CN113780403B - 一种油井示功图故障诊断解释方法及装置 - Google Patents

一种油井示功图故障诊断解释方法及装置 Download PDF

Info

Publication number
CN113780403B
CN113780403B CN202111041746.3A CN202111041746A CN113780403B CN 113780403 B CN113780403 B CN 113780403B CN 202111041746 A CN202111041746 A CN 202111041746A CN 113780403 B CN113780403 B CN 113780403B
Authority
CN
China
Prior art keywords
indicator diagram
model
oil well
resnet
displacement
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.)
Active
Application number
CN202111041746.3A
Other languages
English (en)
Other versions
CN113780403A (zh
Inventor
李汉周
段志刚
叶红
赵庆婕
马建杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Petroleum and Chemical Corp
Sinopec Jiangsu Oilfield Co
Original Assignee
China Petroleum and Chemical Corp
Sinopec Jiangsu Oilfield Co
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Petroleum and Chemical Corp, Sinopec Jiangsu Oilfield Co filed Critical China Petroleum and Chemical Corp
Priority to CN202111041746.3A priority Critical patent/CN113780403B/zh
Publication of CN113780403A publication Critical patent/CN113780403A/zh
Application granted granted Critical
Publication of CN113780403B publication Critical patent/CN113780403B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Geology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mining & Mineral Resources (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Geophysics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Fluid Mechanics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种油井示功图故障诊断解释方法及装置，该方法包括：采集油井真实工况下产生的带有时间信息以及油井信息的位移‑载荷序列数据；根据位移‑载荷序列数据，训练示功图诊断模型，示功图诊断模型为ResNet50模型；使用CAM算法对训练完成的ResNet50模型进行检测热区可视化。本申请使用CAM方法，将卷积神经网络中的参数以可视化热区的方式呈现在最终的诊断图中，从诊断热区即可判断模型对于示功图错误分类的关键区域是否有足够的关注度，为模型的可解释性提供了可靠的依据，具有更好的泛化性能。

