CN111144433A - 基于svm模型油井工况智能诊断分析方法及装置 - Google Patents
基于svm模型油井工况智能诊断分析方法及装置 Download PDFInfo
- Publication number
- CN111144433A CN111144433A CN201910964089.6A CN201910964089A CN111144433A CN 111144433 A CN111144433 A CN 111144433A CN 201910964089 A CN201910964089 A CN 201910964089A CN 111144433 A CN111144433 A CN 111144433A
- Authority
- CN
- China
- Prior art keywords
- oil well
- normal
- diagnosis
- hog
- indicator
- 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.)
- Granted
Links
- 239000003129 oil well Substances 0.000 title claims abstract description 252
- 238000003745 diagnosis Methods 0.000 title claims abstract description 191
- 238000004458 analytical method Methods 0.000 title claims abstract description 47
- 238000010586 diagram Methods 0.000 claims abstract description 247
- 238000004519 manufacturing process Methods 0.000 claims abstract description 122
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 239000004576 sand Substances 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 56
- 238000013145 classification model Methods 0.000 claims description 48
- 238000005086 pumping Methods 0.000 claims description 14
- 239000007788 liquid Substances 0.000 claims description 13
- 230000008021 deposition Effects 0.000 claims description 12
- 238000005507 spraying Methods 0.000 claims description 10
- 238000007667 floating Methods 0.000 claims description 9
- 230000000903 blocking effect Effects 0.000 claims description 2
- 238000002405 diagnostic procedure Methods 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 44
- 238000004422 calculation algorithm Methods 0.000 abstract description 41
- 230000008569 process Effects 0.000 abstract description 12
- 239000011159 matrix material Substances 0.000 abstract description 8
- 238000013528 artificial neural network Methods 0.000 abstract description 5
- 230000000704 physical effect Effects 0.000 abstract description 4
- 230000008859 change Effects 0.000 abstract description 3
- 239000003921 oil Substances 0.000 description 37
- 238000005516 engineering process Methods 0.000 description 7
- 238000003909 pattern recognition Methods 0.000 description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000012774 diagnostic algorithm Methods 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000011158 quantitative evaluation Methods 0.000 description 3
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000009182 swimming Effects 0.000 description 2
- 239000009096 changqing Substances 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000000346 nonvolatile oil Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明基于SVM模型油井工况智能诊断分析方法及装置，属于油田采油工艺技术领域，本发明提供的基于SVM模型油井工况智能诊断分析方法,包括：步骤1：获取油井多组正常示功图，并提取该多组正常示功图的HOG特征，将该正常示功图的HOG特征集合为正常HOG特征集合；本发明在不同油藏、不同井身结构及物性差异，导致油井工况复杂多变的情况下，提供了一套通用高准确率功图识别办法，克服了矩阵特征识别法的矩阵特征对功图的细微变化描述不充分的问题，可以对轻微出砂、上碰和下挂可以准确识别，较差分曲线法实际应用过程中去除掉对诊断有用的特征的问题，本发明诊断类型较多，可定量评价；较PSO‑RBF神经网络算法，本发明在复杂工况下识别也较为准确。
