(19)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 202110540881.6 (22)申请日 2021.05.18 (71)申请人 中国石油化工股份有限公司 地址 257000 山东省东营市东营区济南路 125号 申请人 中国石油化工股份有限公司胜利油 田分公司现河采油厂 (72)发明人 路智勇　冯庆伟　孙召龙　隋宁波　 张丁涌　常国胜　王景峰　冯虎　 邴绍强　周宏斌　张江　曹丽丽　 (74)专利代理 机构 济南日新专利代理事务所 (普通合伙) 37224 专利代理师 崔晓艳 (51)Int.Cl. G06F 30/27(2020.01)G06N 3/04(2006.01) G06N 3/08(2006.01) E21B 47/00(2012.01) G06F 111/08(2020.01) G06F 113/08(2020.01) (54)发明名称 数形结合的油井 工况智能诊断方法 (57)摘要 本发明提供一种数形结合的油井工况智能 诊断方法， 包括： 步骤1， 建立大规模示功图+多维 时序数据的油井工况样本库； 步骤2， 针对油井工 况诊断问题特点， 提出并建立CNN+DBN的油井工 况诊断神经网络， 完成对工况样本库的学习， 并 通过反复优化进 一步提高算法性能； 步骤3， 建立 油井工况智能监测系统， 实现智能监测神经网络 与油井生产数据库的实时连接 ‑分析‑推送， 设计 油井工况智能监测客户前端网页系统。 该数形结 合的油井工况智能诊断方法通过问题剖析和技 术调研， 把图形的直观性、 及时性、 有效性有机融 合确定“示功图图像+其他时序数据+CNN+DBN ”数 形结合智能诊断方案， 提高油井生产动态智能诊 断符合率。 权利要求书2页 说明书11页 附图4页 CN 115374687 A 2022.11.22 CN 115374687 A 1.数形结合的油井工况智能诊断方法， 其特征在于， 该数形结合的油井工况智能诊断 方法包括： 步骤1， 建立大规模示功图+多维时序数据的油井工况样本库； 步骤2， 针对油井工况诊断问题特点， 提出并建立CNN+DBN的油井工况诊断神经网络， 完 成对工况样本库的学习， 并通过反复优化进一 步提高算法性能； 步骤3， 建立油井工况智能监测系统， 实现智能监测神经网络与油井生产 数据库的实时 连接‑分析‑推送， 设计油井工况智能监测客户前端网页系统。 2.根据权利要求1所述的数形结合的油井工况智能诊断方法， 其特征在于， 在步骤1中， 通过对千万级油井生产监测数据的搜集、 整理、 清洗、 特征提取和分拣， 分级分类建立大规 模示功图+多维时序数据的油井工况样本库。 3.根据权利要求2所述的数 形结合的油井工况智能诊断方法， 其特 征在于， 步骤1包括： 1)搜集采油厂油井生产监测数据， 开展数据整理、 甄别、 清洗， 以提高数据质量； 2)结合油井生产监测大数据、 油井躺井报表、 现场实践经验， 将油井生产工况从技术角 度进行油层问题、 管问题、 杆问题、 泵问题、 地 面问题、 数据问题这些分类分项； 3)结合油井工况技术分类成果和油田生产 管理实际需要， 将油井生产工况从生产运行 角度分为 健康生产、 亚 健康生产、 异常3大类， 针对不同类别指定 差异化管理措施； 4)针对部分工况单纯依赖示功图难以精确诊断的问题， 系统分析生产指挥系统PCS数 据库中的数据指标， 选取用于 工况诊断的数据指标多维时序数据； 5)针对60余种多维时序数据开展数据发散性、 相关性分析， 进一步优选代表性强的数 据指标； 6)针对优选出的多维时序数据， 确定样本使用的时间窗口瞬变、 中短期、 中长期， 采用 时间序列特 征提取算法提取其内涵特 征作为工况分析参数。 4.根据权利要求1所述的数 形结合的油井工况智能诊断方法， 其特 征在于， 步骤2包括： 步骤21， 针对油井工况诊断问题的特点， 深入分析卷积神经网络CNN和深度置信网络 DBN的适用性； 步骤22， 设计用于油井工况智能诊断的CNN系统构架， 进行相关深度卷积神经网络核心 计算； 步骤23， 设计用于油井工况智能诊断的DBN系统构架， 进行相关深度卷积神经网络核心 计算； 步骤24， 设计用于油井工况智能诊断的CN N+DBN系统构架； 步骤25， 选择代 表性数据集对油井工况智能诊断的CN N+DBN系统构架进行效果分析； 步骤26， 设定默认学习参数， 使用已建立油井工况样本库对油井工况智能诊断的CNN+ DBN神经网络进行训练和 测试； 步骤27， 使用架构优化、 反复训练、 Dropout这些技术对神经网络进一步优化， 提升神经 网络的训练效率与泛化能力。 5.根据权利要求4所述的数形结合的油井工况智能诊断方法， 其特征在于， 在步骤21 中， 通过问题的剖析调研， 把图形的直观性、 及时性和数据的准确性、 有效性有机融合， 确定 CNN+DBN数形结合智能诊断方案 。 6.根据权利要求4所述的数形结合的油井工况智能诊断方法， 其特征在于， 在步骤22权　利　要　求　书 1/2 页 2 CN 115374687 A 2中， 系统架构共计14层， 包含5个卷积层、 3个池化层、 3个隐含层、 1个输入层、 1个光栅化层、 1 个输出层、 2 254592个神经元； 卷积核心运 算公式： 式中Oj—第j层神经元的输出数据、 φ—relu激活函数、 bj—第j层神经元偏置、 —计算神经元i到j逐个加权相乘求和， 其中 自i层神经元依次加和运算、 Xi— i层神经元输入变量、 V—权 重系数、 Θj—至j层神经 元滤波映射； 池化核心运 算公式： Sj＝downsample(Oj) 式中Sj—j层神经 元池化po oling处理输出结果、 Oj—第j层神经 元的输出 数据； 光栅化核心运 算公式： 式中Xjmn—输入变量j层神经元二维空间坐标、 T—投影坐标映射、 Ok—输出光栅化像素 坐标。 7.根据权利要求4所述的数形结合的油井工况智能诊断方法， 其特征在于， 在步骤23 中， 输入变量x和隐变量h的能量 函数定义联合 概率分布为： 式中p—模型概率分布、 e—自然对数、 归一化常量Z＝∑x,he‑energy(x,h)称为配分函数， 其 中energy(x,h)—能量函 数、 ∑x,he‑θ—输入变 量x隐变量h负对数求和运算， 进行由低层到高 层的前向堆叠RBM学习和由高层到低层的后向微调学习。 8.根据权利要求4所述的数形结合的油井工况智能诊断方法， 其特征在于， 在步骤24 中， 使用CNN分支输入提取功图信息， DBN分支输入数值型数据， 经光栅化层数值化处理后， 在核心拼合层将处理后数据进行向量拼接， 输入全连接神经网络给予最后输出， 实现CNN、 DBN耦合， 并进行深度混合神经网络核心计算。 9.根据权利要求1所述的数 形结合的油井工况智能诊断方法， 其特 征在于， 步骤3包括： 步骤31， 设计油井工况智能监测软件系统总体构架； 步骤32， 进行油井工况智能监测计算， 实现远程数据抓取 ‑分析‑存储； 步骤33， 设计编制油井工况智能监测前端网页界面。权　利　要　求　书 2/2 页 3 CN 115374687 A 3