一种油井计量仪器失准定位诊断方法、装置和终端与流程

本发明涉及数字化自控装置故障诊断
技术领域：
，尤其涉及一种油井计量仪器失准定位诊断方法、装置和终端。
背景技术：
：为了监测油井的产量、抽油效率及抽油工况变化，提高信息化水平，目前每口油井都应采用大量智能仪表对抽油机功图、油温、油压及抽油机工作电压、电流等进行远程监测。但是，由于远程监测涉及的井往往几百口，涉及的监测仪表种类、数量繁多，经常有监控数据偏离正常范围，监控人员无法判定是何原因，往往要派专业人员去现场查看、诊断并排除故障，而诊断仪器失准就需要携带多种点检装置、带齐多种备用更换品，因此需要有专车、专人跑现场诊断、维护，浪费许多人力与物力。技术实现要素：本发明实施例提供一种油井计量仪器失准定位诊断方法、装置和终端，以至少解决现有技术中的以上技术问题。第一方面，本发明实施例提供了一种油井计量仪器失准定位诊断方法，包括：获取载荷序列、位移序列及电功率序列以及油井冲次，生成特征序列集合；根据所述特征序列集合训练神经网络模型，提取所述特征序列随时间变化的特征；根据特征序列集合以及所述特征序列随时间变化的特征进行损失函数计算，得到样本损失函数比例值；根据所述损失函数比例值对计量仪表的失准进行诊断。在一种实施方式中，获取载荷序列、位移序列及电功率序列的步骤包括：获取历史载荷数据、历史位移数据以及历史功率数据；根据所述历史载荷数据绘制油井周期载荷变化曲线，根据所述历史位移数据绘制周期位移变化曲线，根据所述历史功率数据的油井电机周期功率变化曲线；根据所述油井周期载荷变化曲线、所述周期位移变化曲线以及所述油井电机周期功率变化曲线，得到所述载荷序列、所述位移序列及所述电功率序列。在一种实施方式中，根据所述损失函数比例值对计量仪表的失准进行诊断，包括：当所述损失函数比例值小于或等于10％时，诊断结果为所述油井计量仪表正常；当所述损失函数比例值大于10％且小于或等于20％时，诊断结果为所述油井计量仪表待监测；当所述损失函数比例值大于20％时，诊断结果为所述油井计量仪表失准。第二方面，本发明还提供了一种油井计量仪器失准定位诊断装置，包括：特征序列获取模块，用于获取载荷序列、位移序列及电功率序列以及油井冲次，生成特征序列集合；序列变化特征提取模块，用于根据所述特征序列集合训练神经网络模型，提取所述特征序列随时间变化的特征；损失函数计算模块，用于根据特征序列集合以及所述特征序列随时间变化的特征进行损失函数计算，得到样本损失函数比例值；失准诊断模块，用于根据所述损失函数比例值对计量仪表的失准进行诊断。在一种实施方式中，所述特征序列获取模块包括：历史数据获取单元，用于获取历史载荷数据、历史位移数据以及历史功率数据；变化曲线绘制单元，用于根据所述历史载荷数据绘制油井周期载荷变化曲线，根据所述历史位移数据绘制周期位移变化曲线，根据所述历史功率数据的油井电机周期功率变化曲线；序列获取单元，用于根据所述油井周期载荷变化曲线、所述周期位移变化曲线以及所述油井电机周期功率变化曲线，得到所述载荷序列、所述位移序列及所述电功率序列。在一种实施方式中，所述失准诊断模块包括：正常诊断单元，用于当所述损失函数比例值小于或等于10％时，诊断结果为所述油井计量仪表正常；待监测诊断单元，用于当所述损失函数比例值大于10％且小于或等于20％时，诊断结果为所述油井计量仪表待监测；失准诊断单元，用于当所述损失函数比例值大于20％时，诊断结果为所述油井计量仪表失准。第三方面，本发明还提供了一种油井计量仪器失准定位诊断终端，其特征在于，包括如上述任一项所述装置；显示器，用于显示油井计量仪表的诊断结果，所述诊断结果包括所述油井计量仪表正常、所述油井计量仪表待监测以及所述油井计量仪表失准；报警器，用于当所述诊断结果为所述油井计量仪表失准时，发出报警信号。所述功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。在一个可能的设计中，油井计量仪器失准定位诊断终端的结构中包括处理器和存储器，所述存储器用于存储支持油井计量仪器失准定位诊断装置执行上述第一方面中油井计量仪器失准定位诊断方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。所述油井计量仪器失准定位诊断终端还可以包括通信接口，用于油井计量仪器失准定位诊断终端与其他设备或通信网络通信。上述技术方案中的一个技术方案具有如下优点或有益效果：通过获取油井监控的历史数据并绘制曲线，之后利用神经网络模型对油井监控历史数据进行统计分析，提取特征，从而对油井计量仪表失准进行诊断，诊断出当前载荷传感器、位移传感器、智能电表是否出现失准。并在监控界面给出警示，有利于安排人员及时采取应急处置措施及校准或更换。上述概述仅仅是为了说明书的目的，并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外，通过参考附图和以下的详细描述，本发明进一步的方面、实施方式和特征将会是容易明白的。