百度彩票

基于卷积神经网络模型的抽油机系统故障诊断

刘芑辰 冯子明 蒋国斌 孙桐建 李琦

刘芑辰,冯子明,蒋国斌,孙桐建,李琦. 基于卷积神经网络模型的抽油机系统故障诊断[J]. 百度彩票 工艺,2021,43(0):1-5
引用本文: 刘芑辰,冯子明,蒋国斌,孙桐建,李琦. 基于卷积神经网络模型的抽油机系统故障诊断[J]. 百度彩票 工艺,2021,43(0):1-5
LIU Qichen, FENG Ziming, JIANG Guobin, SUN Tongjian, LI Qi. Pumping system fault diagnosis based on convolutional neural network model[J]. Oil Drilling & Production Technology, 2021, 43(0): 1-5
Citation: LIU Qichen, FENG Ziming, JIANG Guobin, SUN Tongjian, LI Qi. Pumping system fault diagnosis based on convolutional neural network model[J]. Oil Drilling & Production Technology, 2021, 43(0): 1-5

基于卷积神经网络模型的抽油机系统故障诊断

基金项目: 国家自然科学基金项目“变速驱机-杆-泵全耦合动力学行为及优化运行节能机理研究”(编号:51774091);黑龙江省博士后启动基金项目(编号:LBH-Q20083);黑龙江省自然科学基金联合引导项目 (编号:LH2019E018)
详细信息
    作者简介:

    刘芑辰(1995-),东北石油大学机械工程专业,在读硕士研究生,现从事人工举升技术智能算法方向的研究工作。通讯地址:(163318)黑龙江省大庆市高新技术产业开发区学府街99号。电话:。E-mail:

    通讯作者:

    冯子明(1973-),2009年毕业于哈尔滨工业大学动力机械及工程专业,现主要从事人工举升节能技术等方面的理论与技术研究工作,教授,博士生导师。通讯地址:(163318)黑龙江省大庆市高新技术产业开发区学府街99号。电话:。E-mail:

  • 中图分类号: TE355

Pumping system fault diagnosis based on convolutional neural network model

  • 摘要: 陆地机械采油普遍采用有杆抽油系统,示功图是油井工况的重要指示。在实际开采过程中,由于抽油井数量大、分布广,人工检测油井耗时费力。为提高人工检修效率、提升自动化水平,针对示功图的图形特征,在卷积神经网络Le-Net模型的基础上,建立简化卷积神经网络模型。收集实际生产数据经预处理后输入机器学习模型进行训练,得到关于示功图的分类模型,同时通过测试集数据对分类结果进行评价。结果表明,建立的卷积神经网络模型具有良好的稳定性,能够通过数据学习得出准确率较高的分类模型;所建立的分类模型能够稳定处理多分类问题,对于15种故障类型分类实现效果良好;通过测试集进行评价,该模型准确率达92%以上,预测效果可以满足油田实际生产需求。
  • 百度彩票

    图  1  示功图示例

    Figure  1.  Example of indicator diagram

    图  2  诊断模型建立过程

    Figure  2.  Establishment process of diagnosis model

    图  3  激活函数图像

    Figure  3.  Image of activation function

    图  4  训练集、验证集收敛曲线

    Figure  4.  Convergence curve of training set and verification set

    表  1  标签索引分配结果

    Table  1.   Distribution result of label index

    类型索引类型索引
    上碰0泵漏失8
    下碰1活塞脱出工作筒9
    供液不足2游动凡尔漏失10
    固定凡尔卡死3砂影响11
    抽油杆断脱4稠油影响12
    撞泵5筛管堵13
    正常6蜡影响14
    气影响7
    下载: 导出CSV

