[发明专利]一种故障识别方法及相关设备

说明书

本发明实施例提供了一种故障识别方法及相关设备，可以综合考虑抽油机井多方面的因素，进而提高抽油机井的故障诊断的准确率。该方法包括：获取目标示功图；将目标示功图输入预设神经网络模型，以得到目标示功图对应的目标图像特征；根据目标抽油机井的杆柱信息确定目标抽油机井的目标参数；确定目标示功图对应的图像位置信息；获取目标时刻所述目标抽油机井的目标数据；将目标图像特征、目标参数、图像位置信息以及目标数据输入预设分类模型，得到目标示功图对应的故障信息。

技术领域

本发明涉及故障识别领域，特别涉及一种故障识别方法及相关设备。

背景技术

抽油泵由于长期在井筒井下复杂条件进行不间断运动，受到抽油泵本身结构部件及井筒内环境介质的影响，会经常出现凡尔漏失、结蜡影响、油稠影响气体影响、井筒出砂影响等情况，同时也会受到储层本身供液不足的影响导致抽油泵的工作状态变化，除以上之外抽油杆的断脱、油管的漏失也会直接引起抽油泵的无法工作。无论以上哪种情况都会引起抽油泵的工作效率降低或停止，进而引起油井产量的降低或直接造成油井停产。出现抽油泵故障后，需要分析清楚故障的类型和导致故障的原因，进行更换井下抽油泵的复杂作业，或对井筒进行相应的处理措施，才能恢复油井的生产。

现有中通过如下两种方式来确定抽油机井的故障，第一种方式是设定抽油机井处于正常状态下的标准示功图，将待判定的示功图与标准示功图进行对比，设定阈值，当超出一定阈值，判定为相应的故障；第二种方式是将地面示功图转化为井下示功图，根据曲线矩理论提取能够表征井下泵功图图形特征的曲线矩特征向量，基于提取的曲线矩特征向量，用多变量灰色模型进行预测，取与预测结果最接近的标准集，将该标准集的结果，作为故障预测结果。

然而对于第一种方式，如何设定规则和阈值，人为因素多，准确率差别大。对于第二种方式，利用曲线矩理论提取的特征，在利用灰色模型进行预测，考虑不够全面。

发明内容

本发明实施例提供了一种故障识别方法及相关设备，可以综合考虑抽油机井多方面的因素，进而提高抽油机井的故障诊断的准确率。

本发明实施例第一方面提供了一种故障识别方法，具体包括：

获取目标示功图，所述目标示功图为待确定故障信息的目标抽油机井对应的示功图；

将所述目标示功图输入预设神经网络模型，以得到所述目标示功图对应的目标图像特征；

根据所述目标抽油机井的杆柱信息确定所述目标抽油机井的目标参数；

确定所述目标示功图对应的图像位置信息；

获取所述目标时刻所述目标抽油机井的目标数据；

将所述目标图像特征、所述目标参数、所述图像位置信息以及所述目标数据输入预设分类模型，得到所述目标示功图对应的故障信息。

可选地，所述将所述目标示功图输入预设神经网络模型，以得到所述目标示功图对应的目标图像特征之前，所述方法还包括：

获取第一训练集合，所述第一训练集为数据库中存储的所有抽油机井对应的标注为故障的示功图以及标注为正常的示功图的集合；

通过所述第一训练集合对深度学习网络进行训练，得到所述预设神经网络模型。

可选地，所述将所述目标图像特征、所述目标参数、所述图像位置信息以及所述目标数据输入预设分类模型，得到所述目标示功图对应的故障信息之前，所述方法还包括：

获取第二训练集合，所述第二训练集合为所述数据库中存储的抽油机井集合中的每个抽油机井对应的标注为故障的示功图以及标注为正常的示功图的集合；

将所述第二训练集合输入所述预设神经网络模型，得到所述第二训练集合中的示功图对应的图像特征集合；