基于LeNet 模型的游梁式抽油機(jī)工況診斷研究

葉哲偉，易欽玨，羅 良

西南石油大學(xué)機(jī)電工程學(xué)院，四川 成都 610500

引言

某油田游梁式抽油機(jī)井占機(jī)采井的97.6%，抽油機(jī)井由于受復(fù)雜的井下工況影響易出現(xiàn)故障。因此，及時(shí)準(zhǔn)確地判斷井下工況并對抽油機(jī)井出現(xiàn)的故障進(jìn)行實(shí)時(shí)處理在抽油機(jī)井實(shí)際生產(chǎn)過程中顯得尤為重要。目前，判斷抽油機(jī)井下工況的主要方式為示功圖，示功圖表示抽油機(jī)的一個(gè)運(yùn)行周期中，抽油機(jī)懸點(diǎn)載荷隨懸點(diǎn)位移變化的關(guān)系曲線圖，通過分析示功圖能夠判斷“抽油桿斷脫”“供液不足”等井下故障，從而及時(shí)處理故障，避免井下事故的發(fā)生，油井工人對于示功圖的判斷通常依靠個(gè)人經(jīng)驗(yàn)，該方法誤差大且效率低[1]。在示功圖工況診斷領(lǐng)域，研究人員多年來運(yùn)用專家系統(tǒng)、機(jī)器學(xué)習(xí)等人工智能的方法來實(shí)現(xiàn)示功圖的識別[2-5]，但由于專家系統(tǒng)需要依靠專家經(jīng)驗(yàn)，傳統(tǒng)機(jī)器學(xué)習(xí)的特征需要人為預(yù)先選取，會(huì)導(dǎo)致出現(xiàn)相似示功圖時(shí)，識別的準(zhǔn)確度降低，不能很好地滿足實(shí)際需求。

本文通過深度學(xué)習(xí)算法模型來實(shí)現(xiàn)對示功圖的識別，深度學(xué)習(xí)能夠挖掘原始輸入數(shù)據(jù)中具有泛化能力的特征表示[6]，深度學(xué)習(xí)目前在人臉識別、目標(biāo)檢測等領(lǐng)域應(yīng)用廣泛，深度學(xué)習(xí)無需人工預(yù)先進(jìn)行特征提取，在圖像識別領(lǐng)域，其卷積神經(jīng)網(wǎng)絡(luò)分支有著廣泛的應(yīng)用。將深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)引入到示功圖識別領(lǐng)域，通過卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)示功圖的本質(zhì)特征，從而實(shí)現(xiàn)示功圖的自動(dòng)識別。

在卷積神經(jīng)網(wǎng)絡(luò)與示功圖診斷結(jié)合領(lǐng)域，李鈺通過搭建MiniAlexNet 卷積神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)了示功圖的自動(dòng)分類與識別，但其僅考慮了4 種類型的示功圖數(shù)據(jù)且當(dāng)示功圖數(shù)據(jù)類型變多時(shí)，模型需要繼續(xù)優(yōu)化[7]。樊浩杰通過搭建CNN-SVM 卷積神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)了示功圖的自動(dòng)識別、分類及診斷，并將此模型應(yīng)用到抽油機(jī)井故障智能診斷系統(tǒng)中，但其僅考慮了8 種類型的示功圖數(shù)據(jù)且模型算法較為復(fù)雜需要繼續(xù)優(yōu)化[8]。杜娟等通過搭建一種輕量型卷積神經(jīng)網(wǎng)絡(luò)LA-CNN，實(shí)現(xiàn)了抽油機(jī)的故障診斷[9]。Abdalla 等采用深度學(xué)習(xí)人工神經(jīng)網(wǎng)絡(luò)分析了井下示功圖特征，識別了有桿抽油系統(tǒng)工況[10]。He 等通過搭建CNN-LSTM 卷積神經(jīng)網(wǎng)絡(luò)模型，提高了對于示功圖進(jìn)行診斷的精度[11]。