Description
技术领域
本发明属于油田采油工艺技术领域，具体涉及基于SVM模型油井工况智能诊断分析方法及装置。
背景技术
随着数字化油田的发展，油井功图遥测技术应用广泛，通过油井遥测功图来诊断油井工况（深井泵工作状态）成为油井日常生产管理的重要手段之一。
近年来，随着计算机技术的发展，借助计算机***实现工况自动分析的研究不断深入，目前的流行技术有：功图矩特征识别法(抽油机示功图矩特征识别法 油气田地面工程（OGSE） 第18卷第3期)、差分曲线法(杨顺辉 差分曲线法在示功图诊断中的应用)、基于深度学习的油井功图智能识别法、基于PSO-RBF神经网络的示功图识别法(微型机与应用，2016年第35卷第3期)等。
发明人在实现本发明实施例的过程中，发现背景技术中至少存在以下缺陷：
由于不同油藏、不同井身结构及物性差异，导致油井工况复杂多变，以上技术存在适用范围限制，无法提供一套通用高准确率功图识别办法。其中矩阵特征识别法的矩阵特征对功图的细微变化描述不充分，对轻微出砂、 上碰、下挂无法准确识别，同时矩的特性忽略了功图形状的大小，对动载荷和结蜡等工况无法诊断。差分曲线法不足处在于差分计算中丢失示功图特征太多，实际应用过程中去除掉对诊断有用的特征，导致识别诊断的故障类型有限、且无法定量评价。基于PSO-RBF神经网络算法提取的是具有代表性的单一故障示功图图形特征，并未考虑多故障同时识别及设备和生产参数对故障的影响，复杂工况识别未做研究。
发明内容
本发明提供基于SVM模型油井工况智能诊断分析方法及装置，目的在于解决上述问题，解决由于不同油藏、不同井身结构及物性差异，导致油井工况复杂多变，以上技术存在适用范围限制，无法提供一套通用高准确率功图识别办法。其中矩阵特征识别法的矩阵特征对功图的细微变化描述不充分，对轻微出砂、 上碰、下挂无法准确识别，同时矩的特性忽略了功图形状的大小，对动载荷和结蜡等工况无法诊断。差分曲线法不足处在于差分计算中丢失示功图特征太多，实际应用过程中去除掉对诊断有用的特征，导致识别诊断的故障类型有限、且无法定量评价。基于PSO-RBF神经网络算法提取的是具有代表性的单一故障示功图图形特征，并未考虑多故障同时识别及设备和生产参数对故障的影响，复杂工况识别未做研究的问题。
为实现上述目的，本发明采用的技术方案如下：
基于SVM模型油井工况智能诊断分析方法,包括：
步骤1：获取油井多组正常示功图，并提取该多组正常示功图的HOG特征，将该正常示功图的HOG特征集合为正常HOG特征集合；
步骤2：获取多组不同工况下的油井故障示功图，并将该多组示功图按照油井的不同事故分为多组故障样本集合，分别提取每组故障样本集合的HOG特征，所述每组故障样本集合的HOG特征集合为不同事故的事故HOG特征集合；
步骤3：将其中一种故障的事故HOG特征集合作为第一样本，将其他故障的事故HOG特征集合和正常HOG特征集合作为第二样本，将第一样本和第二样本输入SVM分类器进行学习训练，得到用于诊断所述故障的分类模型，重复本步骤，直到获得用于诊断每种故障的分类模型后，进入下一步；
步骤4：将需要诊断的油井示功图提取HOG特征后分别由所有分类模型进行逐次诊断，判断出需要诊断油井故障的结果。
所述步骤4之前还包括，
步骤3.1：将正常生产中的正常HOG特征集合作为第三样本，将所有事故的事故HOG特征集合作为第四样本，将第三样本和第四样本输入SVM分类器进行学习训练，得到用于诊断油井正常生产的正常生产诊断模型；
所述步骤4中，将需要诊断的油井示功图提取HOG特征后首先使用正常生产诊断模型进行诊断，若正常生产诊断模型诊断出油井正常生产则输出油井正常的结果，若正常生产诊断模型诊断出油井故障，则将需要诊断的油井示功图提取HOG特征后分别由所有分类模型进行逐次诊断，判断出需要诊断油井事故的结果。
所述正常生产诊断模型对提取HOG特征后的需要诊断的油井示功图进行诊断具体为：
正常生产诊断模型提取历史正常功图并计算HOG特征，正常生产诊断模型诊断出需要诊断的油井示功图与历史正常功图相似度大于96%时，输出油井正常的结果。
所述步骤2中，多组不同工况下的油井故障示功图包括凡儿失灵、油杆断脱、连抽带喷、轻度油管漏失、油井结蜡、游动凡儿漏失、固定凡儿漏失、双凡儿漏失、泵间隙漏失、油井出砂、机械振动、供液不足类、泵卡类和泵脱出工作筒类油井故障示功图。
所述步骤1中获取的油井多组正常示功图和所述步骤2中获取的多组不同工况下的油井故障示功图为最近一个月采集的历史示功图，其中所述步骤1中获取的多组油井正常示功图的HOG特征来源于最近30天历史功图中特征占比最高的功图。
基于SVM模型油井工况智能诊断分析装置，包括：
油井正常HOG特征提取模块，用于获取油井多组正常示功图，并提取该多组正常示功图的HOG特征，将该正常示功图的HOG特征集合为正常HOG特征集合；
油井故障HOG特征提取分类模块，用于获取多组不同工况下的油井故障示功图，并将该多组示功图按照油井的不同事故分为多组故障样本集合，分别提取每组故障样本集合的HOG特征，所述每组故障样本集合的HOG特征集合为不同事故的事故HOG特征集合；
故障分类模型训练模块，用于将其中一种故障的事故HOG特征集合作为第一样本，将其他故障的事故HOG特征集合和正常HOG特征集合作为第二样本，将第一样本和第二样本输入SVM分类器进行学习训练，得到用于诊断所述故障的分类模型，重复本步骤，直到获得用于诊断每种故障的故障特征集的分类模型。
诊断模块，用于将需要诊断的油井示功图提取HOG特征后分别由所有分类模型进行逐次诊断，判断出需要诊断油井事故的结果。
还包括：
油井正常生产诊断模型训练模块，用于将正常生产中的正常HOG特征集合作为第三样本，将所有事故的事故HOG特征集合作为第四样本，将第三样本和第四样本输入SVM分类器进行学习训练，得到用于诊断油井正常生产的正常生产诊断模型；
油井正常生产诊断模块，用于将需要诊断的油井示功图提取HOG特征后首先使用正常生产诊断模型进行诊断，若正常生产诊断模型诊断出油井正常生产则输出油井正常的结果，若正常生产诊断模型诊断出油井故障，则将需要诊断的油井示功图提取HOG特征后分别由所有分类模型进行逐次诊断，判断出需要诊断油井事故的结果。
