一种基于全卷积神经网络的示功图特征提取方法及系统

本发明涉及石油开采故障诊断，特别是一种基于全卷积神经网络的示功图特征提取方法及系统。

背景技术：

1、抽油机是油田开发的主要设备，在石油开采过程中受气温和地层等因素的影响容易出现故障。因此，抽油机井故障诊断是石油开采领域中的一个关键问题。示功图是诊断抽油机故障的重要依据，随着数据挖掘和存储技术的飞速发展，传感器采集油井各类数据，这些数据被传输到油田数据中心进行存储和分析，形成了油井生产故障诊断的大数据。基于“大数据+深度学习”的新一代人工智能技术不断突破现有技术的局限，引领油井故障诊断技术进入新的阶段。

2、抽油机井故障诊断模型的诊断准确率取决于示功图样本集的数量和质量。一方面，故障诊断需要训练大量的标记样本，而大量样本训练的过程迭代缓慢、收敛速度慢，模型优化耗时长、难度大；另一方面，目前故障诊断研究的样本规模小、覆盖故障类型少、样本不均衡问题突出。

3、本发明的目的在于提供了一种基于全卷积神经网络的示功图特征提取方法，具有较高的识别准确率，而且降低了模型对大量已标记数据的依赖和训练耗费的时间。

技术实现思路

1、本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

2、鉴于上述和/或现有的一种基于全卷积神经网络的示功图特征提取方法中存在的问题，提出了本发明。

3、因此，本发明所要解决的问题是：故障诊断需要训练大量的标记样本，而大量样本训练的过程迭代缓慢、收敛速度慢，模型优化耗时长、难度大，且目前故障诊断研究的样本规模小、覆盖故障类型少、样本不均衡问题突出。

4、为解决上述技术问题，本发明提供如下技术方案：一种基于全卷积神经网络的示功图特征提取方法，其包括，构建示功图图像数据集；构建全卷积神经网络模型，模型输入和输出均为示功图图像；使用构建的示功图图像数据集对全卷积神经网络模型进行预训练，训练的评价指标为判断模型输出的示功图图像和输入的示功图图像之间的相似性；采用网格搜索对全卷积神经网络模型进行超参数优化，优化模型的提取能力；截取全卷积神经网络模型的卷积阶段作为示功图特征提取器。

5、作为本发明所述一种基于全卷积神经网络的示功图特征提取方法的一种优选方案，其中：所述示功图图像数据集包括，根据数据库中海量的示功图位移载荷数据，以横坐标为位移、纵坐标为载荷，批量的绘制成标准化的示功图图像，构建示功图数据集。

6、作为本发明所述一种基于全卷积神经网络的示功图特征提取方法的一种优选方案，其中：所述全卷积神经网络模型包括卷积、池化、反卷积、反池化操作步骤，模型的输入是一张示功图图像，反卷积阶段是卷积阶段的逆过程，对卷积层的输出进行解码，模型的输出是一张示功图图像，模型的输入输出相同，为同一张示功图图像。

7、作为本发明所述一种基于全卷积神经网络的示功图特征提取方法的一种优选方案，其中：所述反卷积阶段包括，填充，卷积，裁剪。

8、作为本发明所述一种基于全卷积神经网络的示功图特征提取方法的一种优选方案，其中：所述预训练包括，使用所述示功图图像数据集对所述的全卷积神经网络进行预训练，通过反卷积操作将模型卷积操作输出的示功图特征还原成输入时的维度，每轮训练后计算示功图输入卷积层时的特征与经过反卷积操作还原后特征的特征相似度；所述特征相似度包括，特征相似度的衡量方法为jaccard相似系数；对于两个特征矩阵a和b，计算每个向量的jaccard相似系数，求平均，其jaccard相似系数的计算公式表示为，

9、j(a,b)＝(j(a1,b1)+j(a2,b2)+...+j(an,bn))/n

10、对于两个向量an和bn，作为两个集合，则jaccard相似系数表示为，

11、j(an,bn)＝|s|/|u|

12、其中，s为集合an和bn的交集，u为集合an和bn的并集；若特征相似度超过90％，则截取全卷积神经网络模型的卷积阶段，若特征相似度低于90％，则进行超参数优化。

13、作为本发明所述一种基于全卷积神经网络的示功图特征提取方法的一种优选方案，其中：所述超参数优化包括，对所述全卷积神经网络模型进行超参数优化，直到卷积层输入的示功图与反卷积层输出的示功图特征相似度达到90％以上时，得到优化后的全卷积神经网络模型；采用网格搜索作为全卷积神经网络模型的超参数优化方法，预先定义要优化的每个超参数的取值范围。

14、作为本发明所述一种基于全卷积神经网络的示功图特征提取方法的一种优选方案，其中：所述示功图特征提取器包括，去除全卷积神经网络模型的反卷积层，得到基于全卷积神经网络模型卷积阶段的示功图特征提取器。

