工况诊断的技术方案中所存在的神经网络的训练因其层次加深而变得愈加困难的缺陷，本申请提出了一种利用深度残差神经网络对示功图图像进行分类，进而实现对抽油机井工况自动化诊断的方法。本申请中采用了深度残差神经网络对示功图图像进行处理，深度残差神经网络可以更好的提取图像的深层特征，准确的识别出不同种类图像间的细微差异，使得对于示功图这种形状轮廓高度相似而又代表不同种类的工况的图像有较高的分类准确率。在实际工程应用中，本申请所提出的该模型能更准确、更全面的诊断抽油机井下工况，不再局限于典型工况，帮助生产人员迅速准确的掌握抽油机井的工作状态，以便采取相应的管理措施，对油田有序生产和智能化建设具有重要意义。

根据一种优选实施方式，对示功图数据进行预处理的步骤至少包括对示功图的归一化和/或对示功图的二值化。

根据一种优选实施方式，功图模板库中至少包括与单一工况相对应和/或与复合工况相对应的至少一个示功图特征图版。

根据一种优选实施方式，工况可包括功图正常、供液不足、气体影响、出砂、固定阀漏失、结蜡、油稠、游动阀关闭迟缓、游动阀漏失、下碰泵、柱塞脱出工作筒、上碰泵、光杆打驴头、柱塞磨损较大、惯性影响、振动影响、冲程损失、液击、过紧、柱塞中间局部磨损、柱塞卡死、油管漏失、杆断、气锁、固定阀常开、抽喷、振动加供液不足、振动加气体影响、惯性加振动、惯性加供液不足、出砂加气体影响、振动加出砂、出砂加供液不足、振动加柱塞间隙过大、双阀漏失、振动加出砂加气体影响、振动加出砂加供液不足中的一个或几个。

根据一种优选实施方式，通过对示功图的归一化处理，将示功图形状尺寸标准化，消除冲程和载荷不同对示功图形状特征的影响，使得同一工况的示功图表现出同样的形状特征。

根据一种优选实施方式，通过对示功图的二值化处理，将归一化后的示功图数据转化为图像并提取像素值作为模型的输入特征。

根据一种优选实施方式，对示功图的二值化处理的步骤可包括：将示功图位移、载荷数据绘制成图像；然后提取图像的RGB像素值，并将RGB像素值转换为灰度值；采用下式进行二值化，

根据一种优选实施方式，使用下式将RGB像素值转换为灰度值：

Gray＝R*0.3+G*0.59+B*0.11，

式中，R、G、B为图像像素点三色值，Gray为图像像素的灰度值。

本申请还提出了一种基于深度学习的抽油机井复杂工况示功图识别系统，至少包括：功图模板库模块，构建抽油机井的功图模板库，对其库中的示功图数据进行预处理并将处理得到的预处理结果作为模型输入；诊断模型构建模块，利用功图模板库对深度残差神经网络进行训练，获得基于深度残差神经网络的诊断模型；工况诊断模块，利用基于深度残差神经网络的诊断模型对输入的待识别示功图数据进行分析处理，输出工况诊断结果。功图模板库模块、诊断模型构建模块与工况诊断模块依次连接。功图模板库模块可与工况诊断模块连接。上述与单个模块所对应的可执行语句可以是由单个或两个及以上的模块所完成，单个模块可以对应完成上述一条或两条及以上的可执行语句。

根据一种优选实施方式，功图模板库模块对示功图归一化处理和/或对示功图二值化处理并将处理得到的结果作为模型输入。

附图说明

图1是本申请提出的抽油机井复杂工况示功图识别方法的流程示意图；

图2是本申请提出的ResNet中采用的shortcut跨越方式的示意图；

图3是本申请提出的三种卷积网络结构(LeNet-5、普通卷积网络和残差网络)的简化示意图；

图4是本申请提出的抽油机井理论示功图和实测示功图示意图；

图5是本申请提出的功图模板库的简化示意图；

图6是本申请提出的示功图数据归一化处理前后的对比示意图；

图7是本申请提出的示功图二值化处理的流程示意图；

图8是本申请提出的ResNet-18模型训练过程示意图。

具体实施方式

下面结合附图进行详细说明。

如图1所示，本发明提供了一种基于深度学习的抽油机井复杂工况示功图识别方法，或为一种基于深度学习的游梁式抽油机井复杂工况示功图识别方法。该方法包括以下步骤(抽油机井复杂工况示功图识别系统包括至少一个模块，至少一个模块被配置为执行以下步骤中的一个或几个)：

S1：构建抽油机井的功图模板库。

对大量的历史地面示功图进行预筛选，判断并筛选出其中符合工况诊断要求的多个示功图特征图版，用以满足深度学习所需的大量样本数据。基于筛选结果可构建得到抽油机井的功图模板库。该筛选是指以选取油田实际生产中普遍存在的26种单一工况和11种复合工况作为抽油机井多工况诊断的目标，取得各工况的现场实测示功图。

