抽油机井示功图多尺度归一化方法和CNN诊断模型
点击数: 1871 更新日期: 2023-03-09
论文题目：Multi-Scale Normalization Method Combined With a Deep CNN Diagnosis Model of Dynamometer Card in SRP Well
录用期刊：FRONTIERS IN EARTH SCIENCE (SCI检索，JCR Q2)
原文DOI：10.3389/feart.2022.852633
录用/见刊时间：2022-03-15
作者列表：
1）檀朝东，中国石油大学（北京），信息科学与工程学院，博士生导师
2）陈培堯，中国石油大学（北京），石油工程学院，油气田开发工程专业，硕士 18
3）冯子明，温州大学
4）艾信，长庆油田油气工艺研究院
5）陆梅，长庆油田油气工艺研究院
6）周倩楠，长庆油田油气工艺研究院
7）冯钢，北京雅丹石油技术开发有限公司
油田生产中，实测抽油机井示功图类型可达20余种，有些工况非常复杂。基于示功图识别的常用抽油机井工况诊断模型，在现场多种工况诊断应用中的准确率及复杂工况召回率均较低，诊断结果不确定性问题突出。为提高抽油机井多工况诊断的精确度和召回率，针对传统的示功图归一化方法造成的数据属性不可分的问题，创新地提出示功图多尺度归一化方法，即通过聚类分析算法获得原始示功图的多个归一化示功图，从而引入更多的特征信息，增强了数据的可分性；结合多尺度归一化方法，构建了多输入通道的深度残差神经网络对示功图识别分类，以实现抽油机井故障智能诊断。
|
机器学习 |
深度学习 |
||||
模型 |
傅里叶描述子+SVM |
不变矩+SVM |
Alexnet模型 （7层） |
CNN (5层) |
CNN-SVM |
|
准确率 |
75.4% |
78.3% |
82.2% |
81.3% |
81.8% |
|
复杂工况召回率 |
杆断脱 |
8.3% |
10.5% |
11.6% |
9.7% |
12.4% |
连抽带喷 |
16.8% |
17.8% |
20.8% |
29.4% |
28.6% |
|
固定阀严重漏失漏失 |
18.3% |
19.6% |
21.3% |
23.8% |
21.9% |
|
下碰泵 |
32.1% |
36.4% |
78.9% |
74.6% |
75.4% |
|
上碰泵 |
18.5% |
23.7% |
82.9% |
79.6% |
80.2% |
|
振动+供液不足 |
68.4% |
71.3% |
79.4% |
74.2% |
74.9% |
|
振动+气影响 |
64.4% |
68.0% |
75.6% |
70.1% |
70.9% |
|
出砂+供液不足 |
64.4% |
68.3% |
75.8% |
70.6% |
71.5% |
|
出砂+气影响 |
61.9% |
65.2% |
71.5% |
66.8% |
68.1% |
|
|
平均召回率 |
39.2% |
42.3% |
57.5% |
55.4% |
55.9% |
1.基于聚类分析的多尺度的示功图归一化
考虑到使用多个不同尺度的归一化方法的本质上是增加归一化后示功图的分类特征，因此除使用当前示功图实际载荷最值进行归一化外，再使用个不同的归一化尺度对当前示功图数据进行归一化，引入足够多的分类特征，增强数据的可分性。对于当前的示功图数据集，使用聚类算法（k-means）获得个归一化尺度，算法流程如下：
输入：样本数据集，聚类簇数；
（1）从样本中随机选取个样本点作为初始的均值向量；
（2）循环以下几步直到达到停止条件（每个簇的均值向量不再变化）；
（3）令
；
（4）对所有样本点计算他们到个均值向量之间的距离，取其中距离最短的对应均值向量的标记作为该点的簇标记，然后将该点加入相应的簇；
（5）对每一个簇计算他们新的均值向量，更新簇的均值向量；输出:每个簇的均值向量，即归一化尺度)。
2.基于深度残差神经网络的诊断模型
抽油机井工况诊断算法模型的构建流程如图7所示，对示功图载荷最值数据集进行聚类并得到k个归一化尺度，然后得到每个示功图数据的多个尺度的归一化示功图，并对功图进行图像二值化，利用多输入通道的深度残差神经网络对示功图识别分类，以实现抽油机井故障智能诊断。
1.多尺度归一化k值对模型性能的影响
