CN110318731A - 一种基于gan的抽油井故障诊断方法 - Google Patents
一种基于gan的抽油井故障诊断方法 Download PDFInfo
- Publication number
- CN110318731A CN110318731A CN201910598136.XA CN201910598136A CN110318731A CN 110318731 A CN110318731 A CN 110318731A CN 201910598136 A CN201910598136 A CN 201910598136A CN 110318731 A CN110318731 A CN 110318731A
- Authority
- CN
- China
- Prior art keywords
- well
- indicator card
- sample
- indicator
- oil well
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000003129 oil well Substances 0.000 title claims abstract description 53
- 238000002405 diagnostic procedure Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 60
- 238000005086 pumping Methods 0.000 claims abstract description 45
- 238000010586 diagram Methods 0.000 claims abstract description 35
- 238000003745 diagnosis Methods 0.000 claims abstract description 28
- 238000012360 testing method Methods 0.000 claims abstract description 27
- 238000013256 Gubra-Amylin NASH model Methods 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims abstract description 6
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 238000003475 lamination Methods 0.000 claims description 4
- 239000004744 fabric Substances 0.000 claims 1
- 238000012631 diagnostic technique Methods 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
- E21B47/008—Monitoring of down-hole pump systems, e.g. for the detection of "pumped-off" conditions
- E21B47/009—Monitoring of walking-beam pump systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Geology (AREA)
- Geophysics (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Business, Economics & Management (AREA)
- Marine Sciences & Fisheries (AREA)
- Marketing (AREA)
- Agronomy & Crop Science (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Animal Husbandry (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及抽油井故障诊断技术领域，提供一种基于GAN的抽油井故障诊断方法。本发明首先收集已知故障类型的抽油井示功图，并对其预处理；然后建立第一样本库，分为第一训练集和第一测试集后进行标准归一化处理；接着构建GAN模型，用第一训练集对其训练，生成新的示功图集并建立第二样本库，分为第二训练集和第二测试集后进行标准归一化处理；再基于卷积神经网络构建抽油井故障诊断模型，用第一训练集和第二训练集对其训练，用第一测试集和第二测试集对其测试；最后将待诊断抽油井的示功图输入抽油井故障诊断模型，得到待诊断抽油井的故障类型。本发明能够生成大量示功图样本，直接输入示功图就能得到故障类型，抽油井故障诊断的准确性高。
Description
技术领域
本发明涉及抽油井故障诊断技术领域，特别是涉及一种基于GAN的抽油井故障诊断方法。
背景技术
