基于bp神经网络的抽油设备示功图动态识别方法和装置制造方法
【专利摘要】本发明是有关于基于BP神经网络的抽油设备示功图动态识别方法和装置，其中的方法包括：建立特征库以及动态识别，建立过程包括：对抽油设备示功图样本的时域数据进行归一化处理，并采样获得离散的时域数据序列；对时域数据序列进行傅立叶变换获得频域数据序列；利用频域数据序列中的部分数据替代时域数据序列中的部分数据，并获得傅立叶逼近特征值；将归一化处理后的抽油设备示功图样本分割为四部分，并提取特征向量；傅立叶逼近特征值和特征向量存储于特征库中；利用BP神经网络算法对抽油设备示功图样本进行训练，以库中的傅立叶逼近特征值。本发明增强了抽油设备的自动化管理程度，并提高了油田工作效率，同时完善了油井作业的管理制度。
【专利说明】基于BP神经网络的抽油设备示功图动态识别方法和装置
【技术领域】
[0001]本发明涉及设备管理技术，特别是涉及一种基于BP神经网络的抽油设备示功图动态识别方法和装置。
【背景技术】
[0002]油田的抽油设备示功图(也即抽油机示功图)可以反映出抽油设备的工况,如抽油设备的故障情况、抽油效率以及抽油机产量等。如果能够对抽油设备示功图的监控分析进行科学管理，则可以使抽油设备达到较高的采油速度以及较高的原油采收率。有鉴于此，在目前的油井作业中，一个重要的工作内容就是采集并获取抽油设备的示功图。
[0003]发明人在实现本发明过程中发现:虽然目前可以通过现代化的测量手段进行全天候的信息采集，并可以利用相应的软件将采集到的信息绘制成抽油设备示功图，但是，目前仍然需要人工查看抽油设备示功图，并对抽油设备示功图进行人工分析，以判断抽油设备的工况。因此，抽油设备的自动化管理程度还有待于进一步的提高。
[0004]有鉴于现有的抽油设备的自动化管理存在的问题，本发明人基于从事此类产品设计制造多年丰富的实务经验以及专业知识，并配合学理的运用，积极加以研究创新，以期创设一种新型结构的基于BP神经网络的抽油设备示功图动态识别方法和装置，能够克服现有的抽油设备的自动化管理存在的问题，使其更具有实用性。经过不断的研究设计，并经过反复试作样品及改进，终于创设出确具实用价值的本发明。
【发明内容】
[0005]本发明的主要目的在于，克服现有的抽油设备的自动化管理存在的问题，而提供一种新型结构的基于BP神经网络的抽油设备示功图动态识别方法和装置，所要解决的技术问题是，增强抽油设备的自动化管理程度，进而进一步提高油井的原油产量，并提高油田工作效率，同时完善油井作业的管理制度，非常适于实用。
[0006]本发明的目的以及解决其技术问题可以采用以下的技术方案来实现。
[0007]依据本发明提出的一种基于BP神经网络的抽油设备示功图动态识别方法，包括:特征库的建立过程以及利用已成功建立的特征库对采集的抽油设备示功图进行动态识别过程，其中所述特征库的建立过程包括:对抽油设备示功图样本的时域数据进行归一化处理，并对归一化处理后的时域数据进行采样处理，以获得离散的时域数据序列；对所述离散的时域数据序列进行傅立叶变换，以获得频域数据序列；利用所述频域数据序列中的部分数据替代所述离散的时域数据序列中位置对应的部分数据，并利用替代后的时域数据序列进行傅立叶逼近计算，以获得傅立叶逼近特征值；利用对角线分割方式将所述归一化处理后的抽油设备示功图样本分割为四部分，并从右下部分提取特征向量；所述傅立叶逼近特征值和所述特征向量存储于特征库中；利用BP神经网络算法对抽油设备示功图样本进行训练，并利用训练获得的特征值校正特征库中的傅立叶逼近特征值。
