组合聚醚
摘要：游梁式抽油机示功图的工况识别方法是利用计算机诊断技术绘出示功图，然后由技术人员根据井下标准示功图，进行人工对比识别，以确定工况问题。人工识别方法，不仅对于常规问题的诊析需要大量的处理时间，而且当需要参比的问题参数增加时，处理的时间也会相应增加，处理效率低；同时，根据人为主观判断，增加了误诊的风险。本文提供一种工况智能学习识别方法，以实现自动、准确地识别游梁式抽油机示功图工况。 关键字：示功图 工况 智能学习 识别方法水泥锥
1、抽油机示功图在生产中应用及存在问题
1.1、抽油机示功图在生产中应用
氨分解制氢在油气的生产过程中，抽油机示功图录取通过井口远传示功仪测取光杆悬点所承受的载荷拉力和悬点相对于井口的位移，在一个冲次中，测取几十到几百个数据点，由一个完整冲次绘制出的封闭坐标曲线称为示功图，示功图是一种由载荷随位移逐渐变化的关系曲线，游梁式抽油机可以根据示功图的信息，对其工况进行诊断，掌握油井的工作状态，分析判断油井的
参数是否合理，并以获取到的油井的工作状态和油井参数为依据，及时有效地对油井进行调整，达到减少损耗、提高油气产量的目的。
1.2、抽油机示功图人工对比识别存在问题
目前，游梁式抽油机示功图的工况识别方法是利用计算机诊断技术绘出示功图，然后由技术人员根据井下标准示功图，进行人工对比识别，以确定工况问题。人工识别方法，不仅对于常规问题的诊析需要大量的处理时间，而且当需要参比的问题参数增加时，处理的时间也会相应增加，处理效率低；同时，根据人为主观判断，增加了误诊的风险。
2.1抽油机示功图工况识别智能学习方法
建立游梁式抽油机示功图数据库，并对数据库内的每个游梁式抽油机示功图进行二值化处理，得到若干二值化处理后的示功图之前，根据若干游梁式抽油机中每个抽油机光杆的位移和载荷数据并进行数据预处理，绘制若干游梁式抽油机示功图，并建立所述游梁式抽油机示功图数据库，并对数据库内的每个游梁式抽油机示功图进行二值化处理，得到若干二值化处理后的示功图，绘制最小外接矩形便于后续对示功图的几何特征的提取。图像二值
化(Image Binarization)就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果的过程。在数字图像处理中，图像的二值化使图像中数据量大为减少，从而更能凸显出目标的轮廓，便于后续对示功图的几何特征、矩特征和傅里叶描述子的提取。
锚杆垫板对每个二值化处理后的示功图进行特征提取，得到每个二值化处理后的示功图的几何特征、矩特征和傅里叶描述子，几何特征包括：示功图所形成的封闭曲线所围成的面积、示功图所形成的封闭曲线的周长、示功图所形成的封闭曲线的质心和示功图所形成的封闭曲线与其所述最小外接矩形之间的面积。矩特征为Hu矩特征，其特征是针对于一幅图像，把像素的坐标看成是一个二维随机变量，那么一幅灰度图像可以用二维灰度密度函数来表示，因此可以用矩来描述灰度图像的特征。对于任意一幅图像都存在着对平移、缩放、镜像和旋转不敏感的7个二维不变矩。傅里叶描述子的定义为：假定物体的形状是一条封闭的曲线，沿边界曲线上的一个动点P(l)的坐标变化x(l)+iy(l)是一个以形状边界周长为周期的函数，这个周期函数可以用傅里叶级数展开表示，傅里叶级数中的一系列系数z(k)是直接与边界曲线的形状有关的。利用傅里叶描述子可以实现对示功图的压缩，例如，原示功图需要144像素点进行描述，经过傅里叶描述子重构后的示功图的图像像素点可以为80个，实
现了数据压缩。在实际使用时，可以采用80个傅里叶系数的绝对值作为新的示功图图像特征。
根据每个二值化处理后的示功图的几何特征、矩特征和傅里叶描述，对每个所述二值化处理后的示功图进行聚类，得到多个累积示功图，对每个累积示功图进行工况标注，得到每个工况下的多个示功图簇，可以通过人工打标签的方式对每个累积示功图进行工况标注，得到每个工况下的多个示功图簇。将每个工况下的每个示功图簇中的第一预设部分示功图的几何特征、矩特征和傅里叶描述子代入到至少两个机器学习模型中进行机器学习，每个工况下的每个示功图簇中示功图数量的50％，训练得到至少两组分类器模型。由于单个机器学习模型在学习训练后，表现出的准确率及泛化能力都不是最理想的结果，因此，需要利用至少两个机器学习模型，同时进行机器学习，为后续的集成学习做准备。
将每个工况下的每个示功图簇中的第二预设部分示功图的几何特征、矩特征和傅里叶描述子分别代入到所述每组分类器模型中，每个工况下的每个示功图簇中示功图数量的50％，训练得到每个示功图的至少两个分类结果，对每个工况下的每个示功图簇中的第二预设部分示功图进行工况标注，得到每个示功图的标签，将每个示功图的至少两个分类结果和每
个示功图的标签代入多项逻辑斯蒂回归模型进行集成学习，得到最终分类器模型，对最终分类器模型进行验证，机器学习模型包括：支持向量机、随机森林和梯度提升树。在得到每组分类器模型后，需要对每组分类器模型进行验证，一般使用交叉验证或留一法，以确定分类器模型的判断结果。
2.2抽油机示功图工况识别智能学习方法的效果分析
抽油机示功图工况识别智能学习方法通过获取游梁式抽油机示功图数据库，在对数据库内的每个示功图进行二值化处理后，获取每个示功图的几何特征、矩特征和傅里叶描述子，继而进行聚类和对应工况标注，通过先将每个工况下的每个示功图簇中的第一预设部分示功图的几何特征、矩特征和傅里叶描述子代入到至少两个机器学习模型中进行机器学习，训练得到至少两组分类器模型，再在此基础上，将第二预设部分示功图的几何特征、矩特征和傅里叶描述子代入到每组分类器模型中，训练得到每个示功图的至少两个分类结果，以每个施工图的至少两个分类结果和其对应的标签代入多项逻辑斯蒂回归模型中进行集成学习，得到最终分类器模型，当需要判断待测游梁式抽油机示功图的工况时，将待测游梁式抽油机示功图的几何特征、矩特征和傅里叶描述子代入到最终分类器模型中即可，判断结果的准确度高，可以实现自动、准确地识别游梁式抽油机示功图工况。
结论汽车桥壳
在油田的生产过程中，通过抽油机示功图工况识别智能学习方法将待测游梁式抽油机示功图的几何特征、矩特征和傅里叶描述子代入所述最终分类器模型中，确定待测游梁式抽油机示功图的工况。当需要判断待测游梁式抽油机示功图的工况时，将其几何特征、矩特征和傅里叶描述子代入到最终分类器模型中，可以实现自动、准确地识别示功图工况，避免人为主观误判断，提高了处理效率。
参考文献
［1］李剑锋，肖波，肖莉，等，智能油田：下册［M］，北京：中国石化出版社.
［2］魏军．油田预警分析模型的研究与设计［J］．电脑知识与技术，2014（25）．
［3］马健，张亮，王晓明．油气生产物联网技术在油田生产中的应用［J］．中国管理信息化，2020,23．
［4］王一鸣．油田生产自动化集中监控模式［J］，中国设备工程，2020.
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议