[发明专利]一种基于卷积神经网络和支持向量机的示功图识别方法

权利要求书

1.一种基于卷积神经网络和支持向量机的示功图识别方法，其包括如下步骤：

1)读取示功图图像集，进行图像预处理，生成单通道图像；

2)基于示功图及其对应的工况类型，构建训练集、测试集；

3)基于示功图图像集，构建基于卷积神经网络的示功图分类模型；

4)提取示功图在卷积神经网络模型全连接层的输出，作为示功图特征值，并结合生产参数，构建新的训练集和测试集；

5)使用新构建的训练集和测试集，采用支持向量机(SVM)分类算法，进行SVM分类模型的训练与测试，使用交叉验证和网格搜索方法寻找SVM分类模型的最优参数设置，构建最优的基于SVM分类算法的示功图分类模型。

2.如权利要求1中所述的一种基于卷积神经网络和支持向量机的示功图识别方法，其特征在于：所述步骤1)示功图图像尺寸为36*36，图像预处理包括将示功图RGB三通道图像转化为单通道灰度图像，将图像像素值范围从[0,255]区间转化为[0,1]区间。

3.如权利要求1中所述的一种基于卷积神经网络和支持向量机的示功图识别方法，其特征在于：所述步骤2)示功图对应16种基本工况类型，分别为上碰泵、下碰泵、供液不足、卡泵、固定阀损坏、固定阀漏失、抽油杆断、柱塞脱出泵筒、正常工况、气体影响、气锁、油井出砂、油管漏失、游动阀损坏、游动阀漏失、稠油影响，对它们依次从0至15进行编号，每一个编号对应一种工况类型。

4.如权利要求1中所述的一种基于卷积神经网络和支持向量机的示功图识别方法，其特征在于：所述步骤3)卷积神经网络模型结构包含两个卷积核大小为5*5的二维卷积层、两个池化窗口为2*2的最大池化层、四个激活层、三个全连接层。

5.如权利要求1中所述的一种基于卷积神经网络和支持向量机的示功图识别方法，其特征在于：所述步骤4)卷积神经网络全连接层的输出为第二个全连接层的输出，示功图特征值包含84个特征，生产参数包括油井泵效、套压、油压、动液面、最大载荷、最小载荷、上冲程载荷增幅、下冲程载荷增幅，共8个特征。

6.如权利要求1中所述的一种基于卷积神经网络和支持向量机的示功图识别方法，其特征在于：所述步骤5)交叉验证使用5-Fold交叉验证，使用网格搜索寻找SVM分类模型的最优参数包括核函数kernel、核函数系数gamma、正则化参数C、多分类策略。