在前人研究的基礎(chǔ)上，本文搭建了基于LeNet的卷積神經(jīng)網(wǎng)絡(luò)模型，在簡化算法以及模型結(jié)構(gòu)的同時(shí)考慮了油井抽油機(jī)常見的15 種井下工況，并通過混淆矩陣對所搭建模型進(jìn)行了可視化分析，證明了所搭建的模型是合理的。實(shí)驗(yàn)結(jié)果表明，該模型在驗(yàn)證集上對于示功圖進(jìn)行識別的準(zhǔn)確度為94.68%，具有較高的工況診斷精度。

1 模型建立

本文介紹了LeNet 卷積神經(jīng)網(wǎng)絡(luò)模型和示功圖的圖像特點(diǎn)，以MATLAB 作為開發(fā)平臺，搭建了基于LeNet 的卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）模型。

1.1 LeNet 卷積神經(jīng)網(wǎng)絡(luò)模型

卷積神經(jīng)網(wǎng)絡(luò)至今已有30 多年的歷史[12]。CNN 為前饋型神經(jīng)網(wǎng)絡(luò)，能提取輸入圖像的本質(zhì)特征，因此，廣泛應(yīng)用于圖像識別領(lǐng)域。CNN 的三個(gè)基本思想是“局部感受野”、“權(quán)值共享”和“池化”，局部感受野指隱藏層每個(gè)神經(jīng)元只連接上一層一定區(qū)域內(nèi)的神經(jīng)元[13]；權(quán)值共享指特征圖上每個(gè)窗口數(shù)據(jù)都共用一套卷積核參數(shù)[14]；池化的作用在于特征降維，池化技術(shù)主要有最大值池化和均值池化[15]。

LeNet 模型的結(jié)構(gòu)如圖1 所示[16]，其為CNN 模型中的經(jīng)典架構(gòu)。LeNet 模型通過卷積、池化等操作來進(jìn)行特征的提取，極大程度上減少了訓(xùn)練參數(shù)的數(shù)量，并通過全連接層進(jìn)行分類識別，LeNet 模型從提出之日起，主要應(yīng)用于銀行支票上手寫字符的識別，并在該計(jì)算機(jī)視覺任務(wù)上取得了較好的識別效果。

圖1 LeNet 模型結(jié)構(gòu)圖Fig.1 LeNet model structure diagram

如圖1 所示，LeNet 模型的組成包括卷積層、池化層和全連接層。卷積層的作用為提取輸入圖像的本質(zhì)特征，卷積操作公式為[1]

池化層的作用為對輸入的特征圖進(jìn)行壓縮，縮小參數(shù)矩陣的大小，進(jìn)而減小網(wǎng)絡(luò)模型參數(shù)計(jì)算的數(shù)量，池化操作的公式為[1]

全連接層的作用在于綜合經(jīng)卷積、池化后所提取到的特征，從而形成完整的圖，由此實(shí)現(xiàn)分類，全連接操作公式為[1]

LeNet 模型具體實(shí)現(xiàn)過程為：通過多個(gè)不同的卷積核對輸入層的圖像數(shù)據(jù)進(jìn)行卷積操作得到卷積層C1；對卷積層C1 進(jìn)行池化操作得到池化層S2；對池化層S2 進(jìn)行卷積操作得到卷積層C3；對卷積層C3 進(jìn)行池化操作得到池化層S4，將池化層S4 的特征輸入全連接層，由此實(shí)現(xiàn)圖像的識別、分類及輸出。

1.2 示功圖圖像特點(diǎn)

示功圖是抽油機(jī)懸點(diǎn)載荷隨其位移變化規(guī)律的圖形表示，不同特征類型的示功圖對應(yīng)抽油機(jī)井不同的工況，因此，示功圖通常用于工況診斷，且對示功圖的綜合研判是掌握抽油機(jī)井工況以及動(dòng)態(tài)的重要手段[17]。在油田抽油機(jī)井的實(shí)際生產(chǎn)過程中，會(huì)出現(xiàn)“油層出砂”“油井結(jié)蠟”“抽油桿斷脫”和“柱塞脫出泵筒”等故障，當(dāng)出現(xiàn)故障時(shí)，相比正常示功圖在橫坐標(biāo)位移區(qū)間變化不大，在縱坐標(biāo)載荷區(qū)間呈現(xiàn)不規(guī)律變化[18]。圖2 為典型故障示功圖。