    表  2  模型性能对比

    Table  2.   Model performance comparison

    模型名称收敛
    步数
    测试集
    准确率
    示功图
    分类数
    MiniAlexnet30098.39%4
    基于Alexnet识别模型43099.75%8
    Alexnet识别模型40098.56%4
    VGGNet识别模型42099.75%4
    Alexnet识别模型40080.45%15
    基于Le-Net识别模型9092.53%15
    下载: 导出CSV
    var _hmt = _hmt || []; (function() { var hm = document.createElement("script"); hm.src = "https://hm.baidu.com/hm.js?646a7d1033ff411d5d7be270f3397897"; var s = document.getElementsByTagName("script")[0]; s.parentNode.insertBefore(hm, s); })(); 顶盛体育-顶盛APP下载 艾尚体育APP|艾尚体育登录|艾尚体育官网 下注app中心 od体育最新版下载 百姓购彩-购彩中心
  • [1] DEREK H J, JENNINGS J W, MORGAN S M. Sucker rod pumping unit diagnostics using an expert system[C]//Paper presented at the permian basin oil and gas recovery conference. Midland, Texas: March 1988. " target="_blank">10.2118/17318-MS.
    [2] ROGERS J D, GUFFEY C G, OLDHAM W J B. Artificial neural networks for identification of beam pump dynamometer load cards[C]//Paper presented at the SPE annual technical conference and exhibition. New Orleans, Louisiana: September 1990. " target="_blank">10.2118/20651-MS.
    [3] 杨洋. 基于示功图分析的远程抽油机自诊断系统[D]. 大连: 大连理工大学, 2008.

    YANG Yang. Self diagnosis system of remote pumping unit based on indicator diagram analysis[D]. Dalian: Dalian University of Technology, 2008.
    [4] 文必龙, 汪志群, 金宗泽, 等. 示功图与模糊神经网络结合的抽油机故障诊断[J]. 计算机系统应用, 2016, 25(1):121-125.

    WEN Bilong, WANG Zhiqun, JIN Zongze, et al. Diagnosis of pumping unit with combing indicator diagram with fuzzy neural networks[J]. Computer Systems & Applications, 2016, 25(1): 121-125.
    [5] BEZERRA M A D, SCHNITMAN L, BARRETO FILHO M A, et al. Pattern recognition for downhole dynamometer card in oil rod pump system using artificial neural networks[C]// ICEIS 2009 - Proceedings of the 11th international conference on enterprise information systems, Volume AIDSS. Milan, Italy: 2009.
    [6] 段友祥, 李钰, 孙歧峰, 等. 改进的Alexnet模型及在油井示功图分类中的应用[J]. 计算机应用与软件, 2018, 35(7):226-230, 272. doi:  

    DUAN Youxiang, LI Yu, SUN Qifeng, et al. Improved Alexnet model and using in dynamometer card classification[J]. Computer Applications and Software, 2018, 35(7): 226-230, 272. doi:  
    [7] GOODFELLOW L, BENGIO Y, COURVILLE A. Deep Learning[M]. Cambridge: MIT Press, 2016: 326-366.
    [8] LECUN Y, BOTTOU L, BENGIO Y, et al. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE, 1998, 86(11): 2278-2324. doi:  
    [9] SZEGEDY C, LIU W, JIA Y, et al. Going deeper with convolutions[C]//2015 IEEE conference on computer vision and pattern recognition (CVPR). Boston, MA, USA: June 2015.1-9. " target="_blank">10.1109/CVPR.2015.7298594.
    [10] PANEL V P, LOZOWSKI A, CHOLEWO T J, et al. In proceedings of the IEEE international conference on neural networks[M]//In proceedings of international conference on neural networks, volume Plenary, Panel and Special Sessions, 1996.94-99.
    [11] HAHNLOSER R H, SARPESHKAR R, MAHOWALD M A, et al. Digital selection and analogue amplification coexist in a cortex-inspired Silicon circuit[J]. Nature, 2000, 405(6789): 947-951. doi:  
    [12] 李钰. 基于深度学习的示功图分析研究与应用[D]. 青岛: 中国石油大学(华东), 2018.

