抽油机井工况确定方法、装置、设备及存储介质与流程

1.本技术实施例涉及采油工艺技术领域，特别涉及一种抽油机井工况确定方法、装置、设备及存储介质。


背景技术：

2.游梁式抽油机是油田生产中最常用的抽油机类型之一，但是工作环境恶劣，情况复杂，系统设备易于损坏。因此，及时掌握抽油机井实时工况对提高生产效率和经济效益具有重要意义。


技术实现要素：

3.本技术实施例提供了一种抽油机井工况确定方法、装置、设备及存储介质，提高了确定工况识别结果的效率。技术方案如下：
4.一方面，本技术实施例提供一种抽油机井工况确定方法，所述方法包括：
5.获取目标抽油机井在目标工作周期内的采样点集合，所述采样点集合包括至少一个采样点；
6.对所述采样点集合进行绘制处理，得到所述目标抽油机井对应的示功图；
7.对所述示功图进行处理，得到所述示功图对应的像素矩阵；
8.通过工况识别模型对所述像素矩阵进行识别处理，得到所述像素矩阵对应的工况识别结果，所述工况识别结果用于指示所述目标抽油机井在所述目标工作周期内的工况，所述工况识别模型采用融合有瓶颈层的残差网络。
9.另一方面，本技术实施例提供一种抽油机井工况确定装置，所述装置包括：
10.集合获取模块，用于获取目标抽油机井在目标工作周期内的采样点集合，所述采样点集合包括至少一个采样点；
11.集合绘制模块，用于对所述采样点集合进行绘制处理，得到所述目标抽油机井对应的示功图；
12.矩阵确定模块，用于对所述示功图进行处理，得到所述示功图对应的像素矩阵；
13.工况确定模块，用于通过工况识别模型对所述像素矩阵进行识别处理，得到所述像素矩阵对应的工况识别结果，所述工况识别结果用于指示所述目标抽油机井在所述目标工作周期内的工况，所述工况识别模型采用融合有瓶颈层的残差网络。
14.另一方面，本技术实施例提供一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上述方面所述的抽油机井工况确定方法。
15.再一方面，本技术实施例提供一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上述方面所述的抽油机井工况确定方法。
16.本技术实施例提供的技术方案可以带来如下有益效果：
17.通过采用融合有瓶颈层的残差网络对示功图对应的像素矩阵进行处理，得到抽油机井在工作周期内的工况，由于本技术实施例中的工况识别模型融合有瓶颈层，减少了工况识别模型的模型参数量，提高了确定工况识别结果的效率。
附图说明
18.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
19.图1是本技术一个实施例提供的抽油机井工况确定方法的流程图；
20.图2是本技术一个实施例提供的瓶颈层的结构示意图；
21.图3是本技术另一个实施例提供的抽油机井工况确定方法的流程图；
22.图4是本技术一个实施例提供的抽油机井工况确定流程的示意图；
23.图5是本技术一个实施例提供的抽油机井工况确定装置的框图；
24.图6是本技术一个实施例提供的计算机设备的结构示意图。
具体实施方式
25.为使本技术的目的、技术方案和优点更加清楚，下面将结合附图对本技术实施方式作进一步地详细描述。
26.我国约90％的油井、全世界约80％的油井都采用有杆泵往复抽油方式进行生产。但这种方法也存在着一定的缺陷，有杆抽油设备在工作过程中需要延伸至地下数千米，周围环境恶劣，设备故障率较高。因此，及时准确地进行有杆抽油设备的工况诊断成了一个亟待解决的问题。
27.本技术实施例提供的抽油机井工况确定方法可以应用于计算机设备中，计算机设备是指具备计算和处理能力的电子设备，计算机设备包括终端和/或服务器，终端可以包括平板电脑、台式电脑、pc(personal computer，个人计算机)、智能可穿戴设备等电子设备；服务器可以是一台服务器，也可以是多台服务器，还可以是由服务器组成的服务器集群，本技术实施例对服务器的类型不作限定。
28.为了便于介绍说明，下述实施例仅以各步骤由计算机设备执行为例进行介绍说明。
29.请参考图1，其示出了本技术一个实施例提供的抽油机井工况确定方法的流程图。该方法可以应用于计算机设备中，该方法可以包括如下几个步骤：
30.步骤101，获取目标抽油机井在目标工作周期内的采样点集合。
31.在本技术实施例中，采样点集合包括至少一个采样点。
32.目标抽油机井可以是一台抽油机井，也可以是多台抽油机井，本技术实施例对此不作限定。如果目标抽油机井包括多台抽油机井，则计算机设备获取各抽油机井在目标周期内的各自的采样点集合。
