劉芑辰 馮子明 蔣國(guó)斌 孫桐建 李琦

1. 東北石油大學(xué)機(jī)械科學(xué)與工程學(xué)院；2. 中國(guó)石油大慶油田有限責(zé)任公司采油工程研究院

采油工業(yè)中抽油井?dāng)?shù)量大、分布廣，人工監(jiān)測(cè)油井工況所需人力成本高，需要一種自動(dòng)化診斷方法，以提高人工檢修效率，避免日常維護(hù)作業(yè)的盲目性。1988 年，Derek 等［1］研制出有桿抽油井故障診斷專(zhuān)家系統(tǒng)，通過(guò)將地面實(shí)測(cè)的示功圖轉(zhuǎn)換成井下示功圖，然后與標(biāo)準(zhǔn)示功圖進(jìn)行比較以判斷故障類(lèi)型。1990 年，Rogers 等［2］將人工神經(jīng)網(wǎng)絡(luò)理論引入示功圖識(shí)別領(lǐng)域，應(yīng)用誤差反向傳播學(xué)習(xí)算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)，能夠識(shí)別出所學(xué)習(xí)的15 類(lèi)示功圖。但神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)較為簡(jiǎn)單，使用效果并不理想。2008 年，楊洋［3］應(yīng)用灰色理論成功提取示功圖特征，并實(shí)現(xiàn)示功圖分類(lèi)識(shí)別。但由于求取灰度矩陣所需計(jì)算量較大、花費(fèi)時(shí)間較長(zhǎng)，使得灰色理論在實(shí)際應(yīng)用中受到一定限制。2016 年，文必龍等［4］使用模糊神經(jīng)網(wǎng)絡(luò)解決抽油機(jī)故障診斷問(wèn)題，由于模糊理論的診斷方法需要先建立隸屬函數(shù)，而隸屬函數(shù)建立方法并未明確，限制了這一方法的廣泛應(yīng)用。近年來(lái)相關(guān)研究進(jìn)一步完善，Bezerra 等［5］將前饋神經(jīng)網(wǎng)絡(luò)用于診斷示功圖，準(zhǔn)確率達(dá)98%以上，但受限于神經(jīng)網(wǎng)絡(luò)隱含層數(shù)限制，導(dǎo)致無(wú)法對(duì)更復(fù)雜的函數(shù)進(jìn)行擬合，因此對(duì)實(shí)際工況的刻畫(huà)能力有限。2017 年，段友祥［6］應(yīng)用簡(jiǎn)化Alexnet 模型實(shí)現(xiàn)了對(duì)故障示功圖的識(shí)別，但分類(lèi)僅為4 類(lèi)，無(wú)法滿足實(shí)際使用需求。

基于卷積神經(jīng)網(wǎng)絡(luò)模型提出一種有桿抽油系統(tǒng)的智能故障診斷方法。根據(jù)卷積神經(jīng)網(wǎng)絡(luò)模型構(gòu)建分析模型對(duì)抽油機(jī)懸點(diǎn)示功圖進(jìn)行分類(lèi)，對(duì)抽油機(jī)運(yùn)行工況進(jìn)行自動(dòng)判斷。抽油設(shè)備運(yùn)行工況有多種類(lèi)型，不同工況具有各自的特征數(shù)據(jù)，因此設(shè)備工況可以被識(shí)別并區(qū)分。以大慶油田生產(chǎn)數(shù)據(jù)為例，應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)建立診斷模型進(jìn)行工況分析。

1 生產(chǎn)數(shù)據(jù)預(yù)處理

收集大慶油田故障診斷數(shù)據(jù)5 053 組，數(shù)據(jù)包含正常、上碰、下碰、嚴(yán)重供液不足、泵漏失、抽油桿斷脫、氣影響等共37 種類(lèi)型。根據(jù)數(shù)據(jù)類(lèi)型對(duì)生產(chǎn)數(shù)據(jù)進(jìn)行篩選，將同類(lèi)型生產(chǎn)數(shù)據(jù)不足10 組的類(lèi)型歸類(lèi)為其他，假設(shè)剩余數(shù)據(jù)類(lèi)型為實(shí)際生產(chǎn)中主要故障類(lèi)型，筆者主要考慮生產(chǎn)實(shí)際中主要工況共15 種。將存在缺陷的數(shù)據(jù)(如數(shù)據(jù)缺失、未解讀、明顯錯(cuò)誤等)進(jìn)行清洗后，有效數(shù)據(jù)共3 502 組分類(lèi)存放。根據(jù)生產(chǎn)數(shù)據(jù)繪制示功圖如圖1 所示。