Description

一种油井示功图故障诊断解释方法及装置
技术领域
本发明属于采油技术领域，具体而言，涉及一种油井示功图故障诊断解释方法及装置。
背景技术
抽油机井采油是目前油田开发中普遍应用的方式，抽油机井的管理水平的好坏，关系到油田整体经济效益的高低。要做好抽油机井的生产管理工作，必须取准取全各项生产资料，制定抽油机井合理的工作制度，不断进行分析，适应不断变化的油藏动态，加强并提高抽油机井的日常管理水平。
分析和解释示功图，就是直接了解深井泵工作状况好坏的一个主要手段，不但深井泵工作中的一切异常现象可以在示功图上比较直观的反映出来，而且，还可以结合有关资料，来分析判断油井工作制度是否合理，抽油设备与油层和原油性质是否适应，还可以通过“示功图法”对低产、低能井制定出合理的开关井时间，减少设备的磨损和电能的浪费等。
由于抽油井的情况复杂，在生产过程中，深井泵不但要受到抽油设备制造质量和安装质量的影响，而且要受到油层中的砂、蜡、气等多种因素的影响。致使实测示功图形状多变，各不相同。尤其是在深井上，这种情况就更为突出。因此，在分析示功图时，既要全面地了解油井的生产情况、设备状况和测试仪器的好坏程度，根据多方面的资料综合分析，又要善于从各种因素中，找出引起示功图变异的主要因素，这样才能做出正确的判断。
公开号为CN202970690U的专利涉及一种油井示功图漏失采集处理装置，包括用于采集示功图和漏失数据的油井示功图采集装置、漏失处理模块、时钟模块、数据存储单元、电压检测模块、数据显示模块、按键输入单元、数据传输模块，数据处理单元，其中，漏失处理模块与数据处理单元连接，用于处理漏失数据；时钟模块与数据处理单元连接，用于提供实时时钟；数据存储单元与数据处理单元连接，用于存储数据；电压检测模块与数据处理单元连接，用于定时检测供电电压；数据显示模块与数据处理单元连接，用于显示数据；按键输入单元与数据处理单元连接，用于输入数据；数据传输模块与数据处理单元连接，用于传输数据；数据处理单元为核心控制部件，控制数据的输入、传输、处理、显示。本实用新型将油井示功图测试和漏失测试集成在一起，便于及时发现问题，提高生产效率，同时，存储量大，实时显示，通过USB接口将采集到的数据上传到上位机，便于数据存储、处理、分析。但是现有的油井示功图漏失采集处理装置在使用中发现，其对于网络内部的众多参数没有具体的可视化展示，无法判断模型对于示功图错误分类的关键区域是否有足够的关注度，导致其使用局限性较高。
发明内容
本申请实施例提供了一种油井示功图故障诊断解释方法及装置，将卷积神经网络中的参数以可视化热区的方式呈现在最终的诊断图中，从诊断热区即可判断模型对于示功图错误分类的关键区域是否有足够的关注度，为模型的可解释性提供了可靠的依据，具有更好的泛化性能。
第一方面，本申请实施例提供了一种油井示功图故障诊断解释方法，包括：
采集油井真实工况下产生的带有时间信息以及油井信息的位移-载荷序列数据；
根据所述位移-载荷序列数据，训练示功图诊断模型，所述示功图诊断模型为ResNet50模型；
使用CAM算法对训练完成的ResNet50模型进行检测热区可视化。
其中，所述使用CAM算法对训练完成的ResNet50模型进行检测热区可视化，包括：
将需要可视化的特征层以张量的形式提取出来；
获取所述张量每个通道的权重值；
以线性融合的方式，在通道维度上对所述张量进行加权求和；
对加权后的张量进行线性插值，升维到与原始输入图像的维度一致，并将两者进行叠加，得到最终的检测热区可视化图。
其中，所述根据所述位移-载荷序列数据，训练示功图诊断模型，所述示功图诊断模型为ResNet50模型，包括：
将所述位移-载荷序列数据转换为油井示功图数据集；
对所述油井示功图数据集进行增强处理；
利用增强后的油井示功图数据集训练ResNet50模型。
其中，所述根据所述位移-载荷序列数据，训练示功图诊断模型，所述示功图诊断模型为ResNet50模型，还包括：
构建带有FocalLoss的ResNet50模型。
第二方面，本申请提供了一种油井示功图故障诊断解释装置，包括：
采集单元，用于采集油井真实工况下产生的带有时间信息以及油井信息的位移-载荷序列数据；
训练单元，用于根据所述位移-载荷序列数据，训练示功图诊断模型，所述示功图诊断模型为ResNet50模型；
可视化单元，用于使用CAM算法对训练完成的ResNet50模型进行检测热区可视化。
其中，所述可视化单元用于：