圖2 典型故障示功圖Fig.2 Typical fault indicator diagram

圖2a 為“油層出砂”情況下的示功圖，當(dāng)油層中出現(xiàn)細(xì)小的砂粒，使得柱塞在上下沖程中受到附加阻力的影響，從而使得光桿負(fù)荷在上沖程增大、下沖程減小，示功圖圖像特征表現(xiàn)為柱塞在上下行程線上波動(dòng)較大，波峰和波谷沒有規(guī)律。圖2b 為“油井結(jié)蠟”情況下的示功圖，由于油井結(jié)蠟，使得活塞在運(yùn)行過程中受到附加阻力的影響，并會(huì)產(chǎn)生振動(dòng)載荷，圖像特征表示為上下載荷線出現(xiàn)波浪型彎曲。圖2c 為“抽油桿斷脫”情況下的示功圖，抽油桿斷脫后的懸點(diǎn)載荷為斷脫點(diǎn)以上的抽油桿柱在液體中的重量，且由于摩擦，使得上下載荷線不重合，圖像特征表示為條帶狀。圖2d 為“柱塞脫出泵筒”情況下的示功圖，由于防沖擊距離過大，柱塞在上沖程中會(huì)從泵筒中脫離出來，施加在光桿上的液柱負(fù)載會(huì)突然卸載，由此導(dǎo)致卸載線迅速下降并引發(fā)柱塞跳動(dòng)，因此，從示功圖的圖像特征來看，右下角呈現(xiàn)不規(guī)則的波浪曲線。上述示功圖的案例表明，示功圖的圖像內(nèi)容由曲線組成，且曲線內(nèi)容較少，空白內(nèi)容較大，因此，對于示功圖的識別無需特別復(fù)雜的網(wǎng)絡(luò)模型就能實(shí)現(xiàn)較好的識別效果。

抽油機(jī)示功圖的自動(dòng)識別與分類問題，可以看作是一類圖形識別與分類問題，且深度學(xué)習(xí)CNN能夠分布式表示輸入數(shù)據(jù)的特征，從而完成對特征的提取，進(jìn)而可以較好地解決示功圖工況間存在相似性的問題。因此，研究深度學(xué)習(xí)CNN 在示功圖自動(dòng)識別和分類方面的應(yīng)用在技術(shù)上可行且有很大的實(shí)際應(yīng)用價(jià)值[7]。

1.3 基于LeNet 模型的網(wǎng)絡(luò)架構(gòu)

LeNet 模型深度適中，至今仍廣泛應(yīng)用。針對示功圖的圖像特點(diǎn)，本文以MATLAB 作為開發(fā)平臺，搭建了基于LeNet 的CNN 模型。在搭建模型的過程中，對輸入到CNN 模型的示功圖數(shù)據(jù)進(jìn)行歸一化、二值化及細(xì)化處理并且引入了Dropout層和局部響應(yīng)歸一化（LRN）層，其模型結(jié)構(gòu)如圖3所示。

圖3 基于LeNet 的CNN 模型結(jié)構(gòu)圖Fig.3 LeNet-based CNN model structure diagram

第一、第二層為圖像處理以及輸入層，考慮到不同油井、懸點(diǎn)所承受的載荷以及光桿運(yùn)行到上死點(diǎn)和下死點(diǎn)的距離不同，會(huì)導(dǎo)致示功圖形狀大致相同但尺寸不同。為了提高示功圖的通用性，對示功圖進(jìn)行歸一化操作，使得示功圖的橫縱坐標(biāo)都在[0,1]內(nèi)。歸一化操作公式為[8]

圖4 為實(shí)測示功圖的歸一化處理。

圖4 實(shí)測示功圖的歸一化處理Fig.4 Normalization processing of measured indicator diagram

為了突出示功圖的圖像特征以及避免噪聲的干擾，對歸一化后的示功圖進(jìn)行二值化及細(xì)化處理。圖5 為二值化及細(xì)化處理后的實(shí)測示功圖圖像。將圖像處理后的示功圖變?yōu)?00×100 個(gè)神經(jīng)元并輸入到CNN 模型中。

