[发明专利]基于LSTM-VGGNet的抽油机井故障预测方法

权利要求书

1.基于LSTM-VGGNet的抽油机井故障预测方法，其包括如下步骤：

1)采集抽油机井的数据：泵效、套压、油压、日产液量、日产油量、含水量、上行电流、下行电流、最大载荷、最小载荷、额定扭矩、示功图面积、示功图曲线数据等；

2)对采集的数据进行数据清洗，去除重复数据，奇异数据，选取故障类型作为检泵数据体，对清洗后的数据进行去量纲预处理；

3)将示功图曲线数据生成png格式图片，根据理论经验对现有部分示功图信息重新标记，修改现场标注错误的数据；

4)将标记好的图片进行训练集和测试集分割，建立基于循环神经网络的示功图诊断模型为VGGNet(Very Deep Convolutional Networks)，通过诊断模型将全部示功图进行标注；

5)使用主成分分析算法对生产数据进行主控因素提取；

6)使用滑动窗口方式更改数据体加强时序性；

7)将所述步骤3)和步骤4)的数据体进行训练集和测试集分割，基于长短期记忆神经网络预测模型LSTM(Long short-term memory)建立预测模型；

8)通过网格遍历搜索算法遍历参数，使用均方误差MSE作为模型评价标准。

2.如权利要求1中所述的基于LSTM-VGGNet的抽油机井故障预测方法，其特征在于，所述步骤2)针对数据清洗，进行基于均方差方法的方式进行数据筛选，对筛选后的数据再进行最大-最小标准化预处理，使数据分布在区间[0,1]。

3.如权利要求1或2所述的基于LSTM-VGGNet的抽油机井故障预测方法，其特征在于：所述步骤3)通过python中的绘图函数将坐标点生成png格式的图片，筛选出部分标注准确、特征明显的示功图。

4.如权利1或3所述的基于LSTM-VGGNet的抽油机井故障预测方法，其特征在于：所述步骤4)进行示功图诊断模型的搭建，采用VGG16分类算法训练出示功图工况分类算法，使用训练好的模型对全部图像重新标注。

5.如权力1或2所述的基于LSTM-VGGNet的抽油机井故障预测方法，其特征在于：所述步骤5)使用主成分分析算法对生产数据进行主控因素提取，最终筛选出生产参数包括泵效、套压、油压、电流比、载荷利用率、实际冲程、实际冲次七个主控因素。

6.如权利要求1或5所述的基于LSTM-VGGNet的抽油机井故障预测方法，其特征在于：所诉步骤6)采用滑动窗口方式加强数据间的数序性，窗口大小设置为5，滑动步长设置为1。

7.如权利要求1或6所述的基于LSTM-VGGNet的抽油机井故障预测方法，其特征在于：所诉步骤7)对滑动窗口方式更改后的数据体进行算法训练LSTM，根据数据的时序性特征搭建预测模型，通过网格遍历搜索算法遍历参数，使用均方误差MSE作为模型评价标准确定最优参数。