圖 1 示功圖示例Fig. 1 Example of indicator diagram

2 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)是一類(lèi)包含卷積計(jì)算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，是深度學(xué)習(xí)的經(jīng)典算法之一。由于卷積神經(jīng)網(wǎng)絡(luò)仿造生物視知覺(jué)進(jìn)行構(gòu)建，其內(nèi)含的卷積層能夠以較小的計(jì)算量對(duì)圖片特征進(jìn)行描述，因此其具有穩(wěn)定的運(yùn)行效果且不需要進(jìn)行額外的特征工程［7］。卷積神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層構(gòu)成。以Le-Net 為例，數(shù)據(jù)經(jīng)篩選后進(jìn)入輸入層，由輸入層進(jìn)行預(yù)處理將所有數(shù)據(jù)轉(zhuǎn)化為統(tǒng)一格式。將預(yù)處理完成的圖片輸入卷積層、池化層進(jìn)行特征提取，經(jīng)由卷積層、池化層的計(jì)算分析將待分類(lèi)圖片轉(zhuǎn)化為特征圖，經(jīng)過(guò)全連接層進(jìn)行匹配，最終輸出目標(biāo)值［8］。卷積神經(jīng)網(wǎng)絡(luò)的輸入層可以依據(jù)結(jié)構(gòu)接收一維至四維數(shù)組，在學(xué)習(xí)數(shù)據(jù)輸入隱含層之前需對(duì)數(shù)據(jù)進(jìn)行歸一化，歸一化的數(shù)據(jù)可以提升算法準(zhǔn)確率以及運(yùn)行效率。

卷積神經(jīng)網(wǎng)絡(luò)算法隱含層由卷積層、池化層和全連接層3 種結(jié)構(gòu)構(gòu)成，在更復(fù)雜的算法中還包括Inception 模塊和殘差塊等結(jié)構(gòu)［9］。其中卷積層是對(duì)輸入數(shù)據(jù)進(jìn)行特征提取，以筆者使用的二維卷積為例可表示為［7］

式中，S為特征系數(shù)；矩陣X為輸入矩陣；矩陣W為卷積核；(i, j)為變量在特征矩陣中的位置；(m, n)為卷積核元素的位置。

卷積層內(nèi)部包含多個(gè)卷積核，類(lèi)似于前饋神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元。卷積層參數(shù)包括卷積核大小、步長(zhǎng)和填充，三者共同決定了卷積層輸出特征圖的尺寸，卷積層中包含激勵(lì)函數(shù)以協(xié)助表達(dá)復(fù)雜特征。池化層是在卷積層進(jìn)行特征提取后將特征圖進(jìn)行特征選擇與過(guò)濾。通過(guò)預(yù)先設(shè)定的池化函數(shù)將特征圖中單個(gè)點(diǎn)的結(jié)果替換為其相鄰區(qū)域特征圖統(tǒng)計(jì)量。以混合池化為例，其一般形式可表示為［10］

式中，s0為步長(zhǎng)；A為輸出值；f為池化層大小；p為可選系數(shù)，p=1時(shí)，A(i,j)的值記作L1(A)稱(chēng)均值池化；p=∞時(shí)，A(i,j)的 值記作L∞(A)稱(chēng)為極大池化；μ為運(yùn)行系數(shù)，取值由模型運(yùn)行情況決定；l為回層位置；k為技術(shù)通道位置；式(3)即為混合池化。

卷積神經(jīng)網(wǎng)絡(luò)的全連接層與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中的隱含層結(jié)構(gòu)相同，位于卷積神經(jīng)網(wǎng)絡(luò)的隱含層末端，將特征圖展開(kāi)為向量并經(jīng)過(guò)激活函數(shù)傳入下一層。全連接層對(duì)所提取特征進(jìn)行非線性組合，利用所提取的高階特征進(jìn)行學(xué)習(xí)。

3 基于Le-Net 的診斷模型的建立過(guò)程

根據(jù)卷積神經(jīng)網(wǎng)絡(luò)方法的原理，首先進(jìn)行數(shù)據(jù)預(yù)處理，再根據(jù)數(shù)據(jù)集大小、形態(tài)確定各層結(jié)構(gòu)，選擇激活函數(shù)，確定學(xué)習(xí)次數(shù)，進(jìn)而輸入數(shù)據(jù)集進(jìn)行訓(xùn)練。實(shí)現(xiàn)過(guò)程如圖2 所示。