33.目标工作周期可以是一个工作周期，也可以是多个工作周期，本技术实施例对此
不作限定。当目标工作周期是多个工作周期时，计算机设备获取目标抽油机井在多个工作周期内的各自的采样点集合。
34.示例性地，一台抽油机井在一个工作周期内对应一个采样点集合，基于该采样点集合计算机设备可以绘制该台抽油机井在单个工作周期内的示功图。若目标抽油机井包括多台抽油机井和/或目标工作周期包括多个工作周期时，计算机设备需要获取多个采样点集合。
35.步骤102，对采样点集合进行绘制处理，得到目标抽油机井对应的示功图。
36.在理想状况下，只考虑驴头所承受的静载荷引起抽油杆柱及油管弹性变形，而不考虑其它因素影响，所绘制的示功图叫理论示功图。当考虑惯性载荷时，使理论示功图沿顺时针方向转了一个角度。示功图是抽油机井工作状态的重要表征，示功图由专门的仪器测出。通过分析示功图可以确定抽油机井的工作是否合理，判断深井泵在井下工作是否存在异常以及杆、泵参数组合与油井是否适应。在目前以及以后一段时间内，示功图分析法仍然是抽油机井工况诊断的主要方法。
37.示功图的横坐标表示按比例记录的光杆移动的距离，纵坐标表示按比例记录的光杆上的负荷，示功图的闭合图形表示泵做功的多少(即，表示驴头在一次往复运动中抽油机所做的功)。
38.步骤103，对示功图进行处理，得到示功图对应的像素矩阵。
39.在可能的实现方式中，将示功图转化为224x224的像素矩阵，得到示功图对应的像素矩阵，并将像素矩阵存入h5py文件中。
40.步骤104，通过工况识别模型对像素矩阵进行识别处理，得到像素矩阵对应的工况识别结果。
41.在可能的实现方式中，计算机设备调用工况识别模型从h5py文件中读取像素矩阵，从而使得工况识别模型对像素矩阵进行识别处理，得到像素矩阵对应的工况识别结果。
42.若目标抽油机井包括多台抽油机井，则计算机设备可以调用多个工况识别模型同时对该多台抽油机井的示功图对应的像素矩阵进行处理。本技术实施例可以支持多井在线同时运算。
43.在本技术实施例中，工况识别结果用于指示目标抽油机井在目标工作周期内的工况，工况识别模型采用融合有瓶颈层的残差网络。示例性地，瓶颈层的结构示意图如图2所示。通过1x1的卷积核将输入的256维向量降维到64维，最终又将其恢复到256维，中间计算的参数量被压缩。将瓶颈层融入到残差网络，提高了工况识别模型在训练收敛和结果计算的速度。
44.综上所述，本技术实施例提供的技术方案中，通过采用融合有瓶颈层的残差网络对示功图对应的像素矩阵进行处理，得到抽油机井在工作周期内的工况，由于本技术实施例中的工况识别模型融合有瓶颈层，减少了工况识别模型的模型参数量，提高了确定工况识别结果的效率。
45.另外，本技术实施例通过将残差网络和瓶颈层进行融合，解决了高维空间存在的梯度爆炸问题。
46.另外，本技术实施例提高了最终确定的工况识别结果的准确性，本技术实施例具有准确性高、运算速度快和泛化能力强等优点。
47.另外，本技术实施例及时准确地确定抽油机井的工况后，可以采用针对性的措施解除故障，对提高原油生产效率以及油田经济效益都有着非常重要的意义。
48.请参考图3，其示出了本技术另一个实施例提供的抽油机井工况确定方法的流程图。该方法可以应用于计算机设备中，该方法可以包括如下几个步骤：
49.步骤301，获取目标抽油机井在目标工作周期内的采样点集合。
50.在本技术实施例中，采样点集合包括至少一个采样点。
51.步骤302，以地面位移为横坐标、地面载荷为纵坐标，构建直角坐标系。
52.在可能的实现方式中，地面位移的取值范围为0-10，地面载荷的取值范围为0-50，当然，在其它可能的实现方式中，地面位置和地面载荷还可以是其它的取值范围，本技术实施例对此不作限定。
53.步骤303，将采样点集合绘制在直角坐标系中。
54.基于采样点集合中各个采样点对应的地面位移和地面载荷的值在直角坐标系中描点。
55.步骤304，将采样点集合中的至少一个采样点依次首尾相连，形成闭合图形。
56.示例性地，以第一个采样点为起点，之后顺次将彼此相邻的点进行连线，最后将头尾相连形成闭合的闭合图形。
57.步骤305，对闭合图形进行光滑处理，得到示功图。
58.示例性地，光滑处理又可以称之为平滑处理。在可能的实现方式中，通过以下任意方式对闭合图形进行光滑处理：均值滤波、方框滤波、高斯滤波、中值滤波、双边滤波等。
59.步骤306，对示功图进行处理，得到示功图对应的像素矩阵。
