一种基于卷积神经网络的电潜泵井工况智能诊断方法与流程

本发明涉及石油与天然气设备故障诊断技术领域，尤其是一种基于卷积神经网络的电潜泵井工况智能诊断方法。

背景技术：

在石油开采的过程中，电潜泵采油法是目前应用比较广泛的一种采油方式。电潜泵故障诊断方法包括：电泵井憋压法诊断、电泵井生产宏观控制图、基于振动信号分析的诊断方法、基于故障树分析法等。上述方法缺点：1)经验人员对从主观判断电潜泵井故障，进而得到诊断结果，诊断结果受经验影响，准确率难以保证；2)通过提取故障特征判断潜泵井故障，进而得到诊断结果，提取特征过程损失了有效信息，诊断误差过大。

技术实现要素：

本发明要解决的技术问题是：为了克服现有技术中之不足，本发明提供一种基于卷积神经网络的电潜泵井工况智能诊断方法，以解决传统电流卡片分析法受主观因素影响，容易造成误判，提取故障特征损失大量有效的信息，增加判断误差的问题，以此避免特征提取过程损失的大量有效信息和人的主观判断对诊断结果的影响。

本发明解决其技术问题所采用的技术方案是：一种基于卷积神经网络的电潜泵井工况智能诊断方法，具有如下步骤：

a、基于卷积神经网络，搭建电潜泵井工况智能诊断系统，可诊断工况包括：气体影响、泵抽空、过载、含杂质、供液不足、泵轴断以及电机故障；

b、将电潜泵井生产现场采集到的电流卡片输入工况智能诊断系统，应用搭建好的卷积神经网络诊断工况；

c、电潜泵井工况诊断卷积神经网络的强化学习与更新，根据诊断结果更新卷积神经网络诊断方法。

具体说，步骤a中，所述的智能诊断系统的建立过程包括：1)、对采集的电流卡片按照诊断工况所述故障进行分析诊断归类，构建基于所述故障工况下的电流卡片集，并对电流卡片集合进行标准化处理，其中标准化处理包括但不限于对图片的尺寸和图片中电流曲线的颜色、尺寸统一标准；2)、利用电流卡片对电潜泵井工况诊断问题的特点，基于卷积神经网络相关原理搭建相应的网络构架；3)、利用电流卡片样本集合训练卷积神经网络构架；4)、测试神经网络故障诊断准确度，达到实际应用要求；

步骤b中，所述卷积神经网络诊断工况的建立过程包括：1)、从油田生产现场采集电潜泵井电流卡片并制作样本集；2)、根据基于卷积神经网络搭建的架构分析得到图像属于各个故障的概率；3)、对油井实时采集的电流卡片进行分析诊断，将诊断结果推送给工作人员，找出发生故障的油井。

步骤c中，所述卷积神经网络的强化学习与更新包括：1)、工作人员根据实际的故障类型对比卷积神经网络诊断结果论证诊断结论的正确性；2)、修正错误的诊断结果；3)、将进行修正过的诊断结果同类故障卡片和对应故障电流卡片共同构建成新的电流卡片样本集合；4)、将更新后的电流卡片样本集合再次训练卷积神经网络；5)、通过强化学习过程之后，更新卷积神经网络智能诊断方法。

本发明的有益效果是：本发明通过对电流卡片直接进行识别诊断，避免了特征提取过程中丢失的大量有用信息，卷积神经网络可以智能高效地识别输入的电流卡片图像，增加了电潜泵工况故障识别的准确率，减少了误差；同时基于强化学习的过程，可以有效提高卷积神经网络智能诊断方法的稳定性，在反复的工况诊断和不断的强化学习中，提高工况识别的准确率，解决了少量样本数据和大量实际生产数据对比可能存在的误差，实现神经网络越用越智能、越用越好用的效果。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是本发明所述工况智能诊断系统的流程图。