圖 2 診斷模型建立過(guò)程Fig. 2 Establishment process of diagnosis model

3.1 學(xué)習(xí)數(shù)據(jù)預(yù)處理

將已初步分類(lèi)的示功圖存于同一文件夾，并為文件夾內(nèi)所有分類(lèi)分配索引，如表1 所示。

表 1 標(biāo)簽索引分配結(jié)果Table 1 Distribution result of label index

加載圖片后將圖片解碼為圖片張量，調(diào)整大小并進(jìn)行歸一化處理。隨機(jī)抽取20%作為測(cè)試集數(shù)據(jù)，剩余80%作為訓(xùn)練集。分割完成后將示功圖數(shù)據(jù)與標(biāo)簽打包得到訓(xùn)練用數(shù)據(jù)集。根據(jù)數(shù)據(jù)量將數(shù)據(jù)集進(jìn)行分割，確保隱含層有序讀入數(shù)據(jù)避免占用內(nèi)存過(guò)大，輸入數(shù)據(jù)集前充分打亂數(shù)據(jù)順序。

3.2 基于Le-Net 的卷積神經(jīng)網(wǎng)絡(luò)模型的建立

參照?qǐng)D2 結(jié)構(gòu)，建立深度為7 層的卷積神經(jīng)網(wǎng)絡(luò)。其中5 層為提取圖片特征的單層卷積神經(jīng)網(wǎng)絡(luò)，2 層全連接層將圖片特征與類(lèi)別標(biāo)簽對(duì)應(yīng)。該模型的輸入量格式為(192，192，3)的圖片，模型的輸出量為一維向量。

筆者使用TensorFlow 開(kāi)源機(jī)器學(xué)習(xí)平臺(tái)進(jìn)行基于Le-Net 模型的示功圖分類(lèi)識(shí)別實(shí)驗(yàn)，實(shí)驗(yàn)中使用的模型訓(xùn)練數(shù)據(jù)為含有15 類(lèi)共3 502 張圖片的有桿泵示功圖。為避免過(guò)擬合現(xiàn)象，采取減小訓(xùn)練次數(shù)的措施，訓(xùn)練模型100 次。卷積層激活函數(shù)選擇ReLU 函數(shù)以分散神經(jīng)活躍度、簡(jiǎn)化運(yùn)算過(guò)程降低運(yùn)算成本。全連接層激活函數(shù)使用ELU 函數(shù)，以加速學(xué)習(xí)速度，由于ELU 函數(shù)存在負(fù)值使其能夠像批標(biāo)準(zhǔn)化一樣使激活單元值接近于0，有利于梯度計(jì)算。函數(shù)圖像如圖3 所示，ReLU 函數(shù)和ELU函數(shù)表示為［11］

圖 3 激活函數(shù)圖像Fig. 3 Image of activation function

式中，x為神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)； α為ELU 函數(shù)參數(shù)取值自擬，α ＞0。

于全連接層中添加dropout 層，以避免過(guò)擬合現(xiàn)象。設(shè)置初始學(xué)習(xí)率為0.001，隨訓(xùn)練次數(shù)增加而縮小學(xué)習(xí)率，每30 次縮小為原學(xué)習(xí)的1/10，以避免陷入局部最優(yōu)。確定卷積神經(jīng)網(wǎng)絡(luò)各參數(shù)后，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。將訓(xùn)練集15 類(lèi)示功圖隨機(jī)打亂劃分為100 組輸入隱含層進(jìn)行訓(xùn)練，記錄每次訓(xùn)練過(guò)后訓(xùn)練集、驗(yàn)證集準(zhǔn)確率。根據(jù)驗(yàn)證集準(zhǔn)確率調(diào)整模型參數(shù)，最終得到收斂速度較快且準(zhǔn)確率較好的模型。

3.3 訓(xùn)練結(jié)果

訓(xùn)練結(jié)果得到分類(lèi)模型，訓(xùn)練集圖片分類(lèi)準(zhǔn)確率最高可達(dá)93.59%，輸出損失為0.219。訓(xùn)練過(guò)程如圖4 所示，可以看出，隨著模型訓(xùn)練次數(shù)增加，訓(xùn)練集與驗(yàn)證集準(zhǔn)確率不斷上升。準(zhǔn)確率隨訓(xùn)練次數(shù)增加呈穩(wěn)定上升趨勢(shì)并逐步趨于穩(wěn)定，在第90 次訓(xùn)練后準(zhǔn)確率不再明顯上升進(jìn)入穩(wěn)定區(qū)間，此時(shí)分類(lèi)模型準(zhǔn)確率達(dá)到峰值并保持在92%以上。驗(yàn)證集準(zhǔn)確率趨勢(shì)基本與訓(xùn)練集一致，準(zhǔn)確率穩(wěn)定于90%以上。訓(xùn)練結(jié)束后，使用測(cè)試集進(jìn)行測(cè)試準(zhǔn)確率可達(dá)92.53%，滿足油田生產(chǎn)的實(shí)際要求。