将需要可视化的特征层以张量的形式提取出来；
获取所述张量每个通道的权重值；
以线性融合的方式，在通道维度上对所述张量进行加权求和；
对加权后的张量进行线性插值，升维到与原始输入图像的维度一致，并将两者进行叠加，得到最终的检测热区可视化图。
其中，所述训练单元用于：
将所述位移-载荷序列数据转换为油井示功图数据集；
对所述油井示功图数据集进行增强处理；
利用增强后的油井示功图数据集训练ResNet50模型。
其中，所述训练单元还用于：
构建带有FocalLoss的ResNet50模型。
第三方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述方法的步骤。
第四方面，本申请实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一项所述方法的步骤。
本申请实施例油井示功图故障诊断解释方法及装置具有如下有益效果：
本申请油井示功图故障诊断解释方法包括：采集油井真实工况下产生的带有时间信息以及油井信息的位移-载荷序列数据；根据位移-载荷序列数据，训练示功图诊断模型，示功图诊断模型为ResNet50模型；使用CAM算法对训练完成的ResNet50模型进行检测热区可视化。本申请使用CAM方法，将卷积神经网络中的参数以可视化热区的方式呈现在最终的诊断图中，从诊断热区即可判断模型对于示功图错误分类的关键区域是否有足够的关注度，为模型的可解释性提供了可靠的依据，具有更好的泛化性能。
附图说明
图1为本申请实施例油井示功图故障诊断解释方法流程示意图；
图2为本申请中模型解释的流程图；
图3为本申请中CAM算法的特征可视化示意图；
图4为本申请实施例油井示功图故障诊断解释装置的结构示意图；
图5为本申请实施例计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请进行进一步的介绍。
在下述介绍中，术语“第一”、“第二”仅为用于描述的目的，而不能理解为指示或暗示相对重要性。下述介绍提供了本发明的多个实施例，不同实施例之间可以替换或者合并组合，因此本申请也可认为包含所记载的相同和/或不同实施例的所有可能组合。因而，如果一个实施例包含特征A、B、C，另一个实施例包含特征B、D，那么本申请也应视为包括含有A、B、C、D的一个或多个所有其他可能的组合的实施例，尽管该实施例可能并未在以下内容中有明确的文字记载。
下面的描述提供了示例，并且不对权利要求书中阐述的范围、适用性或示例进行限制。可以在不脱离本申请内容的范围的情况下，对描述的元素的功能和布置做出改变。各个示例可以适当省略、替代或添加各种过程或组件。例如所描述的方法可以以所描述的顺序不同的顺序来执行，并且可以添加、省略或组合各种步骤。此外，可以将关于一些示例描述的特征组合到其他示例中。
深度学习是一类模式分析方法的统称，就具体研究内容而言，主要涉及三类方法：(1)基于卷积运算的神经网络***，即卷积神经网络(Convolutional Neural Networks，CNN)。(2)基于多层神经元的自编码神经网络，包括自编码(Auto encoder)以及近年来受到广泛关注的稀疏编码两类(Sparse Coding)。(3)以多层自编码神经网络的方式进行预训练，进而结合鉴别信息进一步优化神经网络权值的深度置信网络(DBN)。卷积神经网络(CNN)在图像识别中的应用越来越广泛，现有技术中也有应用卷积神经网络进行示功图故障诊断，但存在有以下缺点：卷积神经网络作为一种深度学习模型，本身带有黑盒性质。目前存在的基于卷积神经网络的示功图诊断模型仅能从最后的故障分类概率中体现某张示功图的诊断结果，对于网络内部的众多参数却没有具体的可视化展示，并不能从专业经验层面判断其模型的有效性，即缺乏模型可解释性。
本发明使用CAM(Class Activation Mapping，类别激活映射图)方法，将卷积神经网络中的参数以可视化热区的方式呈现在最终的诊断图中，从诊断热区即可判断模型对于示功图错误分类的关键区域是否有足够的关注度。
实施例一
本申请油井示功图故障诊断解释方法包括：采集油井真实工况下产生的带有时间信息以及油井信息的位移-载荷序列数据；根据位移-载荷序列数据，训练示功图诊断模型，示功图诊断模型为ResNet50模型；使用CAM算法对训练完成的ResNet50模型进行检测热区可视化。本申请使用CAM方法，将训练完成的ResNet50模型进行检测热区可视化，为模型的可解释性提供了可靠的依据。