所述油井正常生产诊断模型训练模块中，正常生产诊断模型对提取HOG特征后的需要诊断的油井示功图进行诊断具体为：
正常生产诊断模型提取历史正常功图并计算HOG特征，正常生产诊断模型诊断出需要诊断的油井示功图与历史正常功图相似度大于96%时，输出油井正常的结果。
所述油井故障HOG特征提取分类模块中，多组不同工况下的油井故障示功图包括凡儿失灵、油杆断脱、连抽带喷、轻度油管漏失、油井结蜡、游动凡儿漏失、固定凡儿漏失、双凡儿漏失、泵间隙漏失、油井出砂、机械振动、供液不足类、泵卡类和泵脱出工作筒类油井故障示功图。
所述油井正常生产诊断模型训练模块中获取的油井多组正常示功图和油井故障HOG特征提取分类模块中获取的多组不同工况下的油井故障示功图为最近一个月采集的历史示功图，其中所述步骤1中获取的多组油井正常示功图的HOG特征来源于最近30天历史功图中特征占比最高的功图。
本发明的有益效果是，本发明在不同油藏、不同井身结构及物性差异，导致油井工况复杂多变的情况下，提供了一套通用高准确率功图识别办法，克服了矩阵特征识别法的矩阵特征对功图的细微变化描述不充分的问题，可以对轻微出砂、 上碰和下挂可以准确识别，较差分曲线法实际应用过程中去除掉对诊断有用的特征的问题，本发明诊断类型较多，可定量评价；较PSO-RBF神经网络算法，本发明在复杂工况下识别也较为准确。
附图说明
图1为本发明基于SVM模型油井工况智能诊断分析方法一实施例的流程图；
图2为实施本发明基于SVM模型油井工况智能诊断分析方法的电脑***中显示的工况实时诊断流程；
图3为实施本发明基于SVM模型油井工况智能诊断分析方法的电脑***中显示的实时采集功图数据表；
图4为实施本发明基于SVM模型油井工况智能诊断分析方法的电脑***中显示的故障工况训练样本库；
图5为实施本发明基于SVM模型油井工况智能诊断分析方法的电脑***中显示的问题处置措施库；
图6为实施本发明基于SVM模型油井工况智能诊断分析方法的电脑***中显示的智能油水井后台服务日志；
图7为实施本发明基于SVM模型油井工况智能诊断分析方法的电脑***中显示的诊断算法参数配置界面；
图8为实施本发明基于SVM模型油井工况智能诊断分析方法的电脑***中显示的另一诊断算法参数配置界。
具体实施方式
首先需要说明的是，在本发明的权利要求中，所涉及的步骤1，步骤2，步骤3及步骤4并不是规定其必要的步骤顺序，其只作为方便阅读本专利人员的写作方法，减少权利要求书的撰写篇幅，其步骤的顺序可以进行调整，其调整规则本领域普通技术人员可以进行胜任前后调整规则。
在本发明各个实施例中，所涉及的术语为：
正常示功图，为油井在正常生产时的油井遥测功图。
油井故障示功图，为油井出现故障时的油井遥测功图。
第一样本，集合有某一相似类事故的功图所提取HOG特征的集合。
第二样本，集合有除第一样本外的，其集合有：
1、正常生产时，由所有正常功图提取的HOG特征集合；
2、油井故障时，由该除第一样本外的其他所有具有事故的油井遥测功图提取的HOG特征集合。
第三样本，正常生产时，由所有正常功图提取的HOG特征集合。
第四样本，所有具有事故的油井遥测功图提取的HOG特征集合。
下面，将通过几个具体的实施例对本发明实施例提供的SVM模型油井工况智能诊断分析方案进行详细介绍说明。
实施例1
请参考图1，其示出了本发明一实施例提供的基于SVM模型油井工况智能诊断分析方法一实施例的流程图，该基于SVM模型油井工况智能诊断分析方法,包括：
步骤1：获取油井多组正常示功图，并提取该多组正常示功图的HOG特征，将该正常示功图的HOG特征集合为正常HOG特征集合；
步骤2：获取多组不同工况下的油井故障示功图，并将该多组示功图按照油井的不同事故分为多组故障样本集合，分别提取每组故障样本集合的HOG特征，所述每组故障样本集合的HOG特征集合为不同事故的事故HOG特征集合；
步骤3：将其中一种故障的事故HOG特征集合作为第一样本，将其他故障的事故HOG特征集合和正常HOG特征集合作为第二样本，将第一样本和第二样本输入SVM分类器进行学习训练，得到用于诊断所述故障的分类模型，重复本步骤，直到获得用于诊断每种故障的分类模型后，进入下一步；
步骤4：将需要诊断的油井示功图提取HOG特征后分别由所有分类模型进行逐次诊断，判断出需要诊断油井故障的结果。
上述实施例中，在由于不同油藏、不同井身结构及物性差异，导致油井工况复杂多变，本实施例采用SVM从线性可分情况下，将油井深井泵在工作中出现的某一种事故的示功图与其他事故的示功图及正常生产的示功图区分开来；
首先将油井深井泵在工作中出现的某一种事故的示功图提取出HOG特征作为一组数据；其他事故的示功图及正常生产的的示功图也提取出HOG特征作为另一组数据，通过SVM分类器进行学习训练，训练出两组数据之间的最优分类线，从而获得该种事故的分类模型；重复上述方法，训练出所有事故的分类模型；
在实际对需要筛选其事故的某口井进行判断时，分别将该口井的示功图提取HOG特征后，分别通过所有事故的分类模型进行一一诊断，最终由某一种事故的分类模型诊断出改口井的实际事故能由其自身模型比对出来，该种事故的分类模型输出其模型匹配的事故为最终结果。
实施例2
进一步的，请参考图1，本发明基于SVM模型油井工况智能诊断分析方法的另一实施例，所述步骤4之前还包括，
步骤3.1：将正常生产中的正常HOG特征集合作为第三样本，将所有事故的事故HOG特征集合作为第四样本，将第三样本和第四样本输入SVM分类器进行学习训练，得到用于诊断油井正常生产的正常生产诊断模型；
所述步骤4中，将需要诊断的油井示功图提取HOG特征后首先使用正常生产诊断模型进行诊断，若正常生产诊断模型诊断出油井正常生产则输出油井正常的结果，若正常生产诊断模型诊断出油井故障，则将需要诊断的油井示功图提取HOG特征后分别由所有分类模型进行逐次诊断，判断出需要诊断油井事故的结果。
上述实施例中，在实际诊断中，大多数油井的生产为正常状态，因此在对需要筛选其事故的某口井进行判断时，首先诊断该口井是否为正常生产状态，若为正常生产状态则不必使用所有事故的分类模型进行一一诊断，可以大大缩短诊断时间；
因此，首先使用常生产中的正常HOG特征集合与所有事故的事故HOG特征集合输入SVM分类器进行学习训练，得到诊断油井深井泵是否正常生产工作的正常生产诊断模型，在对需要筛选其事故的某口井进行判断时将该口井深井泵的示功图提取HOG特征后首先使用正常生产诊断模型进行诊断，判断该口井的深井泵是否正常生产，若为正常生产则终止诊断，若为非正常生产则使用所有事故的分类模型进行一一诊断。
实施例3