圖 4 訓(xùn)練集、驗(yàn)證集收斂曲線Fig. 4 Convergence curve of training set and verification set

3.4 實(shí)驗(yàn)結(jié)論與分析

通過(guò)查閱文獻(xiàn)，得到不同模型對(duì)示功圖識(shí)別的結(jié)果。段友祥［6］應(yīng)用簡(jiǎn)化Alexnet 模型實(shí)現(xiàn)了對(duì)故障功圖分類(lèi)，李鈺［12］基于Alexnet 模型進(jìn)行改進(jìn)得到示功圖識(shí)別模型。如表2 所示，其中包括收斂步數(shù)、測(cè)試集準(zhǔn)確率和分類(lèi)情況。

表 2 模型性能對(duì)比Table 2 Model performance comparison

在對(duì)于模型的測(cè)試中可知，VGGNet 識(shí)別模型的準(zhǔn)確率較高，但計(jì)算成本相較于Alexnet 模型更高、耗時(shí)更長(zhǎng)；Alexnet 模型能較好解決少分類(lèi)數(shù)問(wèn)題，但對(duì)于多分類(lèi)問(wèn)題準(zhǔn)確率明顯下降。由對(duì)比可知，較于先前模型，筆者所使用的基于Le-Net 識(shí)別模型收斂速度明顯高于傳統(tǒng)模型，同時(shí)使用ELU 函數(shù)作為激活函數(shù)以及dropout 層的設(shè)置，避免了過(guò)擬合現(xiàn)象。該模型能夠較好地處理多分類(lèi)問(wèn)題，能夠彌補(bǔ)數(shù)據(jù)不平衡的缺陷，基本滿足實(shí)際使用要求。同時(shí)筆者的驗(yàn)證集準(zhǔn)確率與測(cè)試集準(zhǔn)確率均處于較好水平，證明筆者建立模型具有良好的泛化性，可以應(yīng)對(duì)實(shí)際生產(chǎn)中不同工況。從收斂速度來(lái)看該模型計(jì)算成本較低，利于實(shí)際使用。

4 結(jié)論

(1)實(shí)驗(yàn)研究模型借鑒了Le-Net 模型思想，以簡(jiǎn)化結(jié)構(gòu)完成分類(lèi)任務(wù)。利用測(cè)試集數(shù)據(jù)對(duì)訓(xùn)練所得模型進(jìn)行檢驗(yàn)，結(jié)果基本符合預(yù)期。模型準(zhǔn)確率隨訓(xùn)練次數(shù)增加而穩(wěn)定上升，隨后維持于一定水平。從訓(xùn)練結(jié)果可以看出，模型具有良好的穩(wěn)定性，能夠針對(duì)現(xiàn)場(chǎng)多種的工況進(jìn)行分類(lèi)，隨著數(shù)據(jù)不斷收集，該模型可以進(jìn)一步完善。

(2)與其他分類(lèi)方法相比，筆者建立的基于Le-Net 的卷積神經(jīng)網(wǎng)絡(luò)模型能夠較好地完成多種類(lèi)(15 種)的示功圖分類(lèi)，準(zhǔn)確率基本符合使用要求，準(zhǔn)確率達(dá)到92%以上。簡(jiǎn)化模型訓(xùn)練時(shí)間縮短，并且計(jì)算成本相對(duì)較低，較實(shí)用。

(3)所建的卷積神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)效果滿足油田實(shí)際生產(chǎn)的要求，隨著數(shù)據(jù)收集、完善模型準(zhǔn)確率可進(jìn)一步提升。不同研究人員收集數(shù)據(jù)途徑、處理數(shù)據(jù)的方法不同，訓(xùn)練所得模型可能不同；卷積神經(jīng)網(wǎng)絡(luò)內(nèi)部結(jié)構(gòu)復(fù)雜，內(nèi)部參數(shù)的選擇不同可能出現(xiàn)差異。