从实验结果可以发现各项指标随k的增大而呈上升趋势，模型效果与k呈正相关。表明k值的增加有助于数据引入更多的特征信息，增强数据本身的可分性，从而使最终得到的模型效果更好，整体的准确率和复杂工况的召回率均有较大提高。但当k取值大于10后，再增大k对模型性能提升幅度很小，说明当k超过一定阈值时，增大k对于数据集可分性的增强有限，在本数据集上k的阈值（转折点）为10。考虑到计算成本，针对本文数据集，k=10是最合适的值，与前文分析的k值的选择范围一致。
2.多尺度归一化方法下不同模型性能对比
实验结果分析如下：（1）使用多尺度归一化方法极大的提高了工况诊断的整体准确率和复杂工况的召回率，对相似图形工况的召回率提高最为明显。以CNN-SVM为基准，基于多尺度的归一化方法相比于传统归一化方法获得的模型的准确率和平均召回率分别提升了9.0%、31.0%。这表明多尺度归一化方法解决了传统归一化方式造成的扁平化示功图不可分的缺陷，增强了数据本身的可分性，并且适用于所有模型；（2）在四种模型中，使用了卷积网络结构的深度学习模型均优于机器学习的SVM模型，说明在示功图的识别分类中，卷积网络结构的深度学习模型具有天然的优势，其自动提取示功图图形的可分特征优于手动设计的特征，数据样本可分的情况下，模型的效果更好；（3）相比于机器学习的SVM模型和深度学习的浅层CNN及其变体，本文提出的ResNet-18模型的各项性能指标均都获得提升，整体准确率达到了95.6%，复杂工况的平均召回率达92.8%，相比于传统的方法表现较好的CNN、SVM分别提升了4.8%、5.9%。，表明结合残差结构，更深层的卷积网络有助于提取示功图图形的深层特征，在多种工况下的示功图分类任务中表现更加优异。
表5 不同模型的测试结果
|
SVM |
AlexNet模型 |
CNN-SVM |
ResNet-18 |
|
准确率 |
82.4% |
91.6% |
90.8% |
95.6% |
|
复杂工况召回率 |
杆断脱 |
91.0% |
94.0% |
94.3% |
99.3% |
连抽带喷 |
81.1% |
85.4% |
86.4% |
96.4% |
|
固定阀严重漏失 |
87.5% |
90.8% |
90.3% |
94.3% |
|
下碰泵 |
76.6% |
85.8% |
86.1% |
94.1% |
|
上碰泵 |
78.0% |
87.2% |
87.5% |
95.5% |
|
振动+供液不足 |
76.7% |
81.5% |
82.0% |
86.2% |
|
振动+气影响 |
72.0% |
78.8% |
79.9% |
82.9% |
|
出砂+供液不足 |
80.6% |
88.3% |
90.7% |
91.7% |
|
出砂+气影响 |
79.2% |
84.6% |
84.9% |
94.9% |
|
|
平均召回率 |
80.3% |
86.3% |
86.9% |
92.8% |
结论:
（1）创新提出示功图多尺度归一化方法，即通过聚类分析算法确定原始示功图的多个尺度归一化图，从而引入更多的特征信息增强数据的类别可分性。弥补了传统示功图归一化方法的特征信息不足和部分工况数据不可分的缺陷，解决了传动方法诊断误差大的问题。
（2）结合示功图多尺度归一化方法，构建了多通道的深度残差卷积神经网络的示功图分类模型，使用了BN、Relu等深度学习的神经网络训练技术，在多尺度归一化方法（k=10）得到的数据集下训练、测试，该模型收敛鲁棒性好，测试准确率达到95.6%。
（3）实验结果表明：示功图多尺度归一化方法适用于目前所有示功图分类算法，极大地提高了各种抽油机井工况诊断模型的准确率和召回率，以CNN、SVM为基准，该方法使模型的准确率和召回率分别提升了9.0%、31.0%。基于示功图多尺度归一化方法的残差神经网络工况诊断模型整体准确率为95.6%，平均召回率为92.8%，相比于传统方法中的CNN、SVM分别提升了13.8%、36.9%。
檀朝东，博士，副教授，正高级工程师，博士生导师。信息科学与工程学院教师，从事教学和科研工作。主要从事油气田开发、数据驱动理论与方法、智能油田等方面的研究，致力于采油气工程、油气举升设备故障诊断、油气生产物联网大数据和智能油井的关键核心技术研究及应用。主持和参与了国家自然科学基金、国家科技重大专项、省部级以上课题等20余项，发表技术论文100余篇，国家专利10多项，教材专著5部，获省部级科技进步奖16项，教学奖5项。