进一步的，请参考图1，本发明基于SVM模型油井工况智能诊断分析方法的另一实施例，所述正常生产诊断模型对提取HOG特征后的需要诊断的油井示功图进行诊断具体为：
正常生产诊断模型提取历史正常功图并计算HOG特征，正常生产诊断模型诊断出需要诊断的油井示功图与历史正常功图相似度大于96%时，输出油井正常的结果。
上述实施例中，正常生产诊断模型诊断出需要诊断的油井示功图与历史正常功图相似度大于96%时为优选实施例，可以精确判断出该井深井泵是否存在事故问题，并且在实施中，诊断效率也较为迅速。
实施例4
进一步的，本发明基于SVM模型油井工况智能诊断分析方法的另一实施例，所述步骤2中，多组不同工况下的油井故障示功图包括凡儿失灵、油杆断脱、连抽带喷、轻度油管漏失、油井结蜡、游动凡儿漏失、固定凡儿漏失、双凡儿漏失、泵间隙漏失、油井出砂、机械振动、供液不足类、泵卡类和泵脱出工作筒类油井故障示功图。
上述实施例中，在油井的深井泵正常生产时常涉及凡儿失灵、油杆断脱、连抽带喷、轻度油管漏失、油井结蜡、游动凡儿漏失、固定凡儿漏失、双凡儿漏失、泵间隙漏失、油井出砂、机械振动、供液不足类、泵卡类和泵脱出工作筒类问题，将该多种问题的故障示功图收集起来，在平常生产工作中，收集的该多种问题的故障示功图可作为机器学习的基本资料，其存于功图数据库中。
实施例5
进一步的，本发明基于SVM模型油井工况智能诊断分析方法的另一实施例，所述步骤1中获取的油井多组正常示功图和所述步骤2中获取的多组不同工况下的油井故障示功图为最近一个月采集的历史示功图，其中所述步骤1中获取的多组油井正常示功图的HOG特征来源于最近30天历史功图中特征占比最高的功图。
上述实施例中，在采用SVM分类器进行学习训练时，在进行两类样本的计算时，为了更准确的确定两组数据之间的最优分类线，在收集步骤1中获取的多组油井正常示功图的HOG特征需要选取特征占比最高的功图，以利于将正常功图的HOG特征与油井故障示功图的HOG特征进行强区分。
实施例6
进一步的，本发明基于SVM模型油井工况智能诊断分析方法的另一实施例，所述步骤4中，将需要诊断的油井示功图提取HOG特征后分别由所有分类模型进行逐次诊断若判断不出结果，则将该示功图加入样本训练库中进行保存。
上述实施例中，在出现示功图的诊断不能输出结果的，则将该功图加入样本训练库，等待人工标记和再次训练。
实施例7
本发明另一技术方案基于SVM模型油井工况智能诊断分析装置，该基于SVM模型油井工况智能诊断分析装置，包括：
油井正常HOG特征提取模块，用于获取油井多组正常示功图，并提取该多组正常示功图的HOG特征，将该正常示功图的HOG特征集合为正常HOG特征集合；
油井故障HOG特征提取分类模块，用于获取多组不同工况下的油井故障示功图，并将该多组示功图按照油井的不同事故分为多组故障样本集合，分别提取每组故障样本集合的HOG特征，所述每组故障样本集合的HOG特征集合为不同事故的事故HOG特征集合；
故障分类模型训练模块，用于将其中一种故障的事故HOG特征集合作为第一样本，将其他故障的事故HOG特征集合和正常HOG特征集合作为第二样本，将第一样本和第二样本输入SVM分类器进行学习训练，得到用于诊断所述故障的分类模型，重复本步骤，直到获得用于诊断每种故障的故障特征集的分类模型。
诊断模块，用于将需要诊断的油井示功图提取HOG特征后分别由所有分类模型进行逐次诊断，判断出需要诊断油井事故的结果。
上述实施例中，在由于不同油藏、不同井身结构及物性差异，导致油井工况复杂多变，本实施例采用SVM从线性可分情况下，将油井深井泵在工作中出现的某一种事故的示功图与其他事故的示功图及正常生产的示功图区分开来；
首先使用油井正常HOG特征提取模块将油井深井泵在工作中出现的某一种事故的示功图提取出HOG特征作为一组数据；由油井故障HOG特征提取分类模块将其他事故的示功图及正常生产的的示功图也提取出HOG特征作为另一组数据；使用故障分类模型训练模块通过SVM分类器进行学习训练，训练出两组数据之间的最优分类线，从而获得该种事故的分类模型；重复上述方法，训练出所有事故的分类模型；
在实际对需要筛选其事故的某口井进行判断时，使用诊断模块分别将该口井的示功图提取HOG特征后，分别通过所有事故的分类模型进行一一诊断，最终由某一种事故的分类模型诊断出改口井的实际事故能由其自身模型比对出来，该种事故的分类模型输出其模型匹配的事故为最终结果。
实施例8
进一步的，本发明基于SVM模型油井工况智能诊断分析装置的另一实施例，还包括：
油井正常生产诊断模型训练模块，用于将正常生产中的正常HOG特征集合作为第三样本，将所有事故的事故HOG特征集合作为第四样本，将第三样本和第四样本输入SVM分类器进行学习训练，得到用于诊断油井正常生产的正常生产诊断模型；
油井正常生产诊断模块，用于将需要诊断的油井示功图提取HOG特征后首先使用正常生产诊断模型进行诊断，若正常生产诊断模型诊断出油井正常生产则输出油井正常的结果，若正常生产诊断模型诊断出油井故障，则将需要诊断的油井示功图提取HOG特征后分别由所有分类模型进行逐次诊断，判断出需要诊断油井事故的结果。
上述实施例中，在实际诊断中，大多数油井的生产为正常状态，因此在对需要筛选其事故的某口井进行判断时，首先诊断该口井是否为正常生产状态，若为正常生产状态则不必使用所有事故的分类模型进行一一诊断，可以大大缩短诊断时间；
因此，首先使用油井正常生产诊断模型训练模块将常生产中的正常HOG特征集合与所有事故的事故HOG特征集合输入SVM分类器进行学习训练，得到诊断油井深井泵是否正常生产工作的正常生产诊断模型，在对需要筛选其事故的某口井进行判断时将该口井深井泵的示功图提取HOG特征后首先油井正常生产诊断模块使用正常生产诊断模型进行诊断，判断该口井的深井泵是否正常生产，若为正常生产则终止诊断，若为非正常生产则使用所有事故的分类模型进行一一诊断。
实施例9
进一步的，本发明基于SVM模型油井工况智能诊断分析装置的另一实施例，所述油井正常生产诊断模型训练模块中，正常生产诊断模型对提取HOG特征后的需要诊断的油井示功图进行诊断具体为：
正常生产诊断模型提取历史正常功图并计算HOG特征，正常生产诊断模型诊断出需要诊断的油井示功图与历史正常功图相似度大于96%时，输出油井正常的结果。
上述实施例中，在油井正常生产诊断模型训练模块中正常生产诊断模型诊断出需要诊断的油井示功图与历史正常功图相似度大于96%时为优选实施例，可以精确判断出该井深井泵是否存在事故问题，并且在实施中，诊断效率也较为迅速。
实施例10