60.在可能的实现方式中，通过matlab对示功图进行处理，得到示功图对应的像素矩阵。当然，在其它可能的实现方式中，还可以通过其它方式对示功图进行处理，从而得到示功图对应的像素矩阵。
61.步骤307，通过工况识别模型对像素矩阵进行特征提取，得到示功图对应的特征向量。
62.在可能的实现方式中，通过工况识别模型采用的残差网络的深层网络结构对像素矩阵进行高维特征提取。示例性地，本技术实施例采用残差技术进行特征提取。在特征提取阶段，为了提取全冲程示功图对应的像素矩阵的高维特征向量，采用了具有更深层次网络结构的卷积神经网络，然而，以往的卷积神经网络模型随着特征向量维数和网络层数的增加，在训练过程中会出现梯度扩散或梯度爆炸的问题，残差网络采用残差机制来解决这一问题。原理的核心公式为：y＝f(x)+x；其中，y表示期望输出，x表示输入，f(x)表示残差映射。另外，高纬度的特征向量虽然保证了工况识别模型的准确率，但是由于网络结构十分复杂，参数量剧增，训练速度缓慢，计算成本较高，为了减少参数量和减轻计算负担，本技术实施例在残差网络中融入瓶颈层，提高了工况识别模型在训练收敛和结果计算的速度。
63.在可能的实现方式中，示功图对应的特征向量可以指示以下至少一项：示功图的闭合图形的形状特点、增载线的变化趋势和位置、卸载线的变化趋势和位置、最大载荷线的位置等。
64.在示意性实施例中，通过工况识别模型对像素矩阵进行识别处理，得到像素矩阵对应的工况识别结果之前，还需要对工况识别模型进行训练，得到完成训练的工况识别模
型。示例性地，计算机设备可以通过如下方式对工况识别模型进行训练：
65.第一、获取训练数据集和测试数据集。
66.在本技术实施例中，训练数据集中包括至少一个训练数据，训练数据包括训练示功图对应的训练像素矩阵，以及训练示功图对应的标准工况识别结果，测试数据集中包括至少一个测试数据，测试数据包括测试示功图对应的测试像素矩阵，以及测试示功图对应的标准工况识别结果。
67.在可能的实现方式中，数据采集通过采用自动化采集和物联网系统用获取前端油田抽油机井的实时示功图，再基于网络传输将相关数据存储到数据库中。计算机设备从该数据库中提取大量示功图作为训练数据集合测试数据集。然后删除示功图中重复以及错误数据，之后以示功图的地面载荷和地面位移的合理范围为标准，删除异常数据。
68.在可能的实现方式中，训练数据和测试数据的数量比例可以为m：n，m、n为正整数。示例性地，训练数据和测试数据的数量比例为10:1。
69.第二、通过训练数据集对工况识别模型进行训练，得到初始工况识别模型。
70.在可能的实现方式中，通过工况识别模型对训练像素矩阵进行识别处理，得到预测工况识别结果；基于预测工况识别结果和训练示功图对应的标准工况识别结果，得到工况识别模型的损失函数；基于损失函数对工况识别模型进行训练，响应于损失函数满足阈值时，停止对工况识别模型的训练，得到初始工况识别模型。
71.在可能的实现方式中，损失函数h(p，q)通过如下公式确定：h(p，q)＝-∑p(x)logq(x)；其中，p(x)表示训练示功图对应的标准工况识别结果，q(x)表示预测工况识别结果。
72.第三、基于测试数据集对初始工况识别模型进行测试，得到初始工况识别模型的测试结果。
73.以测试结果为准确率为例进行介绍说明。由于每种工况现实发生的频率不同，对应数据集中的每种工况数量不同，为了保证可靠性，取各工况的准确率的平均值作为工况识别模型预测最终的准确率。
74.示例性地，计算机设备通过如下方式得到初始工况识别模型的测试结果：
75.1、基于测试数据集对初始工况识别模型进行测试，得到测试工况识别结果。
76.通过初始工况识别模型对测试数据集中的测试像素矩阵进行处理，得到该测试像素矩阵对应的测试工况识别结果。
77.2、基于测试工况识别结果和测试示功图对应的标准工况识别结果，得到各类型的工况对应的测试结果。
78.在可能的实现方式中，测试工况识别结果和标准工况识别结果可能相同，也可能不同。示例性地，将标准工况识别结果是正确的、而测试工况识别结果是错误的情况(真反例)记为tn；将标准工况识别结果和测试工况识别结果都是正确的情况(真正例)记为tp；将标准工况识别结果是错误的，而测试工况识别结果是正确的情况(假正例)记为fp；将标准工况识别是错误的，而测试工况结果也是错误的情况(假反例)记为fn。则各类型的工况对应的测试结果accuracy可以通过如下公式确定：
79.在可能的实现方式中，本技术实施例可以统计各类型的工况对应的tn、tp、fp和fn
的数量，从而确定各类型的工况对应的测试结果。