    LI Yu. Application of deep learning in the dynamometer card recognition[D]. Qingdao: China University of Petroleum(EastChina). 2018.
  • [1] 李一凡, 寿韬, 谢玉海, 陈伟兰, 夏志学, 董传文.  功率法抽油机井平衡分析仪的设计与应用 . 百度彩票 工艺, doi: 10.13639/j.odpt.2018.04.021
    [2] 朱春梅, 刘娇, 陈祥臻, 马超, 智玉杰, 王朝霞.  基于分形盒维数的无杆抽油机示功图 自动识别技术 . 百度彩票 工艺, doi: 10.13639/j.odpt.2014.05.021
    [3] 张胜利, 罗毅, 吴赞美, 王丽娜, 赵磊, 章莎莉.  抽油机井示功图法计算动液面的修正算法 . 百度彩票 工艺,
    [4] 吕彦平, 吴晓东, 李朝霞, 师俊峰, 刘伟.  层次分析法在螺杆泵井故障诊断中的应用 . 百度彩票 工艺,
    [5] 张立会, 张启汉, 郭吉民, 龚明珠.  青海油田示范区块抽油机井系统效率 . 百度彩票 工艺, doi: 10.3969/j.issn.1000-7393.2007.03.012
    [6] 范风英.  临东区块抽油机工况与油井耗能分析 . 百度彩票 工艺, doi: 10.3969/j.issn.1000-7393.2007.02.011
    [7] 段礼祥.  螺杆泵驱动装置故障智能诊断方法 . 百度彩票 工艺, doi: 10.3969/j.issn.1000-7393.2007.01.012
    [8] 吴奇, 刘合, 师国臣.  聚驱抽油机井杆柱扶正器合理布置新方法 . 百度彩票 工艺, doi: 10.3969/j.issn.1000-7393.2004.03.016
    [9] 敬蜀蓉, 李鑫, 倪国强, 高仁安, 陈晓江.  抽油机示功图无线测试技术 . 百度彩票 工艺, doi: 10.3969/j.issn.1000-7393.2004.04.025
    [10] 李明忠, 许建国, 尚绍福, 吴征, 刘文升.  调径变矩抽油机运动学及动力学特性分析 . 百度彩票 工艺, doi: 10.3969/j.issn.1000-7393.2003.05.018
    [11] 吴晓东, 王世展, 王智深.  地面驱动螺杆泵采油系统故障诊断方法 . 百度彩票 工艺, doi: 10.3969/j.issn.1000-7393.2003.05.022
    [12] 韩国庆, 吴晓东, 张庆生, 毛凤英.  示功图识别技术在有杆泵工况诊断中的应用 . 百度彩票 工艺, doi: 10.3969/j.issn.1000-7393.2003.05.019
    [13] 柴满州.  抽油机井遥测技术 . 百度彩票 工艺, doi: 10.3969/j.issn.1000-7393.2002.01.017
    [14] 叶利平, 崔培庆.  有杆泵抽油机井抽油参数设计及规划方法 . 百度彩票 工艺, doi: 10.3969/j.issn.1000-7393.1997.03.015
    [15] 张继芬, 宋洪才, 王卫东.  斜直井示功图预测的有限元法 . 百度彩票 工艺, doi: 10.3969/j.issn.1000-7393.1996.04.017
    [16] 石在虹, 魏兆胜, 陈家琅, 高笑然.  抽油机井泵效理论计算的实际应用 . 百度彩票 工艺, doi: 10.3969/j.issn.1000-7393.1995.02.016
    [17] 史鹏飞, 高通路, 李卫, 邓国祯.  CBY型抽油井双憋曲线诊断仪在华北油田的应用 . 百度彩票 工艺, doi: 10.3969/j.issn.1000-7393.1993.03.017
    [18] 柴满洲.  有杆泵采油装置的智能诊断 . 百度彩票 工艺, doi: 10.3969/j.issn.1000-7393.1992.05.012
    [19] 欧阳虎.  抽油机自动控制装置 . 百度彩票 工艺, doi: 10.3969/j.issn.1000-7393.1990.06.013
    [20] 李福军, 蒋汉青, 齐振林.  抽油机井系统效率计算方法的改进 . 百度彩票 工艺, doi: 10.3969/j.issn.1000-7393.1989.06.012
  • 加载中
计量
  • 文章访问数:  0
  • 被引次数: 0
出版历程
  • 修回日期:  2021-05-01
  • 网络出版日期:  2021-11-25