实施例二
如图1-3所示，本申请油井示功图故障诊断解释方法包括：S101，采集油井真实工况下产生的带有时间信息以及油井信息的位移-载荷序列数据；S103，根据位移-载荷序列数据，训练示功图诊断模型，示功图诊断模型为ResNet50模型；S105，使用CAM算法对训练完成的ResNet50模型进行检测热区可视化。下面进行详细介绍。
S101，采集油井真实工况下产生的带有时间信息以及油井信息的位移-载荷序列数据。
数据采集，获取足够多的真实油井工况下产生的带有时间信息以及油井信息的位移-载荷序列数据。
S103，根据位移-载荷序列数据，训练示功图诊断模型，示功图诊断模型为ResNet50模型。
在一些实施例中，本步骤包括：将位移-载荷序列数据转换为油井示功图数据集；对油井示功图数据集进行增强处理；利用增强后的油井示功图数据集训练ResNet50模型。还包括构建带有FocalLoss的ResNet50模型。下面介绍具体的内容。
将位移-载荷的序列数据转化为示功图的形式，并将同一油井下间隔固定时长的两张示功图分别以红色线和蓝色线进行表示，叠加到同一图片中，产生最终的油井示功图数据集，其中每个示功图大小为448x448像素。
(1)对示功图数据集进行数据增强处理，将每张示功图以及其对应的故障类型视为一个样本，对于每一个样本中的示功图，首先将其大小缩放到256x256像素，之后将其随机裁剪为224x224的大小以适应ResNet50的输入大小。为了提升模型的泛化性能，最后一步中将裁剪完的图像进行随机水平翻转，使得模型尽可能学习到有助于故障分类的局部特征；
ResNet又名残差神经网络，指的是在传统卷积神经网络中加入残差学习(residual learning)的思想，解决了深层网络中梯度弥散和精度下降(训练集)的问题，使网络能够越来越深，既保证了精度，又控制了速度。
(2)构建带有FocalLoss的ResNet50模型，在其余部分保持不变的情况下，修改模型的损失函数表达式，将原先的标准交叉熵损失修改为修正类别不平衡的损失函数FocalLoss：Lfocal＝-αt*(1-pt)γ*log(pt)，其中pt为模型的预测输出值，γ和αt为根据训练数据分布不同而手动设置的超参数，αt被设置为样本所属的真实类别的总数的倒数。从FocalLoss函数的数学形式上可以看出，针对参数αt而言，对于类别数较少的样本，模型会产生一个较大的损失值，而类别数较多的样本则产生一个较小的损失值，以此来指导模型进行类别不平衡情况的训练；针对参数pt而言，对于容易分类的样本，预测输出值较大，因此损失值较小；相反，对于难分样本的损失值则较大，从而指导模型专注于对难分样本的学习；
(3)将经过ImageNet预训练过的权重迁移到ResNet50中，并修改最后一个全连接层，使其与示功图的故障类别数相匹配，此层参数使用随机初始化；
(4)使用步骤(1)中产生的数据，对模型进行训练，采用批训练的方法，选取batch_size＝32，并以5折交叉验证的方式选取超参数γ，迭代10000轮至模型收敛，得到最终的示功图故障分类模型。
S105，使用CAM算法对训练完成的ResNet50模型进行检测热区可视化。
模型解释，使用CAM算法对训练完成的ResNet50模型进行检测热区可视化，加强模型的可解释性。CAM(Class Activation Mapping，类别激活映射图)也被称为类别热力图、显著性图等，是一张和原始图片等同大小图，该图片上每个位置的像素取值范围从0到1，一般用0到255的灰度图表示。可以理解为对预测输出的贡献分布，分数越高的地方表示原始图片对应区域对网络的响应越高、贡献越大。
具体地，本步骤包括：将需要可视化的特征层以张量的形式提取出来；获取该张量每个通道的权重值；以线性融合的方式，在通道维度上对该张量进行加权求和；对加权后的张量进行线性插值，升维到与原始输入图像的维度一致，并将两者进行叠加，得到最终的检测热区可视化图。
本发明具有以下有益效果：本发明使用的CAM方法，将卷积神经网络中的参数以可视化热区的方式呈现在最终的诊断图中，从诊断热区即可判断模型对于示功图错误分类的关键区域是否有足够的关注度，为模型的可解释性提供了可靠的依据，具有更好的泛化性能。