圖5 實(shí)測示功圖的二值化及細(xì)化處理Fig.5 Binarization and thinning of measured indicator diagram

第三層為卷積層，卷積核大小為10×10，步長為1，采用Same 策略，卷積核數(shù)量為20，卷積結(jié)束后會(huì)形成20 個(gè)通道。

第四層為激活函數(shù)，本文的激活函數(shù)采用Re-LU，旨在通過加入非線性因素的方式提高神經(jīng)網(wǎng)絡(luò)對模型的表達(dá)能力。為了防止ReLU 函數(shù)出現(xiàn)Dead ReLU 現(xiàn)象，因此，基礎(chǔ)學(xué)習(xí)率設(shè)置為0.001，每5 個(gè)階段學(xué)習(xí)率降低0.2 倍。

第五層為LRN 層，該層為局部神經(jīng)元的活動(dòng)創(chuàng)建了競爭機(jī)制，使較大的響應(yīng)值變得相對較大，并抑制其他反饋較小的神經(jīng)元，其主要作用在于提高模型的泛化能力，其實(shí)現(xiàn)公式為[19]

第六層為池化層，池化規(guī)則為最大池，最大池化操作是選取圖像區(qū)域的最大值作為該區(qū)域池化后的特征值，池大小為6×6，步長為3，經(jīng)過池化后為32×32 個(gè)神經(jīng)元。

第七層為Dropout 層，Dropout 層在模型訓(xùn)練的過程中，為了使模型不依賴于局部特征，讓某些神經(jīng)元的激活值以一定的概率停止工作，以達(dá)到防止模型過擬合的效果[20]。第八層為全連接層，該模型全連接層含15 個(gè)神經(jīng)元，輸入的神經(jīng)元通過全連接層實(shí)現(xiàn)分類。

第九層為Softmax 層，用以將分類輸出標(biāo)準(zhǔn)化成概率分布，其實(shí)現(xiàn)的公式為

第十層為分類輸出層，根據(jù)概率得到分類序號。模型訓(xùn)練時(shí)的損失函數(shù)選用交叉熵，用以刻畫預(yù)測概率分布和真實(shí)概率分布間的距離。

2 案例研究

本文通過某油田的實(shí)測示功圖數(shù)據(jù)對本文搭建的基于LeNet 的CNN 模型進(jìn)行了驗(yàn)證，并通過實(shí)驗(yàn)選取了符合該模型的優(yōu)化器以及超參數(shù)，旨在提高模型的收斂速度、識別精度。此外，為了證明Dropout 層和LRN 層的優(yōu)勢，對未加入該兩層的基于LeNet 的CNN 模型進(jìn)行了對比分析。

2.1 數(shù)據(jù)準(zhǔn)備

本文使用的示功圖數(shù)據(jù)集由中國某油田不同的游梁式抽油機(jī)井提供，每張示功圖數(shù)據(jù)由144 組坐標(biāo)點(diǎn)組成，在數(shù)據(jù)集中，有一些數(shù)據(jù)是無效的，原因?yàn)椴杉竟D數(shù)據(jù)時(shí)，儀器電源或接觸不良引起的故障，或因儀器老化引起的故障[21]，需要在使用前對數(shù)據(jù)集進(jìn)行清理。

對實(shí)測示功圖數(shù)據(jù)集進(jìn)行清理后，共獲得5 116張抽油機(jī)示功圖，并按以下15 種類型進(jìn)行人工分類，各類別對應(yīng)關(guān)系見表1。

表1 抽油機(jī)示功圖分類表Tab.1 Pumping unit indicator diagram classification

對上述數(shù)據(jù)集進(jìn)行如下操作：生成每組數(shù)據(jù)對應(yīng)的圖像并存儲在文件夾中，供模型讀??；隨機(jī)抽取50%的數(shù)據(jù)作為模型的訓(xùn)練集，剩余50%的數(shù)據(jù)作為模型的驗(yàn)證集；由此得到的訓(xùn)練集包括2 558張示功圖，驗(yàn)證集包括2 558 張示功圖。