进一步的，本发明基于SVM模型油井工况智能诊断分析装置的另一实施例，所述油井故障HOG特征提取分类模块中，多组不同工况下的油井故障示功图包括凡儿失灵、油杆断脱、连抽带喷、轻度油管漏失、油井结蜡、游动凡儿漏失、固定凡儿漏失、双凡儿漏失、泵间隙漏失、油井出砂、机械振动、供液不足类、泵卡类和泵脱出工作筒类油井故障示功图。
上述实施例中，在油井的深井泵正常生产时常涉及凡儿失灵、油杆断脱、连抽带喷、轻度油管漏失、油井结蜡、游动凡儿漏失、固定凡儿漏失、双凡儿漏失、泵间隙漏失、油井出砂、机械振动、供液不足类、泵卡类和泵脱出工作筒类问题，将该多种问题的故障示功图收集起来，在平常生产工作中，油井故障HOG特征提取分类模块外的于功图数据库用于收集的该多种问题的故障示功图可作为机器学习的基本资料，其存于功图数据库中。
实施例11
进一步的，本发明基于SVM模型油井工况智能诊断分析装置的另一实施例，所述油井正常生产诊断模型训练模块中获取的油井多组正常示功图和油井故障HOG特征提取分类模块中获取的多组不同工况下的油井故障示功图为最近一个月采集的历史示功图，其中所述步骤1中获取的多组油井正常示功图的HOG特征来源于最近30天历史功图中特征占比最高的功图。
上述实施例中，在油井正常生产诊断模型训练模块中，采用SVM分类器进行学习训练时，在进行两类样本的计算时，为了更准确的确定两组数据之间的最优分类线，在收集步骤1中获取的多组油井正常示功图的HOG特征需要选取特征占比最高的功图，以利于将正常功图的HOG特征与油井故障示功图的HOG特征进行强区分。
实施例12
进一步的，本发明基于SVM模型油井工况智能诊断分析装置的另一实施例，还包括：
特殊样本保存模块，将需要诊断的油井示功图提取HOG特征后分别由所有分类模型进行逐次诊断若判断不出结果，则将该示功图加入样本训练库中进行保存。
上述实施例中，在出现示功图的诊断不能输出结果的，特殊样本保存模块则将该功图加入样本训练库，等待人工标记和再次训练。
实施例13
需要说明的是本发明中的功图具体为示功图。
下面为具体实施例，请参考图1-图8：
构建工况诊断算法模型前，先搭建诊断分析***框架，程序采用.net技术搭建B/S***框架，接入单井功图实时数据库、单井生产数据库，功图训练样本库，问题处置措施库。程序后台运行功图诊断分析服务，前端展示诊断分析结果及提供诊断参数配置功能。其中单井实时功图库必须包含单井实时功图二进制数据；单井生产数据库包括单井产液量、产油量、含水率、动液面等生产动态信息。功图训练样本库、问题处置措施库由步骤1补充内容。
步骤1构建工况诊断算法模型，并完善算法库及知识库：
算法1 图形识别算法为基于SVM的功图分类算法，具体实现方法如下：
①搜集采油厂具备典型特征的油井故障功图，将分类标记好的样本功图加入步骤0功图训练样本库。分类按照图形特征进行区分：杆断类（具体工况包括：凡儿失灵、油杆断脱、连抽带喷）、泵工作正常类（具体工况包括：泵工作正常、轻度油管漏失、油井结蜡）、泵漏失类（具体工况包括：游动凡儿漏失、固定凡儿漏失、双凡儿漏失、泵间隙漏失）、出砂类（具体工况包括:油井出砂、机械振动）、供液不足类、泵卡类、泵脱出工作筒等。分类可以根据***建设单位实际生产情况进行增减。
②提取样本功图的HOG特征
采用OpenCV开源计算机视觉库，在其封装的HOGDescriptor类库中，首先创建HOGDescriptor类类实例，指定winSize、blockSize、blockStride、cellSize、nbins。然后调用HOGDescriptor.compute（src,descriptors,Size（8,8））方法，即可计算源图像src的描述子，步长设定为（8,8）。
③SVM分类训练。在OpenCV中，可以通过CvSVM类来进行分类训练：
（a）设置训练样本集。准备两组数据，一组是故障功图的类别（即方法①中由专业人员给定的标记），一组故障功图的HOG特征向量信息。
（b）设置SVM参数。利用CvSVMParams类实现类内的成员变量进行设置，其中Cvalue为损失函数。
（c）训练SVM。调用CvSVM：：train函数建立SVM模型，调用函数CvSVM：：predict实现分类。
加载方法③训练得到的模型数据，通过调用OpenCV 中的predict函数，对未知功图进行故障分类识别。
算法3 功图参数趋势分析算法， 本算法用于诊断功图的变化趋势，过滤或减少图形识别算法的误报、漏报情况。具体实现步骤如下：
①对功图进行参数分解：从每一张功图的二进制数据可以得到功图的冲程、冲数、最大载荷、最小载荷、有效冲程 5个参数；
②对同一口井，在时域上对功图参数进行运算并做连续性趋势分析，根据趋势可以进行以下报警（过滤）:
a.油井供液不足报警必要条件：最大、最小载荷趋势平稳，有效冲程呈下降趋势，与该井5天前相比，下降幅度超过10%。
b.油井结蜡报警必要条件：功图载荷差（最大载荷-最小载荷）趋势增大，有效冲程不变或呈小幅上升趋势。
算法2 特殊工况诊断算法，用于对某一类故障功图局部细微特征进行诊断以及对功图进行预处理计算等，用于以上算法的补充。本发明目前用到的特殊算法如下：
上碰、下挂诊断算法：
a.通过解析功图点索引，得到A点(光杆下死点)、C点(光杆上死点)坐标（如图2所示）
b.下碰交叉判断： 以A点为中心点，向AB、AD方向逐个取点连线且判断是否存在交叉点S，如存在则下一步；
c.下碰判断：对交叉点S(f,s)的位置合理范围判断(f – Fmin <5KN AND s – Smin <0.5) 则输出结果为下碰，否则输出功图数据错误；
d.上挂诊断同理。
对以上算法诊断出的所有可能得到的结果，由专业人员给出建议治理措施，并写入步骤0问题处置措施库。
步骤2 依据如图1所示流程运用步骤1建立算法模型进行工况诊断分析计算，输出诊断结果。具体流程如下：
①选定诊断井号。
②从单井实时功图库中获取该井的实时功图，并计算HOG图形特征。
③从单井实时功图库中获取该井的正常生产时的功图，具体提取办法如下：
a)提取该井最近一个月时间的历史采集功图,并计算图形HOG特征；
b)根据HOG特征对一个月历史功图进行分组，组内功图数量最多的组定义为该井正常生产功图分组；
c)从正常生产功图中随机提取或人工选取一张功图作为该井正常生产功图。
④对比①中选取的实时功图与③选取的该井正常生产功图HOG特征相似性，如果相似性 ≥ 96%，则输出诊断结果：该井生产正常，否则进入下一步；
⑤运用步骤2 中算法4 特殊工况识别算法，诊断是否存在上碰、下挂，若存在输出诊断结果：上碰(下挂)，否则进入下一步；