如图3所示，图3为CAM算法实现供液不足样本的特征可视化图片，供液不足的特点是下冲程中悬点载荷不能立即变小，只有当活塞接触液面时才迅速卸载，体现在示功图上就是如图5所示，本应是平行四边形的示功图右下角会缺失一块。通过我们的模型训练出的判别特征(即图5中的圈内部分)，可视化后可以看出我们的模型关注到了右下角缺失的拐点，学习到了功图分类的判别特征，经过CAM算法的可视化，更好地反映模型对于各类示功图故障的检测热区与可解释性。
如图4所示，本申请一种油井示功图故障诊断解释装置，包括：
采集单元201，用于采集油井真实工况下产生的带有时间信息以及油井信息的位移-载荷序列数据；
训练单元202，用于根据位移-载荷序列数据，训练示功图诊断模型，示功图诊断模型为ResNet50模型；
可视化单元203，用于使用CAM算法对训练完成的ResNet50模型进行检测热区可视化。
其中，可视化单元用于：
将需要可视化的特征层以张量的形式提取出来；
获取张量每个通道的权重值；
以线性融合的方式，在通道维度上对张量进行加权求和；
对加权后的张量进行线性插值，升维到与原始输入图像的维度一致，并将两者进行叠加，得到最终的检测热区可视化图。
其中，训练单元用于：
将位移-载荷序列数据转换为油井示功图数据集；
对油井示功图数据集进行增强处理；
利用增强后的油井示功图数据集训练ResNet50模型。
其中，训练单元还用于：构建带有FocalLoss的ResNet50模型。
本申请中，油井示功图故障诊断解释装置实施例与油井示功图故障诊断解释方法实施例基本相似，相关之处请参考油井示功图故障诊断解释方法实施例的介绍。
本发明提出了一种基于迁移学***衡的油井示功图进行故障诊断的方法。数据采集阶段，获取足够多带有时间信息的的位移-载荷序列数据；数据预处理阶段，将所有的位移载荷数据转化为示功图，并将间隔固定时间段的两张示功图进行叠加，得到带有时间信息的油井示功图数据集；模型预测阶段，首先对于示功图数据集中的图像进行一定程度的缩放，裁剪，旋转，形成新的数据集，随后使用在ImageNet上预训练的ResNet50作为基础模型，根据迁移学***衡的损失函数缓和数据本身的不平衡问题；模型解释阶段，使用CAM算法将模型预测偏向进行热图显示，更好地反映模型对于各类示功图故障的检测热区与可解释性。本发明使用残差网络ResNet对油井示功图进行故障诊断，同时加入了类别不平衡的损失函数，相比于原始的交叉熵损失，能够更好的应对示功图数据所存在的数据不平衡问题对于诊断结果的影响；并且，基于CAM算法的特征可视化，增强了模型的可解释性。
本领域的技术人员可以清楚地了解到本发明实施例的技术方案可借助软件和/或硬件来实现。本说明书中的“单元”和“模块”是指能够独立完成或与其他部件配合完成特定功能的软件和/或硬件，其中硬件例如可以是FPGA(Field－Programmable Gate Array，现场可编程门阵列)、IC(Integrated Circuit，集成电路)等。
本发明实施例的各处理单元和/或模块，可通过实现本发明实施例所述的功能的模拟电路而实现，也可以通过执行本发明实施例所述的功能的软件而实现。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述油井示功图故障诊断解释方法步骤。其中，计算机可读存储介质可以包括但不限于任何类型的盘，包括软盘、光盘、DVD、CD-ROM、微型驱动器以及磁光盘、ROM、RAM、EPROM、EEPROM、DRAM、VRAM、闪速存储器设备、磁卡或光卡、纳米***(包括分子存储器IC)，或适合于存储指令和/或数据的任何类型的媒介或设备。
图5为本申请实施例计算机设备的结构示意图，如图5所示，本申请的计算机设备例如为膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。本申请计算机设备包括处理器401、存储器402、输入装置403和输出装置404。处理器401、存储器402、输入装置403和输出装置404可以通过总线405或者其他方式连接。存储器402上存储有计算机程序，该计算机程序可在处理器401上运行，而且处理器401执行程序时实现上述油井示功图故障诊断解释方法步骤。