15、本发明的另外一个目的是提供一种基于全卷积神经网络的示功图特征提取方法的系统，其能通过构建示功图特征提取系统，降低了模型对大量已标记数据的依赖和训练耗费的时间。

16、作为本发明所述一种基于全卷积神经网络的示功图特征提取系统的一种优选方案，其中：包括，示功图输入模块、预训练模块、超参数优化模块以及特征提取模块；所述示功图输入模块用于输入待提取特征的示功图数据；所述预训练模块使用示功图图像数据集对全卷积神经网络进行预训练，并通过反卷积操作将模型卷积操作输出的示功图特征还原成输入时的维度，计算示功图输入卷积层时的特征与经过反卷积操作还原后的特征的相似度，以jaccard相似系数作为特征相似度的衡量方法；所述超参数优化模块对训练完成的全卷积神经网络模型进行超参数优化，通过网格搜索寻找最佳的超参数组合，直到卷积层输入的示功图与反卷积层输出的示功图特征相似度达到90％以上时，得到优化后的全卷积神经网络模型；所述特征提取模块使用示功图特征提取器，从示功图数据中提取特征。

17、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上所述方法的步骤。

18、一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述方法的步骤。

19、本发明有益效果为提供的示功图特征提取方法，当有标记数据较少时，利用大量未标记的样本改善学习性能，采用“卷积+反卷积”的全卷积神经网络作为训练器，根据输入和输出的特征相似度衡量特征提取性能，得到能够精准识别示功图的特征提取器，避免了大量样本直接学习的性能差、速度慢，模型优化难度大的问题。在后续建立依据示功图进行油井故障诊断的问题中只需要依靠少量标记样本就可以满足模型学习的需求，降低了样本标记和模型优化时一定的人力和时间成本并提高了示功图识别的准确率。

技术特征：

1.一种基于全卷积神经网络的示功图特征提取方法，其特征在于：包括，

2.如权利要求1所述的一种基于全卷积神经网络的示功图特征提取方法，其特征在于：所述示功图图像数据集包括，根据数据库中海量的示功图位移载荷数据，以横坐标为位移、纵坐标为载荷，批量的绘制成标准化的示功图图像，构建示功图数据集。

3.如权利要求2所述的一种基于全卷积神经网络的示功图特征提取方法，其特征在于：所述全卷积神经网络模型包括卷积、池化、反卷积、反池化操作步骤，模型的输入是一张示功图图像，反卷积阶段是卷积阶段的逆过程，对卷积层的输出进行解码，模型的输出是一张示功图图像，模型的输入输出相同，为同一张示功图图像。

4.如权利要求3所述的一种基于全卷积神经网络的示功图特征提取方法，其特征在于：所述反卷积阶段包括，填充，卷积，裁剪。

5.如权利要求4所述的一种基于全卷积神经网络的示功图特征提取方法，其特征在于：所述预训练包括，使用所述示功图图像数据集对所述的全卷积神经网络进行预训练，通过反卷积操作将模型卷积操作输出的示功图特征还原成输入时的维度，每轮训练后计算示功图输入卷积层时的特征与经过反卷积操作还原后特征的特征相似度；

6.如权利要求5所述的一种基于全卷积神经网络的示功图特征提取方法，其特征在于：所述超参数优化包括，对所述全卷积神经网络模型进行超参数优化，直到卷积层输入的示功图与反卷积层输出的示功图特征相似度达到90％以上时，得到优化后的全卷积神经网络模型；

7.如权利要求6所述的一种基于全卷积神经网络的示功图特征提取方法，其特征在于：所述示功图特征提取器包括，去除全卷积神经网络模型的反卷积层，得到基于全卷积神经网络模型卷积阶段的示功图特征提取器。

8.一种采用如权利要求1～7任一所述的一种基于全卷积神经网络的示功图特征提取方法的系统，其特征在于：包括，示功图输入模块、预训练模块、超参数优化模块以及特征提取模块；

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。

技术总结
本发明公开了一种基于全卷积神经网络的示功图特征提取方法及系统，涉及石油开采故障诊断技术领域，包括构建示功图图像数据集；构建全卷积神经网络模型，模型输入和输出均为示功图图像；对模型进行预训练，训练的评价指标为判断模型输出和输入的示功图图像之间的相似性；采用网格搜索对模型进行超参数优化，优化模型的提取能力；截取模型的卷积阶段作为示功图特征提取器。本发明示功图特征提取方法，避免了大量样本直接学习的性能差、速度慢，模型优化难度大的问题。在后续建立依据示功图进行油井故障诊断的问题中只需要依靠少量标记样本就可以满足模型学习的需求，降低了样本标记和模型优化时一定的人力和时间成本并提高了示功图识别的准确率。

技术研发人员：王相,邵志伟,何岩峰,芮诚,丁阳阳,陈林
受保护的技术使用者：常州大学
技术研发日：
技术公布日：2024/1/16