80.3、将各类型的工况对应的测试结果之和的平均值，确定为初始工况识别模型的测试结果。
81.示例性地，本技术实施例确定出各类型的工况对应的测试结果之后，可以将各类型的工况对应的测试结果相加取平均值，得到初始工况识别模型的测试结果。
82.第四、响应于测试结果满足预设条件，得到完成训练的工况识别模型。
83.示例性地，预设条件可以是测试结果大于阈值，例如，响应于测试结果大于阈值，得到完成训练的工况识别模型；响应于测试结果小于阈值，对初始工况模型进行训练，直至初始工况识别模型的测试结果大于阈值，得到完成训练的工况识别模型。
84.第五、响应于测试结果不满足预设条件，对初始工况识别模型进行训练，直至初始工况识别模型的测试结果满足预设条件。
85.步骤308，对示功图对应的特征向量进行识别处理，得到工况识别结果。
86.示例性地，工况识别结果包括以下任意一项：存在连抽带喷状况、存在气锁状况、存在抽油杆断脱状况、存在凡尔漏失和抽油杆断脱状况、存在气体影响状况、存在凡尔漏失状况、存在供液不足和游动凡尔漏失状况、存在泵上挂状况、存在泵下碰状况、存在卡泵状况、存在泵工作正常状况、存在一级供液不足状况、存在二级供液不足状况、存在三级供液不足状况。
87.示例性地，一级供液不足的程度大于二级供液不足的程度，二级供液不足的程度大于三级供液不足的程度。
88.在可能的实现方式中，不同的工况识别结果可以设置不同的标签，如下表1所示：
89.表1
90.[0091][0092]
示例性地，本技术实施例提供一种抽油机井工况确定系统，该系统包括终端和服务器。上述抽油机井工况确定方法可以包括如下几个步骤：
[0093]
1、终端显示第一界面。
[0094]
用户可以在该第一界面中上传目标抽油机井在目标工作周期内的采样点集合。
[0095]
2、终端向服务器发送工况识别请求，该工况识别请求中携带目标抽油机井在目标工作周期内的采样点集合。
[0096]
3、服务器获取目标抽油机井在目标工作周期内的采样点集合。
[0097]
如图4所示，服务器获取采样点集合410。
[0098]
4、服务器对上述采样点集合进行绘制处理，得到目标抽油机井对应的示功图。
[0099]
如图4所示，服务器基于采样点集合得到示功图420。
[0100]
5、服务器对示功图进行处理，得到示功图对应的像素矩阵。
[0101]
如图4所示，服务器基于示功图420得到像素矩阵430。
[0102]
6、服务器通过工况识别模型对像素矩阵进行识别处理，得到像素矩阵对应的工况识别结果，工况识别结果用于指示目标抽油机井在目标工作周期内的工况，工况识别模型采用融合有瓶颈层的残差网络。
[0103]
如图4所示，服务器通过工况识别模型440对像素矩阵430进行处理，得到像素矩阵对应的工况识别结果。
[0104]
7、服务器向终端发送工况识别结果。
[0105]
相应地，终端接收来自服务器的工况识别结果。
[0106]
8、终端在第二用户界面上显示工况识别结果。
[0107]
示例性地，第一界面和第二界面可以是同一个界面，也可以是不同的界面，本技术实施例对此不作限定。
[0108]
示例性地，本技术基于python算法部署工况识别模型，基于java算法提供可视化
功能。抽油机井工况确定系统的前后端交互可以采用ajax通讯机制。
[0109]
下述为本技术装置实施例，可以用于执行本技术方法实施例。对于本技术装置实施例中未披露的细节，请参照本技术方法实施例。
[0110]
请参考图5，其示出了本技术一个实施例提供的抽油机井工况确定装置的框图。该装置具有实现上述方法示例的功能，所述功能可以由硬件实现，也可以由硬件执行相应的软件实现。该装置可以是计算机设备，也可以设置在计算机设备中。该装置500可以包括：集合获取模块510、集合绘制模块520、矩阵确定模块530和工况确定模块540。
[0111]
集合获取模块510，用于获取目标抽油机井在目标工作周期内的采样点集合，所述采样点集合包括至少一个采样点；
[0112]
集合绘制模块520，用于对所述采样点集合进行绘制处理，得到所述目标抽油机井对应的示功图；
[0113]
矩阵确定模块530，用于对所述示功图进行处理，得到所述示功图对应的像素矩阵；
[0114]
工况确定模块540，用于通过工况识别模型对所述像素矩阵进行识别处理，得到所述像素矩阵对应的工况识别结果，所述工况识别结果用于指示所述目标抽油机井在所述目标工作周期内的工况，所述工况识别模型采用融合有瓶颈层的残差网络。
[0115]