⑥运用步骤1中算法1 图形识别算法 对①中选取的实时功图进行图形识别，得出功图图形识别结果，进入下一步。若无法得出结果，则将该功图加入样本训练库，等待人工标记和再次训练;
算法名称：油杆断脱与连抽带喷工况区分诊断经验算法
算法步骤：
①将诊断功图与该井的历史正常功图进行对比，如果图形相似度大于a %,则该井生产正常，输出历史功图解释：连抽带喷。否在进入下一步：
②判断该井动液面，动液面> b m或该井日产液量< c m³，输出为油杆断脱或凡儿失灵。否在进入下一步
③该井近期采取了修井、压裂、酸化等增产措施，则输出为连抽带喷。
其中a,b,c为诊断参数，默认值为步骤1中给定值 a=95,b=300,c=1。 对应不同的井，不同的区块，a、b、c值可以分别设定存储于数据库，调用时根据当前诊断油井的井号、或者井所属的区块，获取事先设定的参数值，再调用诊断算法实现配置式的算法诊断。
对步骤1中的算法1 图形识别算法，对于识别结果未知的功图，通过步骤2自动加入功图训练样本库，由专业人员对新加入样本进行标记后，运用步骤1中的训练方法，得到新的svm诊断模型，实现***诊断能力的提升。
本实施例的有益效果在于提供了一套可配置式的通用工况诊断分析***及方法，用诊断算法模型、算法知识库，构成***智能诊断的大脑。通过诊断算法参数的自定义配置、训练样本库的完善，使智能诊断大脑具备学习能力和较高的适应能力。通过***在使用过程中调整参数、完善训练样本库，不断学习来提高工况诊断分析准确率。
实施例14
项目名称：长庆油田第二采油厂智能油水井诊断与分析***
项目时间：2017年1月-2018年3月
项目实施背景：近年来，随着产建开发规模的不断扩大，第二采油厂管理的油水井越来越多，在不新增技术员的前提下，依靠传统单井管理方式，显然无法满足精细管理、实时监控的要求。为了达到提质增效的目标，提高单井管理人效，提出借助数字化、大数据、机器学习等技术，研发智能油水井***，寻求更加高效的单井管理手段。
项目具体实施过程：
一、部署***运行环境
1、运行环境硬件配置
SYSTEM：Windows Server 2008 R2 Enterprise SP1 64位
CPU：Intel CPU E7-4809
RAM：512GB
HDD：1TB
2、构建数据库
数据库采用Oracle商业数据库，版本号11g。分别建立单井功图实时数据库、故障功图训练样本库、专家诊断算法库、问题处置措施库。关键数据结构如图3
3、安装framework 4.0版本，使用C#语言 搭建webService程序
二、构建诊断算法模型
1、功图图形识别算法模型训练
(1)对全厂4535口油井一个月的历史功图计算HOG特征，保存差异较大（相似度<96%）的功图到训练样本库，共得到样本数量7284张。
(2)由厂工艺所建立算法专家小组，对提取到的样本进行分类标记，标记后的数据统计如下表所示，其中数据错误3009张为无效样本。
表1功图样本分类标记统计表
| 分类标签 | 样本数量 |
| 泵工作正常 | 180 |
| 泵卡 | 15 |
| 待确认 | 289 |
| 非典型图 | 12 |
| 供液不足 | 435 |
| 固定凡尔漏失 | 10 |
| 固定凡尔失灵 | 14 |
| 含水突升 | 9 |
| 滑杆或凡尔罩断脱 | 2 |
| 活塞脱筒 | 5 |
| 连抽带喷 | 13 |
| 气锁 | 13 |
| 气体影响 | 54 |
| 上部抽油杆断脱 | 20 |
| 上挂 | 2 |
| 数据错误 | 3009 |
| 双凡尔漏失 | 10 |
| 下部抽油杆断脱 | 6 |
| 下碰 | 3 |
| 下碰且供液不足 | 5 |
| 油管漏失 | 3 |
| 游动凡尔漏失 | 9 |
| 游动凡尔失灵 | 2 |
| 正常 | 3146 |
(3)按照步骤1所述算法1的方法，对标记的有效样本4275张，进行SVM分类模型训练，得到功图图形识别数据模型SVM_HOG_GT1，模型文件导出文xml格式，大小208M。
三、建立诊断后台服务
按照步骤2，将以上算法写入后台服务，并启动后台服务常驻程序。实现功图实时诊断。后台服务运行状态如图4 。
四、诊断结果输出与显示
在前端浏览器输入服务器IP：10.78.217.29进入诊断***，选择工况诊断，选择需要诊断井号、诊断功图（默认为当前井最新实时功图），点击诊断（默认后台自动诊断）。即可显示出诊断***的诊断结果如图5
五、诊断参数配置
建立算法参数配置页面，对每个算法提供全局、作业区、区块-层位、单井的参数配置接口，方便在诊断过程中调整。如图6
六、项目取得效果
通过2018年1月-3月的上线运行和参数调整，目前***的全厂工况诊断准确率达到86.8%。如下表:
需要说明，本实施例中所有方向性指示(诸如上、下、左、右、前、后…… )仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，涉及“ 第一”、“ 第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“ 第一”、“ 第二”的特征可以明示或者隐含地包括至少一个该特征。
各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
Claims (10)
1.基于SVM模型油井工况智能诊断分析方法,其特征在于，包括：
步骤1：获取油井多组正常示功图，并提取该多组正常示功图的HOG特征，将该正常示功图的HOG特征集合为正常HOG特征集合；
步骤2：获取多组不同工况下的油井故障示功图，并将该多组示功图按照油井的不同事故分为多组故障样本集合，分别提取每组故障样本集合的HOG特征，所述每组故障样本集合的HOG特征集合为不同事故的事故HOG特征集合；
步骤3：将其中一种故障的事故HOG特征集合作为第一样本，将其他故障的事故HOG特征集合和正常HOG特征集合作为第二样本，将第一样本和第二样本输入SVM分类器进行学习训练，得到用于诊断所述故障的分类模型，重复本步骤，直到获得用于诊断每种故障的分类模型后，进入下一步；
步骤4：将需要诊断的油井示功图提取HOG特征后分别由所有分类模型进行逐次诊断，判断出需要诊断油井故障的结果。
2.如权利要求1所述基于SVM模型油井工况智能诊断分析方法，其特征在于，还包括：
步骤3.1：将正常生产中的正常HOG特征集合作为第三样本，将所有事故的事故HOG特征集合作为第四样本，将第三样本和第四样本输入SVM分类器进行学习训练，得到用于诊断油井正常生产的正常生产诊断模型；