输入装置403可接收输入的数字或字符信息，以及产生与数据处理计算机设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置404可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器、等离子体显示器和触摸屏。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个***，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
以上介绍仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种油井示功图故障诊断解释方法，其特征在于，包括：
S101，采集油井真实工况下产生的带有时间信息以及油井信息的位移-载荷序列数据；
S103，根据所述位移-载荷序列数据，训练示功图诊断模型，所述示功图诊断模型为ResNet50模型，包括：
将所述位移-载荷序列数据转换为油井示功图数据集，包括：将所有的位移-载荷数据转化为示功图，并将间隔固定时间段的两张示功图进行叠加，得到带有时间信息的油井示功图数据集；
对所述油井示功图数据集进行增强处理，包括：对于示功图数据集中的图像进行缩放，裁剪，旋转处理；
利用增强后的油井示功图数据集训练ResNet50模型，包括：使用在ImageNet上预训练的ResNet50作为基础模型，根据迁移学***衡的损失函数缓和数据本身的不平衡问题；
S105，使用CAM算法对训练完成的ResNet50模型进行检测热区可视化，包括：将需要可视化的特征层以张量的形式提取出来；获取所述张量每个通道的权重值；以线性融合的方式，在通道维度上对所述张量进行加权求和；对加权后的张量进行线性插值，升维到与原始输入图像的维度一致，并将两者进行叠加，得到最终的检测热区可视化图。
2.根据权利要求1所述油井示功图故障诊断解释方法，其特征在于，所述根据所述位移-载荷序列数据，训练示功图诊断模型，所述示功图诊断模型为ResNet50模型，包括：
构建带有FocalLoss的ResNet50模型。
3.一种油井示功图故障诊断解释装置，其特征在于，包括：
采集单元，用于采集油井真实工况下产生的带有时间信息以及油井信息的位移-载荷序列数据；
训练单元，用于根据所述位移-载荷序列数据，训练示功图诊断模型，所述示功图诊断模型为ResNet50模型；所述训练单元用于：
将所述位移-载荷序列数据转换为油井示功图数据集；包括：将所有的位移-载荷数据转化为示功图，并将间隔固定时间段的两张示功图进行叠加，得到带有时间信息的油井示功图数据集；
对所述油井示功图数据集进行增强处理；包括：对于示功图数据集中的图像进行缩放，裁剪，旋转处理；
利用增强后的油井示功图数据集训练ResNet50模型；包括：使用在ImageNet上预训练的ResNet50作为基础模型，根据迁移学***衡的损失函数缓和数据本身的不平衡问题；
可视化单元，用于使用CAM算法对训练完成的ResNet50模型进行检测热区可视化；所述可视化单元用于：将需要可视化的特征层以张量的形式提取出来；获取所述张量每个通道的权重值；以线性融合的方式，在通道维度上对所述张量进行加权求和；对加权后的张量进行线性插值，升维到与原始输入图像的维度一致，并将两者进行叠加，得到最终的检测热区可视化图。
4.根据权利要求3所述油井示功图故障诊断解释装置，其特征在于，所述训练单元用于：
构建带有FocalLoss的ResNet50模型。
5.一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，该程序被处理器执行时实现所述权利要求1-2中任一项所述方法的步骤。
6.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现所述权利要求1-2中任一项所述方法的步骤。
CN202111041746.3A 2021-09-07 2021-09-07 一种油井示功图故障诊断解释方法及装置 Active CN113780403B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111041746.3A CN113780403B (zh) 2021-09-07 2021-09-07 一种油井示功图故障诊断解释方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111041746.3A CN113780403B (zh) 2021-09-07 2021-09-07 一种油井示功图故障诊断解释方法及装置