[0008]较佳的，前述的基于BP神经网络的抽油设备示功图动态识别方法，其中所述利用已成功建立的特征库对采集的抽油设备示功图进行动态识别过程包括:对采集的抽油设备示功图的时域数据进行归一化处理，并对归一化处理后的时域数据进行采样处理，以获得离散的时域数据序列；对所述离散的时域数据序列进行傅立叶变换，以获得频域数据序列；利用所述频域数据序列中的部分数据替代所述离散的时域数据序列中位置对应的部分数据，并利用所述替代后的时域数据序列进行傅立叶逼近计算，以获得傅立叶逼近特征值；利用对角线分割方式将所述归一化处理后的抽油设备示功图分割为四部分，并从右下部分提取特征向量；利用贴近度算法对采集到的抽油设备示功图对应的傅立叶逼近特征值和特征向量进行基于特征库的贴近度计算，以识别所述采集的抽油设备示功图。
[0009]较佳的，前述的基于BP神经网络的抽油设备示功图动态识别方法，其中所述利用所述频域数据序列中的部分数据替代所述离散的时域数据序列中位置对应的部分数据包括:将所述频域数据序列中的前K个数据替代所述离散的时域数据序列中的前K个数据，其中，K为自然数且小于时域数据序列中的数据数量。
[0010]本发明提出一种基于BP神经网络的抽油设备示功图动态识别装置，该装置包括:用于建立特征库的建立模块以及用于利用已成功建立的特征库对采集的抽油设备示功图进行动态识别的识别模块；该建立模块包括:归一化模块，用于对抽油设备示功图样本的时域数据进行归一化处理，并对归一化处理后的时域数据进行采样处理，以获得离散的时域数据序列；傅立叶变换模块，用于对所述离散的时域数据序列进行傅立叶变换，以获得据替代所述离散的时域数据序列中位置对应的部分数据，并利用所述替代后的时域数据序列进行傅立叶逼近计算，以获得傅立叶逼近特征值；提取模块，用于利用对角线分割方式将所述归一化处理后的抽油设备示功图样本分割为四部分，并从右下部分提取特征向量；特征库，用于存储所述傅立叶逼近特征值和所述特征向量；训练模块，用于利用BP神经网络算法对抽油设备示功图样本进行训练，并利用训练获得的特征值校正特征库中的傅立叶逼近特征值。
[0011]较佳的，前述的动态识别装置，其中所述识别模块包括:所述归一化模块，用于对采集的抽油设备示功图的时域数据进行归一化处理，并对归一化处理后的时域数据进行采样处理，以获得离散的时域数据序列；所述傅立叶变换模块，用于对所述离散的时域数据序列进行傅立叶变换，以获得频域数据序列；所述傅立叶逼近模块，用于利用所述频域数据序列中的部分数据替代所述离散的时域数据序列中位置对应的部分数据，并利用替代后的时域数据序列进行傅立叶逼近计算，以获得傅立叶逼近特征值；所述提取模块，用于利用对角线分割方式将所述归一化处理后的抽油设备示功图分割为四部分，并从右下部分提取特征向量；贴近度模块，用于利用贴近度算法对采集到的抽油设备示功图对应的傅立叶逼近特征值和特征向量进行基于特征库的贴近度计算，以识别所述采集的抽油设备示功图。
[0012]较佳的，前述的动态识别装置，其中所述利用所述频域数据序列中的部分数据替代所述离散的时域数据序列中位置对应的部分数据包括:将所述频域数据序列中的前K个数据替代所述离散的时域数据序列中的前K个数据，其中，K为自然数且小于时域数据序列中的数据数量。
[0013]借由上述技术方案，本发明的基于BP神经网络的抽油设备示功图动态识别方法和装置至少具有下列优点以及有益效果:本发明通过利用抽油设备示功图样本建立特征库，并利用BP神经网络算法对抽油设备示功图样本进行训练，以校正特征库，这样，可以利用该校正的特征库对采集到的抽油设备示功图进行快速准确的识别；从而本发明提供的技术方案增强了抽油设备的自动化管理程度，进而进一步提高了油井的原油产量，并提高了油田工作效率，同时完善了油井作业的管理制度。
[0014]综上所述，本发明在技术上有显著的进步，并具有明显的积极技术效果，诚为一新颖、进步、实用的新设计。
[0015]上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合说明书附图，详细说明如下。
【专利附图】
【附图说明】
[0016]图1为本发明的基于BP神经网络的特征库的建立过程的流程图；
[0017]图2为本发明的严重缺液情况下的示功图标准样本示意图；