所述步骤4中，将需要诊断的油井示功图提取HOG特征后首先使用正常生产诊断模型进行诊断，若正常生产诊断模型诊断出油井正常生产则输出油井正常的结果，若正常生产诊断模型诊断出油井故障，则将需要诊断的油井示功图提取HOG特征后分别由所有分类模型进行逐次诊断，判断出需要诊断油井事故的结果。
3.如权利要求2所述基于SVM模型油井工况智能诊断分析方法，其特征在于，所述正常生产诊断模型对提取HOG特征后的需要诊断的油井示功图进行诊断具体为：
正常生产诊断模型提取历史正常功图并计算HOG特征，正常生产诊断模型诊断出需要诊断的油井示功图与历史正常功图相似度大于96%时，输出油井正常的结果。
4.如权利要求1所述基于SVM模型油井工况智能诊断分析方法，其特征在于，所述步骤2中，多组不同工况下的油井故障示功图包括凡儿失灵、油杆断脱、连抽带喷、轻度油管漏失、油井结蜡、游动凡儿漏失、固定凡儿漏失、双凡儿漏失、泵间隙漏失、油井出砂、机械振动、供液不足类、泵卡类和泵脱出工作筒类油井故障示功图。
5.如权利要求1所述基于SVM模型油井工况智能诊断分析方法，其特征在于，所述步骤1中获取的油井多组正常示功图和所述步骤2中获取的多组不同工况下的油井故障示功图为最近一个月采集的历史示功图，其中所述步骤1中获取的多组油井正常示功图的HOG特征来源于最近30天历史功图中特征占比最高的功图。
6.基于SVM模型油井工况智能诊断分析装置，其特征在于，包括：
油井正常HOG特征提取模块，用于获取油井多组正常示功图，并提取该多组正常示功图的HOG特征，将该正常示功图的HOG特征集合为正常HOG特征集合；
油井故障HOG特征提取分类模块，用于获取多组不同工况下的油井故障示功图，并将该多组示功图按照油井的不同事故分为多组故障样本集合，分别提取每组故障样本集合的HOG特征，所述每组故障样本集合的HOG特征集合为不同事故的事故HOG特征集合；
故障分类模型训练模块，用于将其中一种故障的事故HOG特征集合作为第一样本，将其他故障的事故HOG特征集合和正常HOG特征集合作为第二样本，将第一样本和第二样本输入SVM分类器进行学习训练，得到用于诊断所述故障的分类模型，重复本步骤，直到获得用于诊断每种故障的故障特征集的分类模型。
诊断模块，用于将需要诊断的油井示功图提取HOG特征后分别由所有分类模型进行逐次诊断，判断出需要诊断油井事故的结果。
7.如权利要求6所述基于SVM模型油井工况智能诊断分析装置，其特征在于，还包括：
油井正常生产诊断模型训练模块，用于将正常生产中的正常HOG特征集合作为第三样本，将所有事故的事故HOG特征集合作为第四样本，将第三样本和第四样本输入SVM分类器进行学习训练，得到用于诊断油井正常生产的正常生产诊断模型；
油井正常生产诊断模块，用于将需要诊断的油井示功图提取HOG特征后首先使用正常生产诊断模型进行诊断，若正常生产诊断模型诊断出油井正常生产则输出油井正常的结果，若正常生产诊断模型诊断出油井故障，则将需要诊断的油井示功图提取HOG特征后分别由所有分类模型进行逐次诊断，判断出需要诊断油井事故的结果。
8.如权利要求6所述基于SVM模型油井工况智能诊断分析装置，其特征在于，所述油井正常生产诊断模型训练模块中，正常生产诊断模型对提取HOG特征后的需要诊断的油井示功图进行诊断具体为：
正常生产诊断模型提取历史正常功图并计算HOG特征，正常生产诊断模型诊断出需要诊断的油井示功图与历史正常功图相似度大于96%时，输出油井正常的结果。
9.如权利要求6所述基于SVM模型油井工况智能诊断分析装置，其特征在于，所述油井故障HOG特征提取分类模块中，多组不同工况下的油井故障示功图包括凡儿失灵、油杆断脱、连抽带喷、轻度油管漏失、油井结蜡、游动凡儿漏失、固定凡儿漏失、双凡儿漏失、泵间隙漏失、油井出砂、机械振动、供液不足类、泵卡类和泵脱出工作筒类油井故障示功图。
10.如权利要求6所述基于SVM模型油井工况智能诊断分析装置，其特征在于，所述油井正常生产诊断模型训练模块中获取的油井多组正常示功图和油井故障HOG特征提取分类模块中获取的多组不同工况下的油井故障示功图为最近一个月采集的历史示功图，其中所述步骤1中获取的多组油井正常示功图的HOG特征来源于最近30天历史功图中特征占比最高的功图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910964089.6A CN111144433B (zh) | 2019-10-11 | 2019-10-11 | 基于svm模型油井工况智能诊断分析方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910964089.6A CN111144433B (zh) | 2019-10-11 | 2019-10-11 | 基于svm模型油井工况智能诊断分析方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111144433A true CN111144433A (zh) | 2020-05-12 |
| CN111144433B CN111144433B (zh) | 2024-03-26 |
Family
ID=70516843
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910964089.6A Active CN111144433B (zh) | 2019-10-11 | 2019-10-11 | 基于svm模型油井工况智能诊断分析方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111144433B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111810135A (zh) * | 2020-06-19 | 2020-10-23 | 中国石油天然气股份有限公司 | 一种基于地理位置的油井工况管理方法及装置 |
| CN113095414A (zh) * | 2021-04-15 | 2021-07-09 | 中国石油大学(华东) | 一种基于卷积神经网络和支持向量机的示功图识别方法 |
| CN116906025A (zh) * | 2023-07-24 | 2023-10-20 | 西南石油大学 | 一种采油工程生产异常诊断装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160364849A1 (en) * | 2014-11-03 | 2016-12-15 | Shenzhen China Star Optoelectronics Technology Co. , Ltd. | Defect detection method for display panel based on histogram of oriented gradient |
