[发明专利]基于BP神经网络的抽油设备示功图动态识别方法和装置

说明书

技术领域

本发明涉及设备管理技术，特别是涉及一种基于BP神经网络的抽油设备示功图动态识别方法和装置。

背景技术

油田的抽油设备示功图（也即抽油机示功图）可以反映出抽油设备的工况，如抽油设备的故障情况、抽油效率以及抽油机产量等。如果能够对抽油设备示功图的监控分析进行科学管理，则可以使抽油设备达到较高的采油速度以及较高的原油采收率。有鉴于此，在目前的油井作业中，一个重要的工作内容就是采集并获取抽油设备的示功图。

发明人在实现本发明过程中发现：虽然目前可以通过现代化的测量手段进行全天候的信息采集，并可以利用相应的软件将采集到的信息绘制成抽油设备示功图，但是，目前仍然需要人工查看抽油设备示功图，并对抽油设备示功图进行人工分析，以判断抽油设备的工况。因此，抽油设备的自动化管理程度还有待于进一步的提高。

有鉴于现有的抽油设备的自动化管理存在的问题，本发明人基于从事此类产品设计制造多年丰富的实务经验以及专业知识，并配合学理的运用，积极加以研究创新，以期创设一种新型结构的基于BP神经网络的抽油设备示功图动态识别方法和装置，能够克服现有的抽油设备的自动化管理存在的问题，使其更具有实用性。经过不断的研究设计，并经过反复试作样品及改进，终于创设出确具实用价值的本发明。

发明内容

本发明的主要目的在于，克服现有的抽油设备的自动化管理存在的问题，而提供一种新型结构的基于BP神经网络的抽油设备示功图动态识别方法和装置，所要解决的技术问题是，增强抽油设备的自动化管理程度，进而进一步提高油井的原油产量，并提高油田工作效率，同时完善油井作业的管理制度，非常适于实用。

本发明的目的以及解决其技术问题可以采用以下的技术方案来实现。

依据本发明提出的一种基于BP神经网络的抽油设备示功图动态识别方法，包括：特征库的建立过程以及利用已成功建立的特征库对采集的抽油设备示功图进行动态识别过程，其中所述特征库的建立过程包括：对抽油设备示功图样本的时域数据进行归一化处理，并对归一化处理后的时域数据进行采样处理，以获得离散的时域数据序列；对所述离散的时域数据序列进行傅立叶变换，以获得频域数据序列；利用所述频域数据序列中的部分数据替代所述离散的时域数据序列中位置对应的部分数据，并利用替代后的时域数据序列进行傅立叶逼近计算，以获得傅立叶逼近特征值；利用对角线分割方式将所述归一化处理后的抽油设备示功图样本分割为四部分，并从右下部分提取特征向量；所述傅立叶逼近特征值和所述特征向量存储于特征库中；利用BP神经网络算法对抽油设备示功图样本进行训练，并利用训练获得的特征值校正特征库中的傅立叶逼近特征值。

较佳的，前述的基于BP神经网络的抽油设备示功图动态识别方法，其中所述利用已成功建立的特征库对采集的抽油设备示功图进行动态识别过程包括：对采集的抽油设备示功图的时域数据进行归一化处理，并对归一化处理后的时域数据进行采样处理，以获得离散的时域数据序列；对所述离散的时域数据序列进行傅立叶变换，以获得频域数据序列；利用所述频域数据序列中的部分数据替代所述离散的时域数据序列中位置对应的部分数据，并利用所述替代后的时域数据序列进行傅立叶逼近计算，以获得傅立叶逼近特征值；利用对角线分割方式将所述归一化处理后的抽油设备示功图分割为四部分，并从右下部分提取特征向量；利用贴近度算法对采集到的抽油设备示功图对应的傅立叶逼近特征值和特征向量进行基于特征库的贴近度计算，以识别所述采集的抽油设备示功图。

较佳的，前述的基于BP神经网络的抽油设备示功图动态识别方法，其中所述利用所述频域数据序列中的部分数据替代所述离散的时域数据序列中位置对应的部分数据包括：将所述频域数据序列中的前K个数据替代所述离散的时域数据序列中的前K个数据，其中，K为自然数且小于时域数据序列中的数据数量。