2.2 基于LeNet 的CNN 模型

2.2.1 優(yōu)化器的選取

為了提高本文搭建的基于LeNet 的CNN 模型的收斂速度，避免網(wǎng)絡(luò)模型在訓(xùn)練過程中出現(xiàn)局部最優(yōu)化現(xiàn)象，需要為本文搭建的模型選取合適的優(yōu)化器。目前，應(yīng)用最廣泛的優(yōu)化器包括SGDM、RMSprop 和Adam，因此，本文選取這3 種優(yōu)化器進(jìn)行實(shí)驗(yàn)驗(yàn)證，實(shí)驗(yàn)流程如下。經(jīng)實(shí)驗(yàn)分析，對于該模型，SGDM 優(yōu)化器效果最佳。

實(shí)驗(yàn)保證單一變量原則，訓(xùn)練模型周期為30 輪，最大迭代次數(shù)為1 080 次，這里僅使用前700 次模型迭代的數(shù)據(jù)進(jìn)行繪圖。圖6 為模型實(shí)驗(yàn)結(jié)果圖，由圖6可知，SGDM 優(yōu)化器相比RMSprop 和Adam 優(yōu)化器，驗(yàn)證集上模型的輸出損失最小，即預(yù)測概率分布與真實(shí)概率分布之間的距離最接近，因此，對于該模型，SGDM 優(yōu)化器的識別效果最好。

圖6 優(yōu)化器選取圖Fig.6 Optimizer selection

2.2.2 超參數(shù)的選取

本文在訓(xùn)練模型的每個(gè)周期中，將數(shù)據(jù)集中的樣本數(shù)據(jù)分若干次讀入，網(wǎng)絡(luò)模型每讀取一次樣本數(shù)據(jù)稱為一個(gè)Batch，使用Batch 對網(wǎng)絡(luò)模型進(jìn)行參數(shù)更新的過程稱為迭代。本文搭建的模型在訓(xùn)練過程中，將Batch 進(jìn)一步拆分，并在拆分后的Batch 上進(jìn)行梯度下降，由此能夠提高網(wǎng)絡(luò)模型的收斂速度以及識別精度。

Batch 拆分后的每一部分?jǐn)?shù)據(jù)的數(shù)據(jù)量稱為最小批量更新次數(shù)，本文通過實(shí)驗(yàn)選取了最小批量更新次數(shù)這一超參數(shù)的最優(yōu)值。實(shí)驗(yàn)保證單一變量原則，實(shí)驗(yàn)結(jié)果如圖7 所示，由圖7 可知，當(dāng)最小批量更新次數(shù)的值設(shè)定為71 時(shí)，模型對于示功圖樣本數(shù)據(jù)進(jìn)行識別準(zhǔn)確度最高。

圖7 超參數(shù)選取圖Fig.7 Hyperparameter selection

2.2.3 基于LeNet 模型的實(shí)驗(yàn)

在程序中設(shè)置好相關(guān)參數(shù)后，依據(jù)本文搭建的基于LeNet 的CNN 模型進(jìn)行實(shí)驗(yàn)，將實(shí)測示功圖數(shù)據(jù)導(dǎo)入模型，用2 558 張實(shí)測示功圖對模型進(jìn)行訓(xùn)練，再用2 558 張實(shí)測示功圖對模型進(jìn)行驗(yàn)證。實(shí)驗(yàn)過程如下，實(shí)驗(yàn)訓(xùn)練模型周期為30 輪，每輪迭代次數(shù)為36 次，最大迭代次數(shù)為1 080 次。

圖8 為該模型在驗(yàn)證集上的實(shí)驗(yàn)結(jié)果，這里使用前1 080 次模型迭代的數(shù)據(jù)進(jìn)行繪圖，由圖8 可知，當(dāng)模型收斂時(shí)，驗(yàn)證集上模型的識別準(zhǔn)確度為94.68%，損失為0.262 2。

圖8 模型實(shí)驗(yàn)結(jié)果圖Fig.8 Model experiment result

2.3 基于LeNet 模型的對比實(shí)驗(yàn)