| CN108537154A (zh) * | 2018-03-28 | 2018-09-14 | 天津大学 | 基于hog特征和机器学习的输电线路鸟巢识别方法 |
| CN110006907A (zh) * | 2019-04-10 | 2019-07-12 | 清华大学深圳研究生院 | 一种基于机器视觉的压铸件表面缺陷检测方法及*** |
-
2019
- 2019-10-11 CN CN201910964089.6A patent/CN111144433B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160364849A1 (en) * | 2014-11-03 | 2016-12-15 | Shenzhen China Star Optoelectronics Technology Co. , Ltd. | Defect detection method for display panel based on histogram of oriented gradient |
| CN108537154A (zh) * | 2018-03-28 | 2018-09-14 | 天津大学 | 基于hog特征和机器学习的输电线路鸟巢识别方法 |
| CN110006907A (zh) * | 2019-04-10 | 2019-07-12 | 清华大学深圳研究生院 | 一种基于机器视觉的压铸件表面缺陷检测方法及*** |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111810135A (zh) * | 2020-06-19 | 2020-10-23 | 中国石油天然气股份有限公司 | 一种基于地理位置的油井工况管理方法及装置 |
| CN111810135B (zh) * | 2020-06-19 | 2023-08-25 | 中国石油天然气股份有限公司 | 一种基于地理位置的油井工况管理方法及装置 |
| CN113095414A (zh) * | 2021-04-15 | 2021-07-09 | 中国石油大学(华东) | 一种基于卷积神经网络和支持向量机的示功图识别方法 |
| CN116906025A (zh) * | 2023-07-24 | 2023-10-20 | 西南石油大学 | 一种采油工程生产异常诊断装置 |
| CN116906025B (zh) * | 2023-07-24 | 2024-06-11 | 西南石油大学 | 一种采油工程生产异常诊断装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111144433B (zh) | 2024-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109272123B (zh) | 一种基于卷积-循环神经网络的有杆泵工况预警方法 | |
| CN111144433B (zh) | 基于svm模型油井工况智能诊断分析方法及装置 | |
| CN108830745B (zh) | 基于监控信息的电网连锁故障诊断、预警、评估*** | |
| DE112008003302B4 (de) | Verfahren und Systeme zur Abschätzung von Bohrlochereignissen | |
| CN114118224B (zh) | 一种基于神经网络的全***遥测参数异常检测*** | |
| CN107288617A (zh) | 一种提高抽油机井示功图量油精度的方法及*** | |
| CN112508105A (zh) | 一种采油机故障检测与检索方法 | |
| Zheng et al. | Sucker rod pumping diagnosis using valve working position and parameter optimal continuous hidden Markov model | |
| CN111505424A (zh) | 一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法 | |
| CN104110251A (zh) | 一种基于art2的抽油机示功图识别方法 | |
| CN110132626A (zh) | 一种基于多尺度卷积神经网络的抽油机故障诊断方法 | |
| CN106121622B (zh) | 一种基于示功图的有杆泵抽油井的多故障诊断方法 | |
| CN112613454A (zh) | 一种电力基建施工现场违章识别方法及*** | |
| CN106022352A (zh) | 基于支持向量机的潜油柱塞泵故障诊断方法 | |
| CN113569459A (zh) | 基于群体智能的液压支架性能退化定量评估方法及*** | |
| CN116186946A (zh) | 一种基于诊断模型的液压***故障诊断方法及*** | |
| CN110288257A (zh) | 一种深度超限示功图学习方法 | |
| CN112766301A (zh) | 一种采油机示功图相似性判断方法 | |
| CN112664185A (zh) | 一种基于示功图的抽油机井工况预测方法 | |
| CN1830521A (zh) | 袋式除尘***故障专家诊断方法 | |
| CN109389170B (zh) | 一种基于3d卷积神经网络的渐变型工况预警方法 | |
| CN112598142B (zh) | 一种风电机组检修工作质量审查辅助方法与*** | |
| WO2024027487A1 (zh) | 基于智能运维场景的健康度评价方法及装置 | |
| CN114718861A (zh) | 基于深度学习的螺杆泵井工况智能诊断方法 | |
| CN112653675A (zh) | 一种基于深度学习的智能入侵检测方法及其装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |