[发明专利]一种基于迁移学习和ViT网络的抽油机工况诊断方法

权利要求书

1.一种基于迁移学习和ViT网络的抽油机工况诊断方法，其特征在于，包括以下步骤：

步骤1、收集油田区块中抽油机的载荷和冲程数据，并对数据进行预处理；

步骤2、构建基于迁移学习和ViT网络模型的抽油机工况诊断模型，并进行模型训练；

步骤3、利用测试集数据检查模型的性能；

步骤4、基于训练完成的抽油机工况诊断模型，进行抽油机工况实时诊断。

2.根据权利要求1所述基于迁移学习和ViT网络的抽油机工况诊断方法，其特征在于，所述步骤1的具体过程如下：

步骤1.1、采集待分析油田区块中抽油机相关数据，包括载荷和冲程数据，对这些数据采用滑动平均法进行平滑化处理，具体公式为：

式中，p_t表示t时刻平滑化处理后的数据；x_t-i表示t-i时刻输入的抽油机载荷或冲程数据，x_t+i表示t+i时刻输入的抽油机载荷或冲程数据，x_t表示t时刻输入的抽油机载荷或冲程数据；n表示滑动窗口半径，i表示某一时刻；

步骤1.2、经过数据平滑化处理之后，对抽油机载荷和冲程数据所构成的数据样本进行归一化处理，使数值映射到[0,1]之间，转换函数如下：

式中，X_min和X_max分别表示输入集合X中的最小值和最大值；Y_min和Y_max分别表示输出集合Y中的最小值和最大值；X^*和Y^*为X和Y归一化后的值。

3.根据权利要求2所述基于迁移学习和ViT网络的抽油机工况诊断方法，其特征在于，所述步骤2的具体过程如下：

步骤2.1、构建ViT网络模型，ViT网络模型的输入为示功图图片，输出为工况类型；

ViT网络模型分为三部分：Embedding层、Transformer Encoder层、MLP Head层；

Embedding层中，对于图像数据，将[H,W,C]三维矩阵通过一个Embedding层进行变换，其中H为图片的高，W为图片的宽，C为通道数量，先对图片作分块，再进行展平；首先将一张图片按给定大小分成一堆块，块的大小为P，分块的数目为：N＝H×W/(P×P)，对每个图片块展平成一维向量，每个向量大小为：P×P×C，此时输入Transformer模块的向量为：[N,P×P×C]；

Transformer Encoder层中，包含重复堆叠的Encoder Block模块L次，Encoder Block模块由以下部分组成：①Layer Norm：对每个token进行Norm处理；②Multi-HeadAttention；③Dropout；④MLP Block；

MLP Head层中，由Layer Normalization和线性层组成，用于分类；

步骤2.2、进行训练集与测试集的划分，根据步骤1得到的输入样本集X^*和输出样本集Y^*，将示功图数据集以8：2的比例划分为训练集和测试集

步骤2.3、结合迁移学习对ViT模型进行训练，采用基于模型的迁移学习方法进行模型微调，模型微调是将预训练的模型参数作为初始化参数，更新所有权重，使用较小的学习率进行模型微调；使用泵示功图数据的训练集训练ViT模型，然后微调模型。

4.根据权利要求3所述基于迁移学习和ViT网络的抽油机工况诊断方法，其特征在于，所述步骤3的具体过程如下：

基于步骤2中构建完成的抽油机工况诊断模型，基于测试集数据并采用混淆矩阵对模型性能进行评估；

从混淆矩阵中，计算模型的准确率Accuracy和误报率FPR，计算公式分别如(4)和(5)所示：

式中，TP表示被判定为正样本，实际为正样本；FN表示伪阴性，被判定为负样本，实际为正样本；FP表示伪阳性，被判断为正样本，实际为负样本；TN为被判断为负样本，实际为负样本；

若模型准确率高，说明网络具有很好的泛化能力，输出当前模型；若模型准确率低，说明网络的泛化能力差，需要返回步骤2，重新进行模型训练。

5.根据权利要求4所述基于迁移学习和ViT网络的抽油机工况诊断方法，其特征在于，所述步骤4的具体过程如下：

导出步骤3训练完成的基于迁移学习和ViT网络模型的抽油机工况诊断模型，并将该抽油机工况诊断模型应用到油井现场抽油机工况诊断中，实时获取油田中抽油机的载荷和冲程数据，并得到示功图，将其输入模型中进行实时诊断，计算得出该抽油井的工况类别。