S2：对示功图数据进行预处理并将经预处理获得的预处理结果作为模型输入。

该预处理包括对示功图数据的归一化和示功图的二值化。

S21：示功图数据的归一化。油田生产现场采集的示功图数据为一个完整抽油冲程中的一串载荷和位移的数据序列。油田现场众多井的井深和冲程不一致，示功图形状尺寸也表现出差异性。通过数据归一化可以将示功图形状尺寸标准化，消除冲程和载荷不同对示功图形状特征的影响，使得同一工况的示功图表现出同样的形状特征，图6以上碰泵为例展示了归一化前(左)后(右)图形的对比。从直观上对比来看，归一化后的图形在形状轮廓上表现出高度的相似性，一定程度上消除了数据中的噪声。本文后续的实验结果也表明了归一化对模型性能带来了有效的提升。其中，归一化公式如下式所示：

其中，

S22：示功图的二值化。卷积神经网络的输入为图像的像素值，因此还需将归一化后的示功图数据转化为图像并提取像素值作为本申请模型的输入特征。在实际生产中，根据示功图形状轮廓将不同示功图图像进行分类，分别与不同井下工况相对应，因此只需获取反映示功图形状轮廓的单通道图像。

如图7所示，首先使用python中的第三方库matplotlib将示功图位移、载荷数据绘制成图像。绘图参数如下：图像大小为224╳224，linewidth＝1.0，color＝‘black’，xlim＝[-0.2，1.2]，ylim＝[-0.2，1.2]。其中，xlim，ylim设置图像的绘图坐标轴区域值，以正常示功图位移、载荷最值作为归一化标准值，当发生泵上碰、泵下碰、杆断脱等工况时，归一化后的值会超出[0，1]的范围。为保留完整的图形信息，在统计本申请使用的功图样本数据后，设置该值区间为正常值±20％即可，过大则会造成图像周边空白较多，信息冗余，实际操作中可根据使用的数据源自行设置。

然后提取图像的RGB像素值，使用浮点运算(式3)将RGB像素值转换为灰度值。最后用式4进行二值化，如图6所示出的即为图像二值化过程。

Gray＝R*0.3+G*0.59+B*0.11 (3)

式3中，R、G、B为图像像素点三色值，Gray为图像像素的灰度值，T为二值化后对应像素点的值。式4中，1表示图像白色区域，0则表示曲线轮廓。

S3：建立基于深度残差神经网络的诊断模型。训练数据和网络并进行参数调优，构建神经网络模型。在训练过程的每次迭代中都使用测试集对模型进行测试，获得其测试集对应的模型准确率。

从油田的功图模板库中获取37种工况的标签数据样本作为数据集。该标签数据样本由人工进行数据标注，每种工况300个，共6000个数据样本。然后对带标签的数据样本进行预处理，获得每个样本的224╳224二值化图像作为模型输入。最后实现单通道的18层残差卷积神经网络(ResNet-18)作为图中的图像识别网络模型。网络结构如图3(右)所示。其中，在每个卷积层后使用batch normalization(BN)，使用ReLu作为激活函数，采用式5随机初始化每层权重参数。

其中，W

随后使用数据集中的70％训练网络，30％进行测试。基于深度残差神经网络的诊断模型的训练参数如下：优化方法采用随机梯度下降法(SGD)，mini-batch size＝64；学习率(learning rate)设置为0.01；迭代次数设置为500次；权重衰减(Weight decacy)系数设置为8e

在训练过程的每次迭代中都使用测试集对模型进行测试，图8展示了训练准确率和测试准确率随训练迭代次数的变化。图8中横坐标iter代表迭代次数，纵坐标accuracy代表准确率，trian accuracy指训练准确率，testaccuracy指测试准确率。结果表明，针对本申请中提出的示功图数据集，该模型是收敛的，采用SGD优化方法能获得良好的结果，模型有良好的泛化性能，在测试集上的准确率达到了99.60％。

步骤S1～步骤S3是主要区别于现有技术的内容且清楚完整地记载了具体实现步骤及方法。其中例如步骤S3中可采用python第三方库numpy内置的random函数生成[0，1]之间正态分布的随机函数的过程，以及基于由本申请所限定的具体模型参数来创建、训练、测试以及调参深度残差网络的过程，均是应用已非常成熟的本领域技术人员能够根据现有技术实现本申请技术方案的现有手段，本申请未再赘述。但步骤S1～S3中涉及如何构建抽油机井的功图模板库、如何实现对示功图数据的归一化和示功图的二值化、具体模型参数的选择等等将抽象算法与本领域具体的示功图数据相结合的步骤，均未在其他现有技术公开，不属于本领域公知常识也不存在相应的启示，本申请所提出的发明技术方案相对于现有技术是非显而易见的。并且本申请清楚地定义了与本领域示功图数据紧密对应关联起来的相关模型/神经网络的输入参数及其相关输出结果。

S4：向上述诊断模型输入待识别示功图数据，可输出得到与之对应的工况诊断结果。

需要注意的是，上述具体实施例是示例性的，本领域技术人员可以在本发明公开内容的启发下想出各种解决方案，而这些解决方案也都属于本发明的公开范围并落入本发明的保护范围之内。本领域技术人员应该明白，本发明说明书及其附图均为说明性而并非构成对权利要求的限制。本发明的保护范围由权利要求及其等同物限定。本发明说明书包含多项发明构思，诸如“优选地”、“根据一个优选实施方式”或“可选地”均表示相应段落公开了一个独立的构思，申请人保留根据每项发明构思提出分案申请的权利。