(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111279746.7 (22)申请日 2021.10.2 9 (71)申请人 中国石油大 学 （华东） 地址 266580 山东省青岛市黄岛区长江西 路66号 (72)发明人 张晓东　陈元行　杨鹏磊　史靖文　 秦子轩　高绍姝　 (51)Int.Cl. G06F 30/27(2020.01) G06F 16/215(2019.01) G06F 16/2458(2019.01) G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/02(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01)E21B 47/008(2012.01) (54)发明名称 基于LSTM-VGGNet的抽油机 井故障预测方法 (57)摘要 本发明设计一种基于LS TM‑VGGNet的抽油机 井故障预测方法， 属于油井检测技术领域。 该方 法包括获取有关生产参数及示功图数据集； 进行 数据清洗、 数据预处理； 灰度关联分析算法找出 主控因素； 基于滑动窗口的方法构造数据体； 根 据LSTM算法建立模型， 寻找出最优精度模型来进 行预测。 本发明由于采取 以上技术方案， 可以更 好的解决由于辅助判准抽油泵使用状态和作业 队伍数量限制等原因造成的对井产量严重影响 和巨大经济损失， 为油田故障诊断方法提供一种 新的诊断方式。 权利要求书1页 说明书3页 附图2页 CN 114004151 A 2022.02.01 CN 114004151 A 1.基于LSTM ‑VGGNet的抽油机井故障预测方法， 其包括如下步骤： 1)采集抽油机井的数据： 泵效、 套压、 油压、 日产液量、 日产油量、 含水量、 上行电流、 下 行电流、 最大 载荷、 最小载荷、 额定扭矩、 示功图面积、 示功图曲线数据等； 2)对采集的数据进行数据清洗， 去除重复数据， 奇异数据， 选取故障类型作为检泵数据 体， 对清洗后的数据进行去量纲预处 理； 3)将示功图曲线数据生成png格式图片， 根据理论经验对现有部分示功图信息重新标 记， 修改现场标注错 误的数据； 4)将标记好的图片进行训练集和测试集分割， 建立基于循环神经网络的示功图诊断模 型为VGGNet(Very  Deep Convolutional  Networks)， 通过诊 断模型将全部示功图进行标 注； 5)使用主成分 分析算法对生产数据进行主控因素提取； 6)使用滑动窗口方式更改数据体加强时序性； 7)将所述步骤3)和步骤4)的数据体进行训练集和测试集分割， 基于长短期记忆神经网 络预测模型LSTM(L ong short‑term memory)建立预测模型； 8)通过网格遍历搜索算法遍历参数， 使用均方误差 MSE作为模型评价标准。 2.如权利要求1中所述的基于LSTM ‑VGGNet的抽油机井故障预测方法， 其特征在于， 所 述步骤2)针对数据清洗， 进行基于均方差方法的方式进行数据筛选， 对筛选后的数据再进 行最大‑最小标准 化预处理， 使数据分布在区间[0,1]。 3.如权利 要求1或2所述的基于LSTM ‑VGGNet的抽油机井故障预测方法， 其特征在于： 所 述步骤3)通过python中的绘图函数将坐标点生 成png格式的图片， 筛选出部分标注 准确、 特 征明显的示功图。 4.如权利1或3所述的基于LSTM ‑VGGNet的抽油机井故障预测方法， 其特征在于： 所述步 骤4)进行示功图诊断模 型的搭建， 采用VGG16分类算法训练出示功图工况分类算法， 使用训 练好的模型对 全部图像重新标注。 5.如权力1或2所述的基于LSTM ‑VGGNet的抽油机井故障预测方法， 其特征在于： 所述步 骤5)使用主成分分析算法对生产数据进行主控因素提取， 最终筛选出生产参数包括泵效、 套压、 油压、 电流比、 载荷利用率、 实际冲程、 实际冲次七个主控因素。 6.如权利 要求1或5所述的基于LSTM ‑VGGNet的抽油机井故障预测方法， 其特征在于： 所 诉步骤6)采用滑动窗口方式加强数据间的数序性， 窗口大小设置为5， 滑动步长设置为1。 7.如权利 要求1或6所述的基于LSTM ‑VGGNet的抽油机井故障预测方法， 其特征在于： 所 诉步骤7)对滑动窗口方式更改后的数据体进行算法训练LSTM， 根据数据的时序性特征搭建 预测模型， 通过网格遍历 搜索算法遍历参数， 使用均方误差MS E作为模型评价标准确定最优 参数。权　利　要　求　书 1/1 页 2 CN 114004151 A 2基于LSTM ‑VGGNet的抽油机井故障预测方 法 技术领域 [0001]本发明涉及一种抽油机井 故障预测方法， 特别涉及一种基于LSTM ‑VGGNet 的抽油 机井故障预测方法， 属于油井 检测技术领域。 背景技术 [0002]在机械采油工艺中， 有杆泵采油方式在我国的原油开采中占据十分重要的地  位。 当下油田对抽油机井广泛采用使用维修策略， 即当某种故障导致油井不能  正常生产时再 进行维修。 频繁检泵不仅造成产量损失， 而且增加作业成本， 而  且由于使用年限以及作业 队伍数量的限制等原因， 有时导致部分油井待作业时  间较长， 严重影响油井产量， 造成巨 大经济损失。 [0003]近些年来， 基于状态维护的方式受到越来越多的关注， 其中基于故障预测来  进行 维护的方式是关键的环节。 因此研究抽油机井故障预测模型， 通过灰度关  联算法分析主控 因素， 网格遍历算法寻找最优精度模型来提高模型准确率具有  重要的理论和实际意义， 将 大幅度提高油田整体开发经济效益。 发明内容 [0004]针对上述问题， 本发明的目的是避免传统抽油 机井故障诊断策略方法的不  确定 性造成的人力 资源和财力 资源大量浪费， 从而提高油田作业队伍的作业质  量和整体经济 效益。 [0005]为实现上述 目的， 本发明采取以下技术方案： 基于LSTM ‑VGGNet的抽油  机井故障 预测方法， 其包括以下几个步骤： [0006](1)采集油田抽油机井的生产数据， 示功图信息数据； [0007](2)对采集的数据进行 数据清洗， 数据预处 理； [0008](3)将收集到的示功图信息转换成png格式的图片， 对标准错误 的示功图  状态重 新标记； [0009](4)建立VG GNet诊断模型， 通过诊断模型将全部示功图进行 标注； [0010](5)找出主控因素， 加强数据间时序性强度重新构建数据体； [0011](6)进行算法建模， 寻找最优 模型参数； [0012](7)构建LSTM算法模型。 [0013]所述步骤(1)， 采集的生产数据和示功图数据作为模型自变量， 将抽油机  井本年 内生产故障变化作为因变量， 通过故障的时序性变化 来判断下一时刻抽  油机井工作状态。 [0014]所述步骤(2)， 通过均方差法对异常数据进行去除， 通过最大 ‑最小标准化  将数据 映射到[0,1]区间。 [0015]所述步骤(3)， 将 示功图曲线数据绘制成png格式图片， 根据理论经验对现有  部分 示功图信息 重新标记， 修改现场标注错 误的数据。 [0016]所述步骤(4)， 将标记好 的图片进行训练集和测 试集分割， 建立基于循环  神经网说　明　书 1/3 页 3 CN 114004151 A 3