[发明专利]一种抽油机井示功图多尺度归一化方法及系统

说明书

本发明涉及抽油机井示功图计算技术领域，特别涉及一种抽油机井示功图多尺度归一化方法及系统，所述的方法包括使用当前示功图实际载荷最值进行归一化；以及，对于当前的示功图数据集，使用聚类算法获得k个归一化尺度，进而得到k+1个归一化示功图；本发明通过引入多个具有显著形状差异的归一化示功图，极大的丰富了数据特征，不同工况能通过观察其归一化示功图组合有效的进行区分。因此，组合多尺度归一化方法得到的多个示功图作为一个输入数据样本，可以极大的提高原始数据的可分性，从而提高工况诊断的整体准确率和复杂工况的召回率，提高所构建的模型的鲁棒性，后续实验和现场应用也证明了此方法的有效性。

技术领域

本发明涉及抽油机井示功图计算技术领域，特别涉及一种抽油机井示功图多尺度归一化方法及系统。

背景技术

游梁式抽油机仍是油井主要的人工举升方式，由于其杆、管、泵在地下深处较为恶劣的环境中工作，加之生产过程中油藏环境的动态变化，导致机采工况复杂多变，抽油机井故障频发。及时准确地判断井下工作状况，确定非正常工况油井的产量变化原因有助于生产人员做出油井管理决策，避免油井工况进一步恶化，提高生产效率。

示功图是由载荷随位移的变化关系曲线所构成的封闭曲线图，表示悬点载荷与位移关系的示功图称为地面示功图或光杆示功图，在实际生产中是以实测地面示功图作为分析深井泵工作状况的主要依据。随着人工智能技术的不断发展和石油工业对自动化、智能化的重视，应用示功图，基于机器学习、深度学习的抽油机井故障自动诊断、结蜡预测等技术得到应用和发展。现有技术中，例如朱春梅、李春生等人通过对示功图进行特征提取，基于支持向量机(support vector machines，SVM)构建多分类模型实现了示功图的自动识别。

Abdalla等使用傅里叶描述模型提取示功图特征，以神经网络作为分类模型，使用了遗传算法搜索并优化了网络参数；

刘宝军、唐之刚等将浅层卷积神经网络应用于示功图识别，该方法避免了手动提取示功图特征，同时也略微提高了示功图的识别准确率及工况种类数。

段友祥等提出了一种改进的Alexnet(一种卷积神经网络模型)模型应用在油井示功图分类中。

仲志丹等利用CNN的卷积层提取示功图特征，使用SVM对示功图进行分类，该方法结合了卷积网络和SVM的优势。上述的这些方法大多数都是对典型示功图进行识别来区分常见的井下工况，所谓的典型示功图代表的工况一般定义为固定阀漏失，游动阀漏失，气影响，供液不足，气锁等；然而，油田现场实际上存在多种工况，具有复杂性和多样性，实测的示功图类型可达20余种，存在大量典型示功图之外的复杂示功图，这些复杂示功图的自动识别具有难度，代表了井下复杂的单一工况或复合工况，例如单一工况有上碰泵、下碰泵、连抽带喷以及固定阀严重漏失等，复合工况有油井出砂+供液不足以及振动+供液不足等。

在现场的实际生产过程中，复杂工况发生于少量油井，但其严重影响了油井正常生产，将某些少量存在的复杂工况井误判为正常生产井不会显著影响诊断模型整体的准确率，只降低对应工况的召回率。因此，衡量工况诊断模型性能除了整体的准确率以外，复杂工况的召回率也是一个重要指标。召回率反映了对已发生的复杂工况查全的能力，其值越大，则越能准确判断出所有发生复杂工况的油井，及时采取维护措施，对于保障生产具有重要意义。

针对现有技术中，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，诊断结果不确定性突出的问题，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，特提出本发明。

发明内容

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，本发明的目的在于提供一种抽油机井示功图多尺度归一化方法，以提高现场工况诊断的准确率，以及杆断脱、泵阀严重漏失、上碰泵等严重工况的召回率，满足抽油机井工况智能诊断的现场实际需求。

为了实现上述目的，本发明采用以下技术方案予以实现：