[0018]图3为本发明的傅里叶变换后的载荷位移变化曲线示意图；
[0019]图4为本发明的对抽油设备示功图样本进行分割示意图；
[0020]图5为本发明的特征库中存储的数组形式的载荷特征向量示意图；
[0021]图6为本发明的特征库中存储的数组形式的位移特征向量示意图；
[0022]图7为本发明的输出层矩阵示意图；
[0023]图8为本发明的利用已成功建立的特征库对采集的抽油设备示功图进行动态识别过程的流程图；
[0024]图9为本发明的对采集到的抽油设备示功图进行识别的一个具体例子的示意图。【具体实施方式】
[0025]为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于BP神经网络的抽油设备示功图动态识别方法和装置的【具体实施方式】、结构、特征及其功效，详细说明如后。
[0026]实施例一、基于BP神经网络的抽油设备示功图动态识别方法。
[0027]本实施例的方法主要包括两部分，一部分为:特征库的建立过程，另一部分为:利用已成功建立的特征库对采集的抽油设备示功图进行动态识别过程。下面结合图1-9对这两部分内容分别进行说明。
[0028]一、特征库的建立过程，其流程如图1所示。
[0029]图1中，S100、首先对抽油设备示功图样本的时域数据进行归一化处理，之后，对归一化处理后的时域数据进行采样处理，从而可以获得离散的时域数据序列。
[0030]上述抽油设备示功图样本也可以称为标准样本，该标准样本有可能会存在不符合具体地区实际情况的现象，因此，需要通过后续的S150对特征库中存储的与该样本对应的内容进行修正。
[0031]对抽油设备示功图样本的时域数据进行归一化处理可以方便后续的处理过程，使数据具有通用性。本实施例可以采用现有的归一化处理方式对时域数据进行归一化处理，在此不对归一化处理过程进行详细说明。
[0032]本实施例可以按照预定采样频率f对实际接收到的一段连续信号x(t)(即抽油设备示功图样本的时域数据)进行采样，从而将一段连续信号x(t)转换为一段离散的信号序列X[n](即离散的时域数据系列)。
[0033]S110、对上述获得的离散的时域数据序列进行傅立叶变换，以获得频域数据序列。
[0034]通过本步骤中的傅立叶变换可以将离散的时域数据序列转换为频域数据序列。本实施例可以采用现有的傅立叶变换方式进行时域数据序列到频域数据序列的转换，在此不对傅立叶变换的具体实现过程进行详细说明。
[0035]一个具体的例子，井W269-10在严重缺液的情况下的示功图标准样本如图2，傅里叶变换后的载荷位移变化曲线如图3所示。
[0036]S120、利用上述频域数据序列中的部分数据替代上述离散的时域数据序列中位置对应的部分数据，并利用上述替代后的时域数据序列进行傅立叶逼近计算，以获得傅立叶逼近特征值。
[0037]具体的替代过程可以为:将频域数据序列中的前K个数据替代离散的时域数据序列中的前K个数据X(k)，以重构频域信号，其中，K为自然数且小于时域数据序列中的数据
的数量。
[0038]傅立叶逼近为线性逼近，一个具体的实现方式为:根据f (X)在区间[0，2 π ]上的2η+1 个等距点 Xj=2 3i/(2n+l)*(i+0.5) (i=l，2...2n)处的函数值 f i=f (xi)，求傅立叶级数
【权利要求】
1.一种基于BP神经网络的抽油设备示功图动态识别方法，其特征在于，所述方法包括:特征库的建立过程以及利用已成功建立的特征库对采集的抽油设备示功图进行动态识别过程，其中所述特征库的建立过程包括: 对抽油设备示功图样本的时域数据进行归一化处理，并对归一化处理后的时域数据进行采样处理，以获得离散的时域数据序列； 对所述离散的时域数据序列进行傅立叶变换，以获得频域数据序列； 利用所述频域数据序列中的部分数据替代所述离散的时域数据序列中位置对应的部分数据，并利用所述替代后的时域数据序列进行傅立叶逼近计算，以获得傅立叶逼近特征值； 利用对角线分割方式将所述归一化处理后的抽油设备示功图样本分割为四部分，并从右下部分提取特征向量； 所述傅立叶逼近特征值和所述特征向量存储于特征库中； 利用BP神经网络算法对抽油设备示功图样本进行训练，并利用训练获得的特征值校正特征库中的傅立叶逼近特征值。