為了證明Dropout 層和LRN 層的優(yōu)勢，搭建了未加入該兩層的基于LeNet 的CNN 模型，其網(wǎng)絡(luò)結(jié)構(gòu)如圖9 所示，并對搭建的模型進(jìn)行了實(shí)驗(yàn)，當(dāng)模型收斂時(shí)，驗(yàn)證集上模型的識別準(zhǔn)確度為93.55%，損失為0.292 4，用時(shí)13 分13 秒。

圖9 對比實(shí)驗(yàn)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.9 Comparative experiment network structure

3 實(shí)驗(yàn)結(jié)果及分析

3.1 實(shí)驗(yàn)對比

傳統(tǒng)的機(jī)器學(xué)習(xí)方法包括BP（Back Propagation）神 經(jīng) 網(wǎng) 絡(luò) 以 及SVM（Support Vector Machine）診斷方法，上述兩種方法屬于淺層學(xué)習(xí)，其特點(diǎn)為隱藏層的數(shù)目通常情況下小于3，淺層學(xué)習(xí)由于理論分析難度大、對復(fù)雜函數(shù)的逼近能力有限且訓(xùn)練的過程中需要較多的經(jīng)驗(yàn)和技巧，如需要人工預(yù)先選取矩或矢量曲線特征，導(dǎo)致在實(shí)際應(yīng)用過程中不能達(dá)到較好的識別效果。

為了證明本文方法較傳統(tǒng)的機(jī)器學(xué)習(xí)方法具有更好的性能，將參考文獻(xiàn)[22]中提出的BP 神經(jīng)網(wǎng)絡(luò)和SVM 診斷方法與本文提出的基于LeNet 的CNN 模型方法進(jìn)行比較。各方法對比結(jié)果如表2所示。

表2 診斷方法比較表Tab.2 Comparison of diagnostic methods

由表2 可知，基于LeNet 的CNN 模型的識別準(zhǔn)確度高于傳統(tǒng)的機(jī)器學(xué)習(xí)方法（BP 和SVM）。由“矩特征”方法到“自動(dòng)特征”方法，識別準(zhǔn)確度由70.24%提高到了90.06%，由此可知，機(jī)器自學(xué)習(xí)方法優(yōu)于特征提取方法。

為了證明Dropout 層和LRN 層的優(yōu)勢，將含有該兩層的基于LeNet 的CNN 模型（LeNet 2）與未含該兩層的基于LeNet 的CNN 模型（LeNet 1）進(jìn)行比較，對比結(jié)果如表3 所示。由表可知，Dropout 層和LRN 層的加入使得識別準(zhǔn)確度由93.55%提高到了94.68%。

表3 LeNet 卷積神經(jīng)網(wǎng)絡(luò)模型比較表Tab.3 Comparison of LeNet models

為了進(jìn)一步證明，Dropout 層和LRN 層的引入，提高了在各類工況上識別的準(zhǔn)確度，依據(jù)實(shí)驗(yàn)結(jié)果繪制了如圖10 所示的柱狀圖。由圖10 可以看出，隨著Dropout 層和LRN 層的引入，提高了在驗(yàn)證集上對于“氣體影響”“上行碰泵”“油層出砂”“氣液影響油層出砂”和“油井結(jié)蠟”識別的準(zhǔn)確度。

圖10 驗(yàn)證集準(zhǔn)確度的柱狀圖Fig.10 Accuracy of the validation set

3.2 實(shí)驗(yàn)分析

對基于LeNet 的CNN 模型LeNet 1 和LeNet 2的實(shí)驗(yàn)結(jié)果進(jìn)行分析，結(jié)果見圖10。由圖可知，LeNet 2 模型在抽油機(jī)大部分工況下具有較高的診斷精度。其中，“供液不足”“固定凡爾漏失”“氣鎖影響”“氣體影響”“上行碰泵”“抽油桿斷脫”“下行碰泵”“液擊影響”“油層出砂”“游動(dòng)凡爾漏失”“正常工作”和“柱塞脫出泵筒”的診斷準(zhǔn)確度均超過92.00%；平均診斷準(zhǔn)確度為94.68%。