有杆泵抽油机井的示功图可真实地反映井下的实际工作状况，是油田生产中分析抽油***工作状况的重要方式。在油田生产中主要依靠人工判断示功图，但是这种人为判断的方式存在各种各样的问题。人工分析的方式很难做到实时监测抽油井的工作状态；而且受到分析人知识的局限性影响，不能保证分析结果的准确性。
随着人工智能技术不断取得进步和实际油田生产中对抽油井生产自动化要求的不断提高，由计算机对抽油井工作状况进行分析成为主流。神经网络凭借其强有力的学习和并行处理能力为故障诊断提供了全新的理论方法和实现手段。神经网络通过对样本数据的不断学习，将学到的关系以权值和阀值的形式存储在训练的网络结构中。神经网络的输入是被诊断对象或其特征值，输出是产生某种故障的概率。神经网络具有很强的分类能力，但前提是需要提供大量的样本数据对模型进行训练；当样本不足时会造成模型的过拟合以及泛化性差。而实际的油田生产中很难得到大量的故障示功图，这是要应用神经网络诊断抽油井井下故障所需解决的一个核心的问题。
发明内容
针对现有技术存在的问题，本发明提供一种基于GAN的抽油井故障诊断方法，能够生成大量的抽油井示功图样本，且直接输入示功图就能得到抽油井故障类型，提高了抽油井故障诊断的准确性。
本发明的技术方案为：
一种基于GAN的抽油井故障诊断方法，所述抽油井为有杆泵抽油机井，其特征在于，包括下述步骤：
步骤1：收集已知故障类型的抽油井示功图，得到抽油井示功图集，并对抽油井示功图集进行预处理；
步骤2：将预处理后的抽油井示功图集组成第一样本库，从第一样本库中随机选取m1个样本构成第一训练集，第一样本库中其余m-m1个样本构成第一测试集；其中，m为第一样本库中的样本总数，第一样本库中的每个样本均对应一个故障类型标签；
步骤3：对第一训练集和第一测试集中的每张示功图均进行标准归一化处理；
步骤4：构建抽油井示功图生成的GAN模型，用第一训练集对GAN模型进行训练，并生成新的示功图集；
步骤5：将新的示功图集组成第二样本库，从第二样本库中随机选取m2个样本构成第二训练集，第二样本库中其余m1'-m2个样本构成第二测试集，并对第二训练集和第二测试集均进行与步骤3中相同的标准归一化处理；其中，m1'为第二样本库中的样本总数；
步骤6：基于卷积神经网络构建抽油井故障诊断模型，用标准归一化处理后的第一训练集和第二训练集训练所述抽油井故障诊断模型；所述抽油井故障诊断模型包括第二卷积层、第二池化层、第二全连接层、第二dropout层，所述抽油井故障诊断模型的输入为标准归一化处理后的抽油井示功图、输出为该抽油井示功图对应的故障类型标签；
步骤7：用标准归一化处理后的第一测试集和第二测试集分别对训练后的抽油井故障诊断模型进行测试，得到抽油井故障诊断模型的准确率；
步骤8：采集待诊断抽油井的示功图，对待诊断抽油井的示功图进行与步骤1中相同的预处理及与步骤3中相同的标准归一化处理后，将待诊断抽油井的示功图输入抽油井故障诊断模型中，对待诊断抽油井进行故障诊断，得到待诊断抽油井的故障类型。
所述步骤1中，对抽油井示功图集进行预处理，包括：将抽油井示功图集中的各抽油井示功图调整为同等像素大小。
所述步骤3中，标准归一化处理的公式为Pn＝2(P-Pmin)/(Pmax-Pmin)-1，P为标准归一化前的示功图的图像矩阵，Pn为标准归一化后的示功图的图像矩阵，P、Pn中的每个元素为对应图像中每一位像素点的灰度值，Pmax为矩阵P中元素的最大值，Pmin为矩阵P中元素的最小值。
所述步骤4包括下述步骤：
步骤4.1：构建抽油井示功图生成的GAN模型为
其中，D为GAN模型的判别器，G为GAN模型的生成器，判别器D包括第一卷积层、第一池化层、第一dropout层，生成器G包括第一全连接层、反卷积层；x为真实示功图，Pdata(x)为真实示功图集的分布，z为输入生成器G的噪声，G(z)为生成器G生成的示功图，Pz(z)为噪声的分布，D(x)为判别器D判断真实示功图x为真实的概率，D(G(z))为判别器D判断生成器G生成的示功图G(z)为真实的概率；E为期望；
步骤4.2：随机产生噪声z，用噪声z训练生成器G来生成新的示功图；将标准归一化处理后的第一训练集作为真实示功图集，用第一训练集和生成器G生成的示功图集训练判别器D；
步骤4.3：利用训练后的GAN模型生成新的示功图集。
本发明的有益效果为：
1.本发明基于GAN对抽油井示功图进行样本生成，为后续基于神经网络的抽油井故障诊断提供了大量的样本，解决了现有基于神经网络的抽油井故障诊断需要大量样本数据而实际油田生产中抽油井示功图样本数量有限的难题，提高了抽油井故障诊断的准确性。
2.本发明用抽油井示功图样本训练GAN模型并生成新的示功图集，并用原始的及新的抽油井示功图样本训练基于神经网络的抽油井故障诊断模型，解决了现有基于示功图的抽油井故障诊断方法需要对示功图进行特征提取、然后构建故障诊断模型、再对提取的特征进行故障诊断时要求准确地提取示功图的特征而示功图特征提取的准确性不高会导致故障诊断准确性降低的问题，本发明不需要对示功图进行特征提取，直接将待诊断抽油井的示功图输入训练后的抽油井故障诊断模型并输出待诊断抽油井的故障类型，进一步提高了抽油井故障诊断的准确性。