2.如权利要求1所述的动态识别方法，其特征在于，所述利用已成功建立的特征库对采集的抽油设备示功图进行动态识别过程包括: 对采集的抽油设备示功图的时域数据进行归一化处理，并对归一化处理后的时域数据进行采样处理，以获得离散的时域数据序列； 对所述离散的时域数据序列进行傅立叶变换，以获得频域数据序列； 利用所述频域数据序列中的部分`数据替代所述离散的时域数据序列中位置对应的部分数据，并利用所述替代后的时域数据序列进行傅立叶逼近计算，以获得傅立叶逼近特征值； 利用对角线分割方式将所述归一化处理后的抽油设备示功图分割为四部分，并从右下部分提取特征向量； 利用贴近度算法对采集到的抽油设备示功图对应的傅立叶逼近特征值和特征向量进行基于特征库的贴近度计算，以识别所述采集的抽油设备示功图。
3.如权利要求1或2所述的动态识别方法，其特征在于，所述利用所述频域数据序列中的部分数据替代所述离散的时域数据序列中位置对应的部分数据包括: 将所述频域数据序列中的前K个数据替代所述离散的时域数据序列中的前K个数据，其中，K为自然数且小于时域数据序列中的数据数量。
4.一种基于BP神经网络的抽油设备示功图动态识别装置，其特征在于，包括:用于建立特征库的建立模块以及用于利用已成功建立的特征库对采集的抽油设备示功图进行动态识别的识别模块； 所述建立模块包括: 归一化模块，用于对抽油设备示功图样本的时域数据进行归一化处理，并对归一化处理后的时域数据进行采样处理，以获得离散的时域数据序列； 傅立叶变换模块，用于对所述离散的时域数据序列进行傅立叶变换，以获得频域数据序列； 傅立叶逼近模块，用于利用所述频域数据序列中的部分数据替代所述离散的时域数据序列中位置对应的部分数据，并利用所述替代后的时域数据序列进行傅立叶逼近计算，以获得傅立叶逼近特征值； 提取模块，用于利用对角线分割方式将所述归一化处理后的抽油设备示功图样本分割为四部分，并从右下部分提取特征向量； 特征库，用于存储所述傅立叶逼近特征值和所述特征向量； 训练模块，用于利用BP神经网络算法对抽油设备示功图样本进行训练，并利用训练获得的特征值校正特征库中的傅立叶逼近特征值。
5.如权利要求4所述的动态识别装置，其特征在于，所述识别模块包括: 所述归一化模块，用于对采集的抽油设备示功图的时域数据进行归一化处理，并对归一化处理后的时域数据进行采样处理，以获得离散的时域数据序列； 所述傅立叶变换模块，用于对所述离散的时域数据序列进行傅立叶变换，以获得频域数据序列； 所述傅立叶逼近模块，用于利用所述频域数据序列中的部分数据替代所述离散的时域数据序列中位置对应的部分数据，并利用所述替代后的时域数据序列进行傅立叶逼近计算，以获得傅立叶逼近特征值； 所述提取模块，用于利用对角线分割方式将所述归一化处理后的抽油设备示功图分割为四部分，并从右下部分提取特征向量； 贴近度模块，用于利用贴近度算法对采集到的抽油设备示功图对应的所述傅立叶逼近特征值和特征向量进行基于特征库的贴近度计算，以识别所述采集的抽油设备示功图。
6.如权利要求4或5所述的动态识别装置，其特征在于，所述利用所述频域数据序列中的部分数据替代所述离散的时域数据序列中位置对应的部分数据包括: 将所述频域数据序列中的前K个数据替代所述离散的时域数据序列中的前K个数据，其中，K为自然数且小于时域数据序列中的数据数量。
【文档编号】G06N3/02GK103886339SQ201310236339
【公开日】2014年6月25日 申请日期:2013年6月14日 优先权日:2013年6月14日
【发明者】李龙 申请人:洛阳乾禾仪器有限公司