综上所述，本技术实施例提供的技术方案中，通过采用融合有瓶颈层的残差网络对示功图对应的像素矩阵进行处理，得到抽油机井在工作周期内的工况，由于本技术实施例中的工况识别模型融合有瓶颈层，减少了工况识别模型的模型参数量，提高了确定工况识别结果的效率。
[0116]
在示意性实施例中，所述工况确定模块540，用于：
[0117]
通过所述工况识别模型对所述像素矩阵进行特征提取，得到所述示功图对应的特征向量；
[0118]
对所述示功图对应的特征向量进行识别处理，得到所述工况识别结果。
[0119]
在示意性实施例中，所述集合绘制模块520，用于：
[0120]
以地面位移为横坐标、地面载荷为纵坐标，构建直角坐标系；
[0121]
将所述采样点集合绘制在所述直角坐标系中；
[0122]
将所述采样点集合中的至少一个采样点依次首尾相连，形成闭合图形；
[0123]
对所述闭合图形进行光滑处理，得到所述示功图。
[0124]
在示意性实施例中，所述装置还包括：模型训练模块(图中未示出)。
[0125]
所述模型训练模块，用于：
[0126]
对所述工况识别模型进行训练，得到完成训练的所述工况识别模型。
[0127]
在示意性实施例中，所述模型训练模块，包括：数据获取单元、模型训练单元和模型测试单元(图中未示出)。
[0128]
数据获取单元，用于获取训练数据集和测试数据集，所述训练数据集中包括至少一个训练数据，所述训练数据包括训练示功图对应的训练像素矩阵，以及所述训练示功图对应的标准工况识别结果，所述测试数据集中包括至少一个测试数据，所述测试数据包括测试示功图对应的测试像素矩阵，以及所述测试示功图对应的标准工况识别结果；
[0129]
模型训练单元，用于通过所述训练数据集对所述工况识别模型进行训练，得到初
始工况识别模型；
[0130]
模型测试单元，用于基于所述测试数据集对所述初始工况识别模型进行测试，得到所述初始工况识别模型的测试结果；
[0131]
模型测试单元，还用于响应于所述测试结果满足预设条件，得到完成训练的所述工况识别模型；
[0132]
模型测试单元，还用于响应于所述测试结果不满足所述预设条件，对所述初始工况识别模型进行训练，直至所述初始工况识别模型的测试结果满足所述预设条件。
[0133]
在示意性实施例中，所述模型测试单元，用于：
[0134]
基于所述测试数据集对所述初始工况识别模型进行测试，得到测试工况识别结果；
[0135]
基于所述测试工况识别结果和所述测试示功图对应的标准工况识别结果，得到各类型的工况对应的测试结果；
[0136]
将所述各类型的工况对应的测试结果之和的平均值，确定为所述初始工况识别模型的测试结果。
[0137]
在示意性实施例中，所述工况识别结果包括以下任意一项：存在连抽带喷状况、存在气锁状况、存在抽油杆断脱状况、存在凡尔漏失和抽油杆断脱状况、存在气体影响状况、存在凡尔漏失状况、存在供液不足和游动凡尔漏失状况、存在泵上挂状况、存在泵下碰状况、存在卡泵状况、存在泵工作正常状况、存在一级供液不足状况、存在二级供液不足状况、存在三级供液不足状况。
[0138]
需要说明的是，上述实施例提供的装置，在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内容结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置与方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
[0139]
请参考图6，其示出了本技术一个实施例提供的计算机设备600的结构示意图。该计算机设备600可用于实施上述实施例中提供的计算机设备侧的抽油机井工况确定方法。具体来讲：
[0140]
所述计算机设备600包括中央处理单元(central processing unit，cpu)601、包括ram(random access memory，随机存取存储器)602和rom(read-only memory，只读存储器)603的系统存储器604，以及连接系统存储器604和中央处理单元601的系统总线605。所述计算机设备600还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(i/o系统，input/output系统)606，和用于存储操作系统613、应用程序614和其他程序模块615的大容量存储设备607。
[0141]