图2是本发明中所述卷积神经网络的结构图。

图3电流卡片受气体影响半小时后的故障样图。

图2中：s1.输入层s2.卷积层s3.池化层s4.全连接层s5.全连接层s6.输出层

具体实施方式

现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。

如图1、图2所示，一种基于卷积神经网络的电潜泵井工况智能诊断方法，包括以下步骤：

步骤a、基于卷积神经网络，搭建电潜泵井工况智能诊断系统，其中智能诊断工况主要包括：气体影响、气锁、泵抽空、过载、含杂质、供液不足、泵轴断、电机故障等。

其中，工况智能诊断系统的建立过程包括：

1)、从电潜泵井生产现场获取电流卡片图集；

2)、对电流卡片图集进行预处理，其中预处理包括但不限于去除无效图集、对图片的尺寸和图片中电流曲线的颜色、尺寸等统一标准；

3)、将预处理后的图像输入卷积神经网络中，依次经过卷积计算、池化计算、全连接层设计、隐含层设计，通过激活函数得到图像属于各个故障的概率；

4)、根据图像属于各个类别故障的概率，得出图像分类结果，最后输出图像分类结果。

神经网络程序搭建过程包括以下步骤：

1)、搭建前馈神经网络，包括：卷积核大小、卷积核个数，全连接层神经元数量，设置权重、偏置的计算方式，池化层计算方式，激活函数设计，全连接层设计；

2)、搭建反馈神经网络，包括：定义学习率、学习衰减率、迭代次数、滑动平均衰减率；

3)、测试神经网络，输入测试数据集，打印故障识别准确率，提示更正错误诊断结果，加强学习，更新神经网络诊断方法；

步骤b、将电潜泵井生产现场采集到的电流卡片输入工况智能诊断系统，应用电潜泵井工况智能诊断方法诊断工况。

所述卷积神经网络诊断工况的建立过程包括：

1)、从油田生产现场采集电潜泵井电流卡片并制作样本集；

2)、根据基于卷积神经网络搭建的架构分析得到图像属于各个故障的概率；

3)、对油井实时采集的电流卡片进行分析诊断，将诊断结果推送给工作人员，找出发生故障的油井。

步骤c、电潜泵井工况诊断卷积神经网络的强化学习与更新，根据诊断结果更新卷积神经网络诊断方法。

上述卷积神经网络的强化学习与更新，根据诊断结果更新卷积神经网络方法，其过程包括：

1)、工作人员根据实际的故障类型对比卷积神经网络诊断结果论证诊断结论的正确性；

2)、修正错误的诊断结果；

3)将进行修正过的诊断结果同类故障卡片和对应故障电流卡片共同构建成新的电流卡片样本集合；

4)、将更新后的电流卡片样本集合再次训练卷积神经网络方法；

5)、通过强化学习过程之后，更新卷积神经网络智能诊断方法。

举例说明实施步骤：

1)、从生产现场采集到电潜泵井原始电流卡片300张；

2)、将采集到的有效电流卡片按已知故障类型进行分类和电流卡片图集标准化处理使得图集的尺寸和电流曲线格式统一；

3)、将已分类的数据集每类取2/3做训练数据集既200张做训练数据集，1/3做测试数据集既100张做测试数据集；

4)、设计前馈神经网络，获取图片尺寸为32×32，其中32、32分别是图像的宽和高，随后将32×32的图像输入到卷积神经网络中的第一个卷积层,所使用的卷积核大小为5×5，步长为1，得到输出结果为f(1)＝((32-5+1)×(32-5+1)＝28×28的图像，然后再将输入到池化层，滑动窗口大小为2×2，步长为2，采用最大值的池化方式，得到输出结果池化后的f(2)＝(28/2)×(28/2)＝14×14的图像，再次对图像进行第二层卷积处理，卷积核大小为5×5，步长为1，得到输出结果为f(3)＝((14-5+1)×(14-5+1)＝10×10，然后再将输入到池化层，滑动窗口大小为2×2，步长为2，采用最大值的池化方式，得到输出结果池化后的f(4)＝((32-12)/4)×((32-12)/4)＝5×5的图像,将f(4)输入到卷积神经网络中的全连接层，全连接层有512个神经元，隐含层有7个神经元，经过计算得到输出结果f(5)，最后将f(5)输入到卷积神经网络中的最后一层，即softmax层，得到图像属于各个类别的概率f(i)，其中i＝1,2,…。4)设计反馈神经网络，设定一次输入神经网络10张图片，初始学习率设定为0.005，学习率衰减率设定为0.99，训练轮数5000轮，滑动平均衰减率为0.99，引入前向传播过程，定义损失函数为正则化的交叉熵与softmax共同作用，定义指数衰减学习率，以梯度下降算法对网络进行训练，打印损失下降的过程；

5)、设计测试程序，将测试数据集输入神经网络，测试训练准确度，打印模型识别准确率，当准确率达到要求数值时即可停止训练；

6)、图3为现场到的一张采集电流卡片，输入电流卡片到上述神经网络，得到预测诊断结果为气体影响，与真实故障结果一致。

7)、若有错误诊断结果，修正后重新输入到神经网络强化学习，更新卷积神经网络诊断系统；

比较以往的电潜泵井故障分析方法，本发明的优点在于：

1.对电流卡片直接进行识别诊断，避免了特征提取过程中丢失的大量有用信息，卷积神经网络可以智能高效地识别输入的电流卡片图像，增加了电潜泵工况故障识别的准确率，减少了误差；

2.基于强化学习的过程，可以有效提高卷积神经网络智能诊断方法的稳定性，在反复的工况诊断和不断的强化学习中，提高工况识别的准确率，解决了少量样本数据和大量实际生产数据对比可能存在的误差，实现神经网络越用越智能、越用越好用的效果。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。