附图说明在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本发明公开的一些实施方式，而不应将其视为是对本发明范围的限制。图1为本发明实施例提供的一种油井计量仪表诊断方法流程示意图；图2为本发明实施例提供的一种油井计量仪表诊断方法示意图；图3为本发明实施例提供的一种油井计量仪表诊断装置结构示意图。具体实施方式在下文中，仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样，在不脱离本发明的精神或范围的情况下，可通过各种不同方式修改所描述的实施例。因此，附图和描述被认为本质上是示例性的而非限制性的。实施例一在一种具体实施方式中，提供了一种油井计量仪器失准定位诊断方法，如图1所示，包括：步骤s10：获取载荷序列、位移序列及电功率序列以及油井冲次，生成特征序列集合；步骤s20：根据所述特征序列集合训练神经网络诊断模型，提取所述特征序列随时间变化的特征；步骤s30：根据特征序列集合以及所述特征序列随时间变化的特征进行损失函数计算，得到样本损失函数比例值；步骤s40：根据所述损失函数比例值对计量仪表的失准进行诊断。本实施例中，油井的井口传感器应处于一个相对平衡的周期状态。符合能量守恒模型，e0＝e1+e2-e3，e0：电机功率，e1：悬点载荷功率，e2：摩阻(抽油机损耗)功率，e3：平衡块功率。其中，平衡块功率理论上与位移结合为一个正弦曲线，一个周期内做功为0。摩阻做功理论上为一平行于位移的直线。其中，悬点载荷，位移，电参数三个标准参数在现场采集。在一种示例中，在通常情况下，根据抽油机运行一个冲次的载荷变化绘制载荷曲线，载荷与位移构成二维的曲线称之为功图曲线，电功率与位移构成二维的曲线称之为电功率曲线。上述的曲线是在一个短期的时间序列内绘制。在一种实现方式中，可以针对大于三个月的大跨度的时间序列内，形成载荷序列、位移序列和电功率序列。如图2所示，首先，查询数据库逐一获得最近一段时间(比如前日与当日)油井周期载荷变化曲线、周期位移变化曲线、电功率曲线。根据所述油井周期载荷变化曲线、所述周期位移变化曲线以及所述油井电机周期功率变化曲线，得到大跨度的时间序列内的所述载荷序列、所述位移序列及所述电功率序列。获取载荷序列、位移序列及电功率序列以及油井冲次，生成特征序列集合。第二，根据所述特征序列集合训练神经网络模型。通过神经网络模型来寻找数据随时间变化的特征。利用深度自编码器实现数据特征提取。根据功图数据表1和表2所示，表中lstm(longshort-termmemory)是长短期记忆网络。计算得出神经网络模型整体的输入参数为400个，400是输入的载荷、位移向量，在编码过程中不断降低维度，抽取主要特征值，从而得出下表的应用深度学习中自编码器进行功图数据模型建立的各层网络参数配置。进入模型训练，并进行模型训练结果分析。表1网络层输入参数输出参数网络类型编码器0400100lstm编码器110080lstm编码器2805lstm解码器1580lstm解码器280100lstm输出100400数据输出表2名称值权重初始化函数权重更新函数学习率:0.05激活函数防止过拟合函数正则化系数:0.0005输出层损失函数输出层激活函数第三，根据获取的当前时间段相继2-5天的油井数据进行损失函数计算得到样本损失函数比例值。在深度学习自编码器中，输出数据看作是对输入数据的预测，用重构误差函数来刻画两者的接近程度，在整个样本集中，它们的和称为损失函数，在仪表失准性判别中，用来对计量仪表的失准进行诊断。深度自编码器包括输入层、隐藏层和输出层。设输入层和输出层的纬度为n，隐藏层的纬度为m，样本数据集i是中间变量，x(i)是第i个向量，i＝1到n，表示总共有n个向量，它们构成一个样本数据集。设编码函数为f,编码过程指的是从输入层到隐藏层设解码函数为g,解码过程指的是从隐藏层到输出层。自动编码器的编码部分是利用非线性映射函数将输入数据映射到隐藏层单元,设h表示隐藏层的神经单元激活，则其数学表达式为：h＝f(x)＝sf(wx+p)其中，p是变换的偏置量矩阵，w表示的是连接输入层和隐藏层之间的权值矩阵，sf表示的是编码器的激活函数，通常取sigmoid函数，即f(x)＝1/(1+e-x)。解码计算原理与编码类似,利用编码得到的隐藏层重构出原输入数据.其解码函数的数学表示如下:其中，q是变换的偏置量矩阵，y表示的是解码器对输入数据的重构，sg表示的是解码器的激活函数，通常取sigmoid函数或者恒等函数，w表示的是隐藏层与输出层之间的权值矩阵,自编码器的参数θ＝{w，p，q}。输出数据可以看作是对输入数据的预测，用重构误差函数l(x,y)来刻画y与x的接近程度。当sg为恒等函数时：l(x,y)＝||x-y||2当sg为sigmoid函数时：当训练样本集为时，自编码器的整体损失函数为：最后重复使用梯度下降算法迭代计算jae(θ)的最小值,就可以求解自编码网络的参数,也就完成了自动编码器的训练。