圖11 為抽油機(jī)工況診斷結(jié)果的混淆矩陣，對角線表示驗(yàn)證集中各種工況正確診斷樣本的數(shù)目。由圖11 可知，對于“供液不足”類別，使用驗(yàn)證集的樣本去回代訓(xùn)練集訓(xùn)練過的網(wǎng)絡(luò)，有8 個(gè)樣本誤放入“氣液影響油層出砂”類別，有5 個(gè)樣本誤放入“氣體影響”類別。這是因?yàn)椤肮┮翰蛔恪薄皻庖河绊懹蛯映錾啊焙汀皻怏w影響”都表現(xiàn)為右下方面積的缺失，只是“氣液影響油層出砂”在上下沖程中，出現(xiàn)砂卡的波動(dòng)比“供液不足”大；“供液不足”在下沖程卸載的過程中，卸載線較“氣體影響”的卸載線陡而直[23]，因此容易混淆。通過分析混淆矩陣可知本文搭建的模型是合理的。

圖11 診斷結(jié)果的混淆矩陣Fig.11 Confusion matrix of diagnosis results

綜上所述，本文搭建的基于LeNet 的CNN 模型（LeNet 2）在大多數(shù)工況下具有較高的識別準(zhǔn)確度，滿足抽油機(jī)工況檢測的診斷精度要求。并且本文通過混淆矩陣對搭建的模型（LeNet 1 和LeNet 2）進(jìn)行了可視化分析，證明了所搭建的模型是合理的。

4 工程應(yīng)用

用基于LeNet 模型的油井抽油機(jī)工況診斷方法構(gòu)建抽油機(jī)井工況智能監(jiān)控預(yù)警系統(tǒng)，該系統(tǒng)邏輯框圖如圖12 所示。由圖12 可知，一方面，該系統(tǒng)能對示功圖的識別結(jié)果進(jìn)行實(shí)時(shí)判斷，當(dāng)出現(xiàn)井下故障時(shí)，能通過生成實(shí)時(shí)預(yù)警報(bào)告的方式指導(dǎo)油井監(jiān)控人員進(jìn)行故障處理；另一方面，該系統(tǒng)能對示功圖的識別結(jié)果進(jìn)行論證，使得該系統(tǒng)始終處于更新、學(xué)習(xí)以及強(qiáng)化的過程。通過該系統(tǒng)能夠在一定程度上解決因抽油機(jī)井故障引起的油田減產(chǎn)、停產(chǎn)等現(xiàn)象，對油田的高效生產(chǎn)具有重要意義。

圖12 工況智能監(jiān)控預(yù)警系統(tǒng)邏輯框圖Fig.12 Logical block diagram of working condition intelligent monitoring and early warning system

5 結(jié)論

1）基于LeNet 的CNN 模型考慮了抽油機(jī)常見的15 種井下工況，且搭建的模型在驗(yàn)證集上對于工況識別的準(zhǔn)確度為94.68%，具有較高的工況診斷精度。

2）在搭建模型的過程中引入了Dropout 層防止模型過擬合，引入了LRN 層提高模型的泛化能力，進(jìn)而提高了網(wǎng)絡(luò)模型的收斂速度以及識別精度。

3）對輸入到CNN 模型的示功圖數(shù)據(jù)進(jìn)行歸一化、二值化以及細(xì)化處理，避免噪聲影響的同時(shí)利于模型的訓(xùn)練。此外，將不同抽油機(jī)的示功圖和同一抽油機(jī)不同時(shí)段的示功圖放入同一模型框架中進(jìn)行自動(dòng)識別，表明該模型具有通用性。

4）基于LeNet 的CNN 模型經(jīng)過訓(xùn)練后具有較強(qiáng)的泛化能力，從而使得該模型對新的示功圖樣本具有較強(qiáng)的適應(yīng)性，進(jìn)而保證對新的示功圖樣本的識別精度。本文研究為基于工況診斷的卷積神經(jīng)網(wǎng)絡(luò)模型的搭建提供了一種新的思路，對于智慧油田建設(shè)具有重要意義。

符號說明