一种压裂泵故障检测方法、系统及存储介质与流程

本发明涉及故障诊断，具体涉及一种压裂泵故障检测方法、系统及存储介质。

背景技术：

1、随着非常规油气的开发以及对老油井的增产逐渐成为油气开发的新热点，对通过压裂的方式使得地层产生缝隙，提高底层渗透率的压裂技术的要求也越来越高。压裂设备作为压裂技术的硬件支撑，其中的液力端阀箱作为压裂泵核心部件，内腔结构复杂，持续承受脉动循环高压载荷。因此压裂过程中易发生疲劳失效和断裂破坏，不得不临时停产、检修和更换部件，甚至带来很多无法估量的经济损失，严重制约了油气开采的效果和经济效益。

2、基于数据挖掘开展的故障诊断研究大致分为传统机器学习与深度学习两类。其中，传统机器学习难以对复杂的非线性关系建模，而深度学习尝试让计算机自动学习好的特征表达方式，设计多个非线性映射的网络层级，挖掘数据更深层次的潜在规律。但是相比于常规的数据特性，压裂泵故障信号数据量大，故障特征不明显，并且与干扰噪声混叠，现有技术难以发掘数据的深层性质，分析故障程度。

技术实现思路

1、本发明的目的在于提供一种压裂泵故障检测方法、系统及存储介质，解决上述技术问题。

2、本发明的目的可以通过以下技术方案实现：

3、一种压裂泵故障检测方法，包括以下步骤：

4、s10：确定探头的数量以及探头所对应的采集位置，并采集压裂泵故障数据和历史压裂泵状态检测数据，所述历史压裂泵状态检测数据包括声发射信号的幅值、振铃计数、撞击数、质心频率、峰值频率、上升时间、持续时间、rms和通道号和能量；

5、s20：将所述压裂泵故障数据和历史压裂泵状态检测数据进行预处理与降维得到训练数据集；

6、s30：基于深度学习神经网络构建压裂泵故障检测模型，所述压裂泵故障检测模型包括输入模块、cnn-bilstm-attension模块、特征融合模块和回归预测模块；

7、s40：以训练数据集对所述压裂泵故障诊断模型进行训练；

8、s50：将待预测数据输入压裂泵故障诊断模型中，得到产能预测结果；

9、s60：根据得到的产能预测结果进行压裂泵的停产、检修和更换工作。

10、作为本发明进一步的方案：所述输入模块用于将各个通道采集的数据分组作为深度神经网络的输入。

11、作为本发明进一步的方案：所述cnn-bilstm-attension模块基于一维卷积层和池化层组成的cnn架构提取输入数据的高维特征。

12、作为本发明进一步的方案：所述特征融合模块建模学习特征内部动态变化规律。

13、作为本发明进一步的方案：所述回归预测模块采用映射加权和学习参数矩阵赋予融合特征隐藏状态不同的权重，减少历史信息的丢失并加强重要信息的影响，最后通过softmax层完成压裂泵故障诊断预测。

14、作为本发明进一步的方案：所述压裂泵故障数据及历史压裂泵状态检测数据降维的方法为：

15、计算各个变量因素与压裂泵状态之间的加权相关系数，舍弃低于阈值的变量因素。

16、作为本发明进一步的方案：所述压裂泵故障数据及历史压裂泵状态检测数据进行预处理的方法为：

17、首先采用z-score方法将数据标准化，再根据3σ原则识别并剔除异常值；

18、采用线性插值法填补缺失值；

19、采用最大最小法归一化数据。

20、一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令；所述计算机程序指令被处理器执行时实现如权利要求1～8中任一项所述的一种压裂泵故障诊断方法。

21、一种压裂泵故障诊断系统，其特征在于，包含如权利要求9所述的计算机可读存储介质。

22、本发明的有益效果：与现有技术相比较，本发明在提取压裂泵状态检测相关参数数据时序特征的基础上，考虑了多通道采集信号对故障检测的综合影响；构建cnn-bilstm-attention网络提取输入数据的特征内部动态变化规律；引入注意力机制用于压裂泵故障诊断，通过为隐藏状态分配不同的权重，使cnn-bilstm网络集中学习与当前压裂泵状态相关性更高的数据特征，增强网络在特征提取上的准确性。

技术特征：

1.一种压裂泵故障检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种压裂泵故障检测方法，其特征在于，所述输入模块用于将各个通道采集的数据分组作为深度神经网络的输入。

3.根据权利要求1所述的一种压裂泵故障检测方法，其特征在于，所述cnn-bilstm-attension模块基于一维卷积层和池化层组成的cnn架构提取输入数据的高维特征。

4.根据权利要求1所述的一种压裂泵故障检测方法，其特征在于，所述特征融合模块建模学习特征内部动态变化规律。

5.根据权利要求1所述的一种压裂泵故障检测方法，其特征在于，所述回归预测模块采用映射加权和学习参数矩阵赋予融合特征隐藏状态不同的权重，减少历史信息的丢失并加强重要信息的影响，最后通过softmax层完成压裂泵故障诊断预测。

6.根据权利要求1所述的一种压裂泵故障检测方法，其特征在于，所述压裂泵故障数据及历史压裂泵状态检测数据降维的方法为：

7.根据权利要求1所述的一种压裂泵故障检测方法，其特征在于，所述压裂泵故障数据及历史压裂泵状态检测数据进行预处理的方法为：

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序指令；所述计算机程序指令被处理器执行时实现如权利要求1～8中任一项所述的一种压裂泵故障诊断方法。

9.一种压裂泵故障诊断系统，其特征在于，包含如权利要求9所述的计算机可读存储介质。

技术总结
本发明涉及故障诊断技术领域，具体公开了一种压裂泵故障检测方法、系统及存储介质，包括以下步骤：S10：确定探头的数量以及探头所对应的采集位置，并采集压裂泵故障数据和历史压裂泵状态检测数据；S20：将数据进行预处理与降维得到训练数据集；S30：基于深度学习神经网络构建压裂泵故障检测模型；S40：以训练数据集对所述压裂泵故障诊断模型进行训练；S50：将待预测数据输入压裂泵故障诊断模型中，得到产能预测结果；S60：根据得到的产能预测结果进行压裂泵的停产、检修和更换工作。本发明可以使CNN‑BiLSTM网络集中学习与当前压裂泵状态相关性更高的数据特征，增强网络在特征提取上的准确性。

技术研发人员：曾德刚,彭光成,陈海兵,张晓东,张立军,王杭,史靖文,刘德昊
受保护的技术使用者：盐城市崇达石化机械有限公司
技术研发日：
技术公布日：2024/2/21