所述基本输入/输出系统606包括有用于显示信息的显示器608和用于用户输入信息的诸如鼠标、键盘之类的输入设备609。其中所述显示器608和输入设备609都通过连接到系统总线605的输入输出控制器610连接到中央处理单元601。所述基本输入/输出系统606还可以包括输入输出控制器610以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器610还提供输出到显示屏、打印机或其他类型的输出设备。
[0142]
所述大容量存储设备607通过连接到系统总线605的大容量存储控制器(未示出)连接到中央处理单元601。所述大容量存储设备607及其相关联的计算机可读介质为计算机设备600提供非易失性存储。也就是说，所述大容量存储设备607可以包括诸如硬盘或者cd-rom(compact disc read-only memory，只读光盘)驱动器之类的计算机可读介质(未示出)。
[0143]
不失一般性，所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括ram、rom、eprom(erasable programmable read-only memory，可擦除可编程只读存储器)、eeprom(electrically erasable programmable read-only memory，电可擦可编程只读存储器)、闪存(flash memory)或其他固态存储设备，cd-rom、dvd(digital versatile disc，数字通用光盘)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器604和大容量存储设备607可以统称为存储器。
[0144]
根据本技术的各种实施例，所述计算机设备600还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即计算机设备600可以通过连接在所述系统总线605上的网络接口单元611连接到网络612，或者说，也可以使用网络接口单元611来连接到其他类型的网络或远程计算机系统(未示出)。
[0145]
所述存储器还包括一个或者一个以上的程序，所述一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行。上述一个或者一个以上程序包含用于实现上述计算机设备侧的抽油机井工况确定方法的指令。
[0146]
在示意性实施例中，还提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集。所述至少一条指令、至少一段程序、代码集或指令集经配置以由一个或者一个以上处理器执行，以实现上述计算机设备侧的抽油机井工况确定方法。
[0147]
在示意性实施例中，还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或所述指令集在被计算机设备的处理器执行时实现上述计算机设备侧的抽油机井工况确定方法。
[0148]
可选地，上述计算机可读存储介质可以是rom(read-only memory，只读存储器)、ram(random access memory，随机存取存储器)、cd-rom(compact disc read-only memory，只读光盘)、磁带、软盘和光数据存储设备等。
[0149]
在示例性实施例中，还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述计算机设备侧的抽油机井工况确定方法。
[0150]
应当理解的是，在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。另外，本文
中描述的步骤编号，仅示例性示出了步骤间的一种可能的执行先后顺序，在一些其它实施例中，上述步骤也可以不按照编号顺序来执行，如两个不同编号的步骤同时执行，或者两个不同编号的步骤按照与图示相反的顺序执行，本技术实施例对此不作限定。
[0151]
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也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，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
[0152]
以上所述仅为本技术的示例性实施例，并不用以限制本技术，凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。