第四，根据损失函数比例值，诊断失准计量仪表失准风险概率，并针对失准风险概率于监控屏幕上给出警示。基于安装于监控中心服务器上监控软件对油井监控仪表通过监控网络上传的时间序列的历史数据利用油井神经网络进行分析，具体的，利用长短期记忆网络和深度自编码结构实现了数据的高层特征提取，结合支持向量数据描述方法，实现了异常数据检测，同时，对油井计量仪表失准进行诊断，诊断出当前载荷传感器、位移传感器、智能电表是否出现失准。并在监控界面给出警示，有利于安排人员及时采取应急处置措施及校准或更换。在一种实施方式中，获取载荷序列、位移序列及电功率序列的步骤包括：获取历史载荷数据、历史位移数据以及历史功率数据；根据所述历史载荷数据绘制油井周期载荷变化曲线，根据所述历史位移数据绘制周期位移变化曲线，根据所述历史功率数据的油井电机周期功率变化曲线；根据所述油井周期载荷变化曲线、所述周期位移变化曲线以及所述油井电机周期功率变化曲线，得到所述载荷序列、所述位移序列及所述电功率序列。在一种示例中，油井监测物理模型包括载荷传感器、位移传感器、智能电表的远程终端单元及串口联网设备，载荷传感器用于监测获取油井载荷数据、位移传感器用于监测获取位移数据及冲次，智能电表用于监测油井电功率数据，并通过现场的远程终端单元上传历史时间段以及最近时间段的载荷数据、历史位移数据以及历史功率数据。根据历史载荷数据绘制油井周期载荷变化曲线，根据历史位移数据绘制周期位移变化曲线，根据历史功率数据的油井电机周期功率变化曲线。并将周期载荷变化曲线、周期位移变化曲线、油井电机周期功率变化曲线等数据通过监控网络上传至注水井场或联合站监控中心服务器中。所依赖的监控网络是基于数字化油田业已存自动化系统监控网络，只需要为实施本方案进行必要硬件与软件升级，使之成为更高级的综合信息网即可，监控电脑可在任何可联网的地点，通过登录访问服务器主页，获取实时监控结果。在一种实施方式中，根据所述损失函数比例值对计量仪表的失准进行诊断，包括：当所述损失函数比例值小于或等于10％时，诊断结果为所述油井计量仪表正常；当所述损失函数比例值大于10％且小于或等于20％时，诊断结果为所述油井计量仪表待监测；当所述损失函数比例值大于20％时，诊断结果为所述油井计量仪表失准。在一种示例中，当损失函数不高于整体样本数据的10％时，油井计量正常，整体数据样本，当损失函数不高于整体样本数据的20％而高于10％时，油井计量待监测，当损失函数高于整体样本数据的20％时，油井计量仪表异常。实施例二本发明还提供了一种油井计量仪器失准定位诊断装置，如图3所示，包括：特征序列获取模块10，用于获取载荷序列、位移序列及电功率序列以及油井冲次，生成特征序列集合；序列变化特征提取模块20，用于根据所述特征序列集合训练神经网络模型，提取所述特征序列随时间变化的特征；损失函数计算模块30，用于根据特征序列集合以及所述特征序列随时间变化的特征进行损失函数计算，得到样本损失函数比例值；失准诊断模块40，用于根据所述损失函数比例值对计量仪表的失准进行诊断。在一种实施方式中，所述特征序列获取模块10包括：历史数据获取单元，用于获取历史载荷数据、历史位移数据以及历史功率数据；变化曲线绘制单元，用于根据所述历史载荷数据绘制油井周期载荷变化曲线，根据所述历史位移数据绘制周期位移变化曲线，根据所述历史功率数据的油井电机周期功率变化曲线；序列获取单元，用于根据所述油井周期载荷变化曲线、所述周期位移变化曲线以及所述油井电机周期功率变化曲线，得到所述载荷序列、所述位移序列及所述电功率序列。在一种实施方式中，所述失准诊断模块40包括：正常诊断单元，用于当所述损失函数比例值小于或等于10％时，诊断结果为所述油井计量仪表正常；待监测诊断单元，用于当所述损失函数比例值大于10％且小于或等于20％时，诊断结果为所述油井计量仪表待监测；失准诊断单元，用于当所述损失函数比例值大于20％时，诊断结果为所述油井计量仪表失准。实施例三本发明还提供了一种油井计量仪器失准定位诊断终端，其特征在于，包括如上述任一项所述装置；显示器，用于显示油井计量仪表的诊断结果，所述诊断结果包括所述油井计量仪表正常、所述油井计量仪表待监测以及所述油井计量仪表失准；报警器，用于当所述诊断结果为所述油井计量仪表失准时，发出报警信号。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属
技术领域：
的技术人员所理解。在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。本
技术领域：
的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读存储介质中。所述存储介质可以是只读存储器，磁盘或光盘等。以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本
技术领域：
的技术人员在本发明揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。当前第1页12