[发明专利]一种基于卷积神经网络和支持向量机的示功图识别方法

说明书

本发明涉及一种基于卷积神经网络和支持向量机的示功图识别方法，属于油气开采工程领域。本发明包括读取示功图图像集，进行图像预处理，生成单通道图像；基于示功图及其对应的工况类型，构建训练集、测试集；基于示功图图像集，构建基于卷积神经网络的示功图分类模型；提取示功图在卷积神经网络模型全连接层的输出，作为示功图特征值，并结合生产参数，构建新的训练集和测试集；使用新构建的训练集和测试集，采用支持向量机(SVM)分类算法，进行SVM分类模型的训练与测试，使用交叉验证和网格搜索方法寻找SVM分类模型的最优参数设置，构建最优的基于SVM分类算法的示功图分类模型。本发明可以广泛的应用在油田开采工程领域，可以实现自动、准确的示功图工况识别，相比传统的人工示功图识别方式，具有有效的识别准确率和识别效率的提升。

技术领域

本发明涉及一种示功图工况识别方法，特别涉及一种基于卷积神经网络和支持向量机(SVM)分类算法的抽油机井示功图识别方法，属于油气开采工程领域。

背景技术

示功图是由悬点载荷随悬点位变化关系曲线所构成的的封闭曲线图，是分析和判断抽油机井工况的主要手段。传统的示功图识别方法主要有人工识别、专家系统识别等，但这些方法存在识别效率低，受经验知识影响大，识别准确率低的问题，无法满足油田实际生产需求。随着计算机技术的发展，研究人员在示功图特征提取和识别方面做了大量的研究工作。李训铭等提出使用灰度矩阵提取示功图特征值，并使用BP神经网络来完成示功图的识别。朱春梅等提出使用傅里叶描述子提取示功图特征值，并使用支持向量机来完成示功图的识别。王天柱等提出Hu不变矩理论提取示功图不变矩特征，并结合BP神经网络来完成示功图的识别。肖维民等提出使用Freeman链码来提取示功图特征值，并用BP神经网络以及支持向量机等算法实现示功图的识别。上述示功图特征提取获得了较好的效果。

近年来，随着深度学习的发展，使用卷积神经网络进行图像特征提取和分类方式成为研究的热点，获得了突出的效果。本发明提出使用卷积神经网络提取示功图图像特征，结合抽油机井生产参数，使用支持向量机进行工况识别，在较小的数据集情况下，获取较高的分类准确率。

发明内容

本发明提供一种基于卷积神经网络和支持向量机的示功图识别方法，解决传统示功图识别方法存在特征提取过程复杂，工况识别类型少、准确率低的问题，实现简化示功图特征提取，增加工况识别类型，提高示功图识别准确率的目的。

为实现上述目的，本发明采取以下技术方案：一种基于卷积神经网络和支持向量机的示功图识别方法，其包括以下几个步骤：

1)读取示功图图像集，进行图像预处理，生成单通道图像；

2)基于示功图及其对应的工况类型，构建训练集、测试集；

3)基于示功图图像集，构建基于卷积神经网络的示功图分类模型；

4)提取示功图在卷积神经网络模型全连接层的输出，作为示功图特征值，并结合生产参数，构建新的训练集和测试集；

5)使用新构建的训练集和测试集，采用支持向量机(SVM)分类算法，进行SVM分类模型的训练与测试，使用交叉验证和网格搜索方法寻找SVM分类模型的最优参数设置，构建最优的基于SVM分类算法的示功图分类模型。

所述步骤1)，示功图图像尺寸为36*36，图像预处理包括将示功图RGB三通道图像转化为单通道灰度图像，将图像像素值范围从[0,255]区间转化为[0,1]区间。

所述步骤2)，示功图对应的工况类型，包括16种基本工况类型，分别为上碰泵、下碰泵、供液不足、卡泵、固定阀损坏、固定阀漏失、抽油杆断、柱塞脱出泵筒、正常工况、气体影响、气锁、油井出砂、油管漏失、游动阀损坏、游动阀漏失、稠油影响，对它们从0至15分别进行编号，每一个编号对应一种工况类型。

所述步骤3)，构建卷积神经网络模型，模型结构包含两个卷积核大小为5*5的二维卷积层、两个池化窗口为2*2的最大池化层、四个激活层、三个全连接层。