附图说明
图1为本发明基于GAN的抽油井故障诊断方法的流程图；
图2为本发明具体实施方式中故障类型为抽油井供液不足的抽油井示功图；
图3为本发明具体实施方式中预处理后的故障类型为抽油井供液不足的抽油井示功图；
图4为本发明基于GAN的抽油井故障诊断方法中GAN模型的训练流程图；
图5为本发明具体实施方式中已知故障类型的抽油井示功图标准归一化后的图像矩阵部分示意图；
图6为本发明具体实施方式中GAN模型生成的新的故障类型为抽油井供液不足的抽油井示功图；
图7为本发明基于GAN的抽油井故障诊断方法中抽油井故障诊断模型的训练流程图；
图8为本发明具体实施方式中基于GAN的抽油井故障诊断方法中抽油井故障诊断模型训练过程的准确率曲线图。
具体实施方式
下面将结合附图和具体实施方式，对本发明作进一步描述。
如图1所示，为本发明基于GAN的抽油井故障诊断方法的流程图。本发明的基于GAN的抽油井故障诊断方法，所述抽油井为有杆泵抽油机井，其特征在于，包括下述步骤：
步骤1：收集已知故障类型的抽油井示功图，得到抽油井示功图集，并对抽油井示功图集进行预处理。
所述步骤1中，对抽油井示功图集进行预处理，包括：将抽油井示功图集中的各抽油井示功图调整为同等像素大小。
本实施例中，收集了372张已知故障类型的有杆泵抽油机井示功图，包括了7种工况分别是：正常工况、游动阀漏失、油稠、气体影响、固定阀漏失、抽油井供液不足、泵下碰，如图2所示为其中一张故障类型为抽油井供液不足的抽油井示功图。对抽油井示功图集进行预处理，将各抽油井示功图均由100×100像素变为28×28像素，如图3为预处理后的故障类型为抽油井供液不足的抽油井示功图。
步骤2：将预处理后的抽油井示功图集组成第一样本库，从第一样本库中随机选取m1个样本构成第一训练集，第一样本库中其余m-m1个样本构成第一测试集；其中，m为第一样本库中的样本总数，第一样本库中的每个样本均对应一个故障类型标签。
本实施例中，m＝372，m1＝298。
步骤3：对第一训练集和第一测试集中的每张示功图均进行标准归一化处理。
所述步骤3中，标准归一化处理的公式为Pn＝2(P-Pmin)/(Pmax-Pmin)-1，P为标准归一化前的示功图的图像矩阵，Pn为标准归一化后的示功图的图像矩阵，P、Pn中的每个元素为对应图像中每一位像素点的灰度值，Pmax为矩阵P中元素的最大值，Pmin为矩阵P中元素的最小值。
本实施例中，已知故障类型的抽油井示功图标准归一化后的图像矩阵部分见图5。
步骤4：构建抽油井示功图生成的GAN模型，如图4所示，用第一训练集对GAN模型进行训练，并生成新的示功图集。
所述步骤4包括下述步骤：
步骤4.1：构建抽油井示功图生成的GAN模型为
其中，D为GAN模型的判别器，G为GAN模型的生成器，判别器D包括第一卷积层、第一池化层、第一dropout层，生成器G包括第一全连接层、反卷积层；x为真实示功图，Pdata(x)为真实示功图集的分布，z为输入生成器G的噪声，G(z)为生成器G生成的示功图，Pz(z)为噪声的分布，D(x)为判别器D判断真实示功图x为真实的概率，D(G(z))为判别器D判断生成器G生成的示功图G(z)为真实的概率；E为期望；
步骤4.2：随机产生噪声z，用噪声z训练生成器G来生成新的示功图；将标准归一化处理后的第一训练集作为真实示功图集，用第一训练集和生成器G生成的示功图集训练判别器D；
步骤4.3：利用训练后的GAN模型生成新的示功图集。
其中，GAN即生成式对抗网络(GenerativeAdversarial Networks)是一种新型的生成模型，其基本思想源自博弈论的二人零和博弈。GAN由一个生成器G和一个判别器D构成，通过对抗学习的方式来训练，目的是估测数据样本的潜在分布并生成新的数据样本。因此通过GAN学习原有示功图样本生成新的故障样本，为神经网络模型提供大量的样本数据供其训练。在GAN模型的训练过程中，生成器G的目标就是尽量生成真实的示功图去欺骗判别器D。而判别器D的目标就是尽量把生成器G生成的示功图和真实的示功图分别开来。本实施例中，如图6所示，为GAN模型生成的其中一张新的故障类型为抽油井供液不足的抽油井示功图。
步骤5：将新的示功图集组成第二样本库，从第二样本库中随机选取m2个样本构成第二训练集，第二样本库中其余m1'-m2个样本构成第二测试集，并对第二训练集和第二测试集均进行与步骤3中相同的标准归一化处理；其中，m1'为第二样本库中的样本总数。
本实施例中，m1'＝2000，第二训练集占第二样本库的80％，m2＝1600。
步骤6：基于卷积神经网络构建抽油井故障诊断模型，如图7所示，用标准归一化处理后的第一训练集和第二训练集训练所述抽油井故障诊断模型；所述抽油井故障诊断模型包括第二卷积层、第二池化层、第二全连接层、第二dropout层，所述抽油井故障诊断模型的输入为标准归一化处理后的抽油井示功图、输出为该抽油井示功图对应的故障类型标签。
步骤7：用标准归一化处理后的第一测试集和第二测试集分别对训练后的抽油井故障诊断模型进行测试，得到抽油井故障诊断模型的准确率。
步骤8：采集待诊断抽油井的示功图，对待诊断抽油井的示功图进行与步骤1中相同的预处理及与步骤3中相同的标准归一化处理后，将待诊断抽油井的示功图输入抽油井故障诊断模型中，对待诊断抽油井进行故障诊断，得到待诊断抽油井的故障类型。
本实施例中，抽油井故障诊断模型训练过程的准确率曲线如图8所示。由图8可以看出，随着模型的训练，准确率逐渐升高，最后稳定在90％以上。
本实施例中，用标准归一化处理后的第一测试集和第二测试集分别对训练后的抽油井故障诊断模型进行测试，得到第一测试集和第二测试集下基于GAN的抽油井故障诊断方法的准确率如表1所示。
表1
可见，本发明在抽油井示功图样本数量不足的情况下，基于对抗式生成网络GAN生成新的示功图样本，将收集的示功图和生成的示功图共同训练以卷积神经网络为基础的故障诊断模型。本发明为故障诊断模型提供了大量的样本数据而且故障诊断模型不需要特征提取，经过上述测试，本发明的抽油井故障诊断模型的准确率在90％以上。
显然，上述实施例仅仅是本发明的一部分实施例，而不是全部的实施例。上述实施例仅用于解释本发明，并不构成对本发明保护范围的限定。基于上述实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，也即凡在本申请的精神和原理之内所作的所有修改、等同替换和改进等，均落在本发明要求的保护范围内。
Claims (4)
1.一种基于GAN的抽油井故障诊断方法，所述抽油井为有杆泵抽油机井，其特征在于，包括下述步骤：
步骤1：收集已知故障类型的抽油井示功图，得到抽油井示功图集，并对抽油井示功图集进行预处理；
步骤2：将预处理后的抽油井示功图集组成第一样本库，从第一样本库中随机选取m1个样本构成第一训练集，第一样本库中其余m-m1个样本构成第一测试集；其中，m为第一样本库中的样本总数，第一样本库中的每个样本均对应一个故障类型标签；
步骤3：对第一训练集和第一测试集中的每张示功图均进行标准归一化处理；
步骤4：构建抽油井示功图生成的GAN模型，用第一训练集对GAN模型进行训练，并生成新的示功图集；
步骤5：将新的示功图集组成第二样本库，从第二样本库中随机选取m2个样本构成第二训练集，第二样本库中其余m1'-m2个样本构成第二测试集，并对第二训练集和第二测试集均进行与步骤3中相同的标准归一化处理；其中，m1'为第二样本库中的样本总数；
步骤6：基于卷积神经网络构建抽油井故障诊断模型，用标准归一化处理后的第一训练集和第二训练集训练所述抽油井故障诊断模型；所述抽油井故障诊断模型包括第二卷积层、第二池化层、第二全连接层、第二dropout层，所述抽油井故障诊断模型的输入为标准归一化处理后的抽油井示功图、输出为该抽油井示功图对应的故障类型标签；
步骤7：用标准归一化处理后的第一测试集和第二测试集分别对训练后的抽油井故障诊断模型进行测试，得到抽油井故障诊断模型的准确率；
步骤8：采集待诊断抽油井的示功图，对待诊断抽油井的示功图进行与步骤1中相同的预处理及与步骤3中相同的标准归一化处理后，将待诊断抽油井的示功图输入抽油井故障诊断模型中，对待诊断抽油井进行故障诊断，得到待诊断抽油井的故障类型。
2.根据权利要求1所述的基于GAN的抽油井故障诊断方法，其特征在于，所述步骤1中，对抽油井示功图集进行预处理，包括：将抽油井示功图集中的各抽油井示功图调整为同等像素大小。
3.根据权利要求1所述的基于GAN的抽油井故障诊断方法，其特征在于，所述步骤3中，标准归一化处理的公式为Pn＝2(P-Pmin)/(Pmax-Pmin)-1，P为标准归一化前的示功图的图像矩阵，Pn为标准归一化后的示功图的图像矩阵，P、Pn中的每个元素为对应图像中每一位像素点的灰度值，Pmax为矩阵P中元素的最大值，Pmin为矩阵P中元素的最小值。
4.根据权利要求1所述的基于GAN的抽油井故障诊断方法，其特征在于，所述步骤4包括下述步骤：
步骤4.1：构建抽油井示功图生成的GAN模型为
其中，D为GAN模型的判别器，G为GAN模型的生成器，判别器D包括第一卷积层、第一池化层、第一dropout层，生成器G包括第一全连接层、反卷积层；x为真实示功图，Pdata(x)为真实示功图集的分布，z为输入生成器G的噪声，G(z)为生成器G生成的示功图，Pz(z)为噪声的分布，D(x)为判别器D判断真实示功图x为真实的概率，D(G(z))为判别器D判断生成器G生成的示功图G(z)为真实的概率；E为期望；
步骤4.2：随机产生噪声z，用噪声z训练生成器G来生成新的示功图；将标准归一化处理后的第一训练集作为真实示功图集，用第一训练集和生成器G生成的示功图集训练判别器D；
步骤4.3：利用训练后的GAN模型生成新的示功图集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910598136.XA CN110318731A (zh) | 2019-07-04 | 2019-07-04 | 一种基于gan的抽油井故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910598136.XA CN110318731A (zh) | 2019-07-04 | 2019-07-04 | 一种基于gan的抽油井故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110318731A true CN110318731A (zh) | 2019-10-11 |
Family
ID=68122584
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910598136.XA Pending CN110318731A (zh) | 2019-07-04 | 2019-07-04 | 一种基于gan的抽油井故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110318731A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112664185A (zh) * | 2020-12-23 | 2021-04-16 | 中国石油大学(华东) | 一种基于示功图的抽油机井工况预测方法 |
| CN112733440A (zh) * | 2020-12-30 | 2021-04-30 | 南方海洋科学与工程广东省实验室(湛江) | 海上油气水井智能故障诊断方法、***、存储介质、设备 |
| CN112766301A (zh) * | 2020-12-11 | 2021-05-07 | 南京富岛信息工程有限公司 | 一种采油机示功图相似性判断方法 |
| CN114444620A (zh) * | 2022-04-08 | 2022-05-06 | 中国石油大学(华东) | 一种基于生成式对抗神经网络的示功图故障诊断方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6343656B1 (en) * | 2000-03-23 | 2002-02-05 | Intevep, S.A. | System and method for optimizing production from a rod-pumping system |
| US20170328194A1 (en) * | 2016-04-25 | 2017-11-16 | University Of Southern California | Autoencoder-derived features as inputs to classification algorithms for predicting failures |
| CN107563385A (zh) * | 2017-09-02 | 2018-01-09 | 西安电子科技大学 | 基于深度卷积生成式对抗网络的车牌字符识别方法 |
| CN108122075A (zh) * | 2017-12-22 | 2018-06-05 | 胜利油田鲁明油气勘探开发有限公司 | 一种基于卷积神经网络强化学习的有杆泵工况智能监测方法 |
| CN108756854A (zh) * | 2018-07-03 | 2018-11-06 | 常州大学 | 一种基于示功体的有杆泵工况智能监测方法 |
| CN109272123A (zh) * | 2018-08-03 | 2019-01-25 | 常州大学 | 一种基于卷积-循环神经网络的有杆泵工况预警方法 |
-
2019
- 2019-07-04 CN CN201910598136.XA patent/CN110318731A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6343656B1 (en) * | 2000-03-23 | 2002-02-05 | Intevep, S.A. | System and method for optimizing production from a rod-pumping system |
| US20170328194A1 (en) * | 2016-04-25 | 2017-11-16 | University Of Southern California | Autoencoder-derived features as inputs to classification algorithms for predicting failures |
| CN107563385A (zh) * | 2017-09-02 | 2018-01-09 | 西安电子科技大学 | 基于深度卷积生成式对抗网络的车牌字符识别方法 |
| CN108122075A (zh) * | 2017-12-22 | 2018-06-05 | 胜利油田鲁明油气勘探开发有限公司 | 一种基于卷积神经网络强化学习的有杆泵工况智能监测方法 |
| CN108756854A (zh) * | 2018-07-03 | 2018-11-06 | 常州大学 | 一种基于示功体的有杆泵工况智能监测方法 |
| CN109272123A (zh) * | 2018-08-03 | 2019-01-25 | 常州大学 | 一种基于卷积-循环神经网络的有杆泵工况预警方法 |
Non-Patent Citations (2)
| Title |
|---|
| 段友祥等: "改进的Alexnet模型及在油井示功图分类中的应用", 《计算机应用与软件》 * |
| 郑远攀: "深度学习在图像识别中的应用研究综述", 《计算机工程与应用》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112766301A (zh) * | 2020-12-11 | 2021-05-07 | 南京富岛信息工程有限公司 | 一种采油机示功图相似性判断方法 |
| CN112766301B (zh) * | 2020-12-11 | 2024-04-12 | 南京富岛信息工程有限公司 | 一种采油机示功图相似性判断方法 |
| CN112664185A (zh) * | 2020-12-23 | 2021-04-16 | 中国石油大学(华东) | 一种基于示功图的抽油机井工况预测方法 |
| CN112733440A (zh) * | 2020-12-30 | 2021-04-30 | 南方海洋科学与工程广东省实验室(湛江) | 海上油气水井智能故障诊断方法、***、存储介质、设备 |
| CN114444620A (zh) * | 2022-04-08 | 2022-05-06 | 中国石油大学(华东) | 一种基于生成式对抗神经网络的示功图故障诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110318731A (zh) | 一种基于gan的抽油井故障诊断方法 | |
| CN106769052B (zh) | 一种基于聚类分析的机械***滚动轴承智能故障诊断方法 | |
| CN104712542B (zh) | 一种基于物联网的往复压缩机敏感特征提取与故障诊断方法 | |
| CN106779069A (zh) | 一种基于神经网络的异常用电检测方法 | |
| CN109272123B (zh) | 一种基于卷积-循环神经网络的有杆泵工况预警方法 | |
| CN109119167A (zh) | 基于集成模型的脓毒症死亡率预测*** | |
| CN109765333A (zh) | 一种基于GoogleNet模型的变压器故障诊断方法 | |
| CN111311059B (zh) | 基于知识图谱的水车室故障诊断方法 | |
| CN109000930A (zh) | 一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法 | |
| CN108122075A (zh) | 一种基于卷积神经网络强化学习的有杆泵工况智能监测方法 | |
| CN112949196B (zh) | 一种基于残差神经网络的抽油机井故障诊断方法及*** | |
| CN110500217A (zh) | 基于可测数据特征的柴油机共轨***油泵故障检测方法 | |
| CN109002847A (zh) | 一种基于指标的深度信念网络的轴向柱塞泵多故障诊断方法 | |
| CN112906892A (zh) | 一种基于深度学习与知识图谱的设备故障智能诊断方法 | |
| CN110110768A (zh) | 基于并行特征学习和多分类器的滚动轴承故障诊断方法 | |
| CN110111885A (zh) | 属性预测方法、装置、计算机设备及计算机可读存储介质 | |
| CN112766301B (zh) | 一种采油机示功图相似性判断方法 | |
| CN108805195A (zh) | 一种基于二值深层神经网络的电机群故障诊断方法 | |
| Wang et al. | A working condition diagnosis model of sucker rod pumping wells based on deep learning | |
| CN114358124A (zh) | 基于深度对抗卷积神经网络的旋转机械新故障诊断方法 | |
| Wang et al. | A working condition diagnosis model of sucker rod pumping wells based on big data deep learning | |
| Zhao et al. | A novel deep fuzzy clustering neural network model and its application in rolling bearing fault recognition | |
| CN108153987A (zh) | 一种基于超限学习机的液压泵多故障诊断方法 | |
| CN116701871A (zh) | 基于因果特征加权网络的滚动轴承复合故障特征选择方法 | |
| CN111144433B (zh) | 基于svm模型油井工况智能诊断分析方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191011 |