Publications (2)

Publication Number Publication Date
CN113780403A CN113780403A (zh) 2021-12-10
CN113780403B true CN113780403B (zh) 2024-04-26

Family

ID=78841410

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111041746.3A Active CN113780403B (zh) 2021-09-07 2021-09-07 一种油井示功图故障诊断解释方法及装置

Country Status (1)

Country Link
CN (1) CN113780403B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116127279B (zh) * 2023-02-24 2024-04-19 上海师范大学 一种小样本液压泵气蚀诊断方法及装置

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104234695A (zh) * 2014-08-27 2014-12-24 陕西延长石油(集团)有限责任公司研究院 一种基于神经网络的油井故障诊断方法
CN110163302A (zh) * 2019-06-02 2019-08-23 东北石油大学 基于正则化注意力卷积神经网络的示功图识别方法
CN111199090A (zh) * 2018-10-31 2020-05-26 北京国双科技有限公司 一种故障识别方法及相关设备
CN111274912A (zh) * 2020-01-17 2020-06-12 常州大学 基于降噪示功图的有杆泵工况预警方法
CN111810124A (zh) * 2020-06-24 2020-10-23 中国石油大学(华东) 一种基于特征重标定残差卷积神经网络模型的抽油机井故障诊断方法
CN112508105A (zh) * 2020-12-11 2021-03-16 南京富岛信息工程有限公司 一种采油机故障检测与检索方法
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
CN112836719A (zh) * 2020-12-11 2021-05-25 南京富岛信息工程有限公司 一种融合二分类和三元组的示功图相似性检测方法
CN112861912A (zh) * 2021-01-08 2021-05-28 中国石油大学(北京) 一种基于深度学习的抽油机井复杂工况示功图识别方法及***
CN112949196A (zh) * 2021-03-11 2021-06-11 中国石油大学(北京) 一种基于残差神经网络的抽油机井故障诊断方法及***
WO2021155792A1 (zh) * 2020-02-03 2021-08-12 华为技术有限公司 一种处理装置、方法及存储介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104234695A (zh) * 2014-08-27 2014-12-24 陕西延长石油(集团)有限责任公司研究院 一种基于神经网络的油井故障诊断方法
CN111199090A (zh) * 2018-10-31 2020-05-26 北京国双科技有限公司 一种故障识别方法及相关设备
CN110163302A (zh) * 2019-06-02 2019-08-23 东北石油大学 基于正则化注意力卷积神经网络的示功图识别方法
CN111274912A (zh) * 2020-01-17 2020-06-12 常州大学 基于降噪示功图的有杆泵工况预警方法
WO2021155792A1 (zh) * 2020-02-03 2021-08-12 华为技术有限公司 一种处理装置、方法及存储介质
CN111810124A (zh) * 2020-06-24 2020-10-23 中国石油大学(华东) 一种基于特征重标定残差卷积神经网络模型的抽油机井故障诊断方法
CN112508105A (zh) * 2020-12-11 2021-03-16 南京富岛信息工程有限公司 一种采油机故障检测与检索方法
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
CN112836719A (zh) * 2020-12-11 2021-05-25 南京富岛信息工程有限公司 一种融合二分类和三元组的示功图相似性检测方法
CN112861912A (zh) * 2021-01-08 2021-05-28 中国石油大学(北京) 一种基于深度学习的抽油机井复杂工况示功图识别方法及***
CN112949196A (zh) * 2021-03-11 2021-06-11 中国石油大学(北京) 一种基于残差神经网络的抽油机井故障诊断方法及***

Also Published As

Publication number Publication date
CN113780403A (zh) 2021-12-10

Similar Documents

Publication Publication Date Title
Wells et al. Artificial intelligence in dermatopathology: Diagnosis, education, and research
JP2019533805A (ja) 視覚化されたスライド全域画像分析を提供するためのデジタル病理学システムおよび関連するワークフロー
Hu et al. A Systematic Semi-Supervised Self-adaptable Fault Diagnostics approach in an evolving environment
CN110021425A (zh) 一种比较检测器及其构建方法与***细胞检测方法
CN108549817A (zh) 一种基于文本深度学习的软件安全漏洞预测方法
CN113780403B (zh) 一种油井示功图故障诊断解释方法及装置
CN114341880A (zh) 用于使神经网络的操作可视化的技术
CN111079861A (zh) 一种基于图像快速处理技术的配电网电压异常诊断方法
CN113780652B (zh) 一种油井示功图故障诊断预测方法及装置
CN114913923A (zh) 针对单细胞染色质开放性测序数据的细胞类型识别方法
Kharal Explainable artificial intelligence based fault diagnosis and insight harvesting for steel plates manufacturing
CN114258550A (zh) 用于修改神经网络的操作的技术
US20220399114A1 (en) Processing multimodal images of tissue for medical evaluation
Stone et al. Convolutional neural network framework for wind turbine electromechanical fault detection
US11448634B2 (en) Analysis apparatus, stratum age estimation apparatus, analysis method, stratum age estimation method, and program
Lyu et al. Optimal burn-in strategy for high reliable products using convolutional neural network
CN114511022A (zh) 特征筛选、行为识别模型训练、异常行为识别方法及装置
Liang et al. Deep SED‐Net with interactive learning for multiple testicular cell types segmentation and cell composition analysis in mouse seminiferous tubules
Jiang Research on software defect prediction technology based on deep learning
KR20220161601A (ko) 딥러닝 모델을 이용한 영상검사 대상체의 결함 판정시스템
AZIZ et al. COVID-19 DETECTION FROM CHEST X-RAY IMAGES USING DEEP LEARNING
Retnanto et al. Automatic Recognition of Homogeneous and Heterogeneous Reservoirs Using Deep Learning Technique
US11361438B2 (en) Techniques for analyzing and detecting executional artifacts in microwell plates
Remolado et al. Comparative Analysis of Random Forest and Support Vector Classifier for Student Risk Assessment: A Case Study of Colegio de Getafe
US20220019749A1 (en) Techniques for generating natural language descriptions of neural networks

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