[发明专利]基于大数据分析的井下工况智能诊断方法

权利要求书

1.一种基于大数据分析的井下工况智能诊断方法，其特征在于，依次包括如下步骤：

A、建立井下故障的后台分析模型；

B、获取抽油机光杆的实时振动加速度数据；

C、将后台分析模型及实时振动加速度数据送入实时识别模块进行比对诊断；

D、输出诊断结果。

2.根据权利要求1所述的基于大数据分析的井下工况智能诊断方法，其特征在于，步骤A具体包括如下分步骤：

A1、在多台抽油机光杆上部安装振动加速度传感器，批量采集抽油机光杆的有效振动加速度数据，包括正常振动加速度数据和各种故障振动加速度数据；

A2、将振动加速度数据传入后台并进行预处理；

A3、对正常振动加速度数据及故障振动加速度数据分别进行标注；

A4、提取各类振动加速度数据的均方根能量；

A5、画出均方根能量随时间变化的图谱；

A6、图谱存入样本库并进行训练；

A7、输出实时识别模块需要的参数。

3.根据权利要求2所述的基于大数据分析的井下工况智能诊断方法，其特征在于，步骤B具体包括如下分步骤：

B1、在抽油机光杆的上部安装振动加速度传感器，监测抽油机光杆的振动加速度数据；

B2、将振动加速度数据传入后台并进行预处理；

B3、提取实时振动加速度数据的均方根能量。

4.根据权利要求3所述的基于大数据分析的井下工况智能诊断方法，其特征在于，对步骤D输出的诊断结果进行专家判断，专家判断为诊断准确的，下一步确定针对性维修方案；专家判断为诊断不准确的，对故障样本进行重新标注，然后回到步骤A4。

5.根据权利要求2所述的基于大数据分析的井下工况智能诊断方法，其特征在于，步骤A4具体包括如下子步骤：

A4.1、对振动加速度信号进行分帧；

A4.2、对各帧加汉明窗；

A4.3、对窗口内每一帧的振幅进行平方；

A4.4、对每一帧的振幅平方值进行求和；

A4.5、求和结果除以帧长得到平均值；

A4.6、对得出的平均值求平方根得到该窗口内的均方根能量。

6.根据权利要求2所述的基于大数据分析的井下工况智能诊断方法，其特征在于，步骤A6中通过深层卷积神经网络技术对样本库进行训练。

7.根据权利要求2所述的基于大数据分析的井下工况智能诊断方法，其特征在于，步骤A1中所述故障包括抽油杆偏磨、抽油杆上碰、供液不足、不平衡、气体影响、上行遇阻、固定阀漏失和碰泵生产。

8.根据权利要求1所述的基于大数据分析的井下工况智能诊断方法，其特征在于，步骤A1中采集抽油机的有效振动加速度数据由数据采集装置完成，所述数据采集装置包括信号采集模块、信号处理模块和电源模块，所述信号采集模块包括安装在抽油机光杆上的振动加速度传感器，振动加速度传感器的信号输出端分别接入前置放大电路的输入端，前置放大电路的输出端与带通滤波器的输入端相连；所述信号处理模块包括海思Hi3518E芯片，所述带通滤波器的输出端与Hi3518E芯片的振动加速度信号接口相连，所述Hi3518E芯片的时钟端口与时钟电路相连，所述Hi3518E芯片的存储端口与存储器相连，所述Hi3518E芯片的网络信号输出端与网络收发器的输入端相连，所述网络收发器的输出端与网络变压器的输入端相连，所述网络变压器的输出端与RJ45接口相连。