基于卷积神经网络模型的抽油机系统故障诊断

    基金项目:  国家自然科学基金项目“变速驱机-杆-泵全耦合动力学行为及优化运行节能机理研究”(编号:51774091);黑龙江省博士后启动基金项目(编号:LBH-Q20083);黑龙江省自然科学基金联合引导项目 (编号:LH2019E018)
    作者简介:

    刘芑辰(1995-),东北石油大学机械工程专业,在读硕士研究生,现从事人工举升技术智能算法方向的研究工作。通讯地址:(163318)黑龙江省大庆市高新技术产业开发区学府街99号。电话:。E-mail:

    通讯作者: 冯子明(1973-),2009年毕业于哈尔滨工业大学动力机械及工程专业,现主要从事人工举升节能技术等方面的理论与技术研究工作,教授,博士生导师。通讯地址:(163318)黑龙江省大庆市高新技术产业开发区学府街99号。电话:。E-mail:
  • 中图分类号: TE355

摘要: 陆地机械采油普遍采用有杆抽油系统,示功图是油井工况的重要指示。在实际开采过程中,由于抽油井数量大、分布广,人工检测油井耗时费力。为提高人工检修效率、提升自动化水平,针对示功图的图形特征,在卷积神经网络Le-Net模型的基础上,建立简化卷积神经网络模型。收集实际生产数据经预处理后输入机器学习模型进行训练,得到关于示功图的分类模型,同时通过测试集数据对分类结果进行评价。结果表明,建立的卷积神经网络模型具有良好的稳定性,能够通过数据学习得出准确率较高的分类模型;所建立的分类模型能够稳定处理多分类问题,对于15种故障类型分类实现效果良好;通过测试集进行评价,该模型准确率达92%以上,预测效果可以满足油田实际生产需求。

English Abstract

刘芑辰,冯子明,蒋国斌,孙桐建,李琦. 基于卷积神经网络模型的抽油机系统故障诊断[J]. 百度彩票 工艺,2021,43(0):1-5
引用本文: 刘芑辰,冯子明,蒋国斌,孙桐建,李琦. 基于卷积神经网络模型的抽油机系统故障诊断[J]. 百度彩票 工艺,2021,43(0):1-5
LIU Qichen, FENG Ziming, JIANG Guobin, SUN Tongjian, LI Qi. Pumping system fault diagnosis based on convolutional neural network model[J]. Oil Drilling & Production Technology, 2021, 43(0): 1-5
Citation: LIU Qichen, FENG Ziming, JIANG Guobin, SUN Tongjian, LI Qi. Pumping system fault diagnosis based on convolutional neural network model[J]. Oil Drilling & Production Technology, 2021, 43(0): 1-5

返回顶部

目录

    /

    返回文章
    返回
    var _hmt = _hmt || []; (function() { var hm = document.createElement("script"); hm.src = "https://hm.baidu.com/hm.js?646a7d1033ff411d5d7be270f3397897"; var s = document.getElementsByTagName("script")[0]; s.parentNode.insertBefore(hm, s); })(); 顶盛体育-顶盛APP下载 艾尚体育APP|艾尚体育登录|艾尚体育官网 下注app中心 od体育最新版下载 百姓购彩-购彩中心