[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

说明书

本发明公开了一种基于迁移学习和ViT网络的抽油机工况诊断方法，属于石油工程技术领域，具体包括以下步骤：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。本发明具有计算速度快，经济成本低，表征精度高，无需考虑地质静态参数等优点；可以实时诊断该油田区块抽油机的工况类别，无需经过大量、耗时的计算，节省了大量时间，提高了油田工作效率，可满足油田实际工程要求。

技术领域

本发明属于石油工程技术领域，具体涉及一种基于迁移学习和ViT网络的抽油机工况诊断方法。

背景技术

油井开采的最终目标是实现产量和综合效率的最大化，而制约实现这一目标的一个重要因素是抽油机工况。示功图是进行抽油机工况诊断的一个重要指标，是油田制定合理工作制度，实现产量和经济效益最大化的重要依据。

常规的抽油机工况诊断的工程方法，往往受到的干扰因素多，抽油机工况诊断精度较低，并且需要消耗大量的时间成本，对于油田专家经验有着很高的依赖性，难以进行推广。因此，如何利用示功图，通过机器学习的方法对抽油机工况进行快速精准诊断，对于油井开采具有重要意义。

发明内容

为了解决上述问题，本发明提出了一种基于迁移学习和ViT网络的抽油机工况诊断方法，提高抽油机工况诊断的计算精度，加快计算速度。

本发明的技术方案如下：

一种基于迁移学习和ViT网络的抽油机工况诊断方法，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。

进一步地，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。

进一步地，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；