[发明专利]基于LSTM-VGGNet的抽油机井故障预测方法

说明书

本发明设计一种基于LSTM‑VGGNet的抽油机井故障预测方法，属于油井检测技术领域。该方法包括获取有关生产参数及示功图数据集；进行数据清洗、数据预处理；灰度关联分析算法找出主控因素；基于滑动窗口的方法构造数据体；根据LSTM算法建立模型，寻找出最优精度模型来进行预测。本发明由于采取以上技术方案，可以更好的解决由于辅助判准抽油泵使用状态和作业队伍数量限制等原因造成的对井产量严重影响和巨大经济损失，为油田故障诊断方法提供一种新的诊断方式。

技术领域

本发明涉及一种抽油机井故障预测方法，特别涉及一种基于LSTM-VGGNet 的抽油机井故障预测方法，属于油井检测技术领域。

背景技术

在机械采油工艺中，有杆泵采油方式在我国的原油开采中占据十分重要的地 位。当下油田对抽油机井广泛采用使用维修策略，即当某种故障导致油井不能 正常生产时再进行维修。频繁检泵不仅造成产量损失，而且增加作业成本，而 且由于使用年限以及作业队伍数量的限制等原因，有时导致部分油井待作业时 间较长，严重影响油井产量，造成巨大经济损失。

近些年来，基于状态维护的方式受到越来越多的关注，其中基于故障预测来 进行维护的方式是关键的环节。因此研究抽油机井故障预测模型，通过灰度关 联算法分析主控因素，网格遍历算法寻找最优精度模型来提高模型准确率具有 重要的理论和实际意义，将大幅度提高油田整体开发经济效益。

发明内容

针对上述问题，本发明的目的是避免传统抽油机井故障诊断策略方法的不 确定性造成的人力资源和财力资源大量浪费，从而提高油田作业队伍的作业质 量和整体经济效益。

为实现上述目的，本发明采取以下技术方案：基于LSTM-VGGNet的抽油 机井故障预测方法，其包括以下几个步骤：

(1)采集油田抽油机井的生产数据，示功图信息数据；

(2)对采集的数据进行数据清洗，数据预处理；

(3)将收集到的示功图信息转换成png格式的图片，对标准错误的示功图 状态重新标记；

(4)建立VGGNet诊断模型，通过诊断模型将全部示功图进行标注；

(5)找出主控因素，加强数据间时序性强度重新构建数据体；

(6)进行算法建模，寻找最优模型参数；

(7)构建LSTM算法模型。

所述步骤(1)，采集的生产数据和示功图数据作为模型自变量，将抽油机 井本年内生产故障变化作为因变量，通过故障的时序性变化来判断下一时刻抽 油机井工作状态。

所述步骤(2)，通过均方差法对异常数据进行去除，通过最大-最小标准化 将数据映射到[0,1]区间。

所述步骤(3)，将示功图曲线数据绘制成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。

所述步骤(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。

所述步骤(5)，通过灰度关联算法对所有特征值进行一个关联性大小排序， 从而来筛选主要影响输出的特征值。通过滑动窗口方法设置窗口大小和步长来 对重新构建数据，加强数据间的时序性强度。

所述步骤(6)，通过步骤(5)所选取的特征值和重构后的示功图数据作为 模型的训练数据，抽油机井工况作为算法的输出值来构建LSTM模型。使用网 格搜索算法来寻找最优参数。

所述步骤(7)，对步骤(6)寻找的最优值来设置LSTM的参数，并将数据 输入LSTM模型，得到最优预测精确度的模型。