魏航信，張 青

（西安石油大學機械工程學院，西安 710065）

0 引言

基于抽油機示功圖的工況識別是石油生產(chǎn)中的一個重要問題，特別是在智慧油田。傳統(tǒng)的方法是基于BP神經(jīng)網(wǎng)絡(luò)，RBF神經(jīng)網(wǎng)絡(luò)[1-2]，支持向量機（SVM）[3]或電功圖[4-5]，這些方法正確率低。

近年來，深度學習算法在圖像識別、故障診斷[6]等方面得到了廣泛的應(yīng)用。卷積神經(jīng)網(wǎng)絡(luò)（CNN）已經(jīng)成為一個強大的、通用的深度學習模型[7-9]。許多研究者對CNN的結(jié)構(gòu)及其在圖像分類識別中的應(yīng)用進行了成功的研究。Verma A[10]提出了一種壓縮卷積神經(jīng)網(wǎng)絡(luò)模型，即CNDS，該模型尺寸小，速度快。Pathak A R[11]研究了深度學習在計算機視覺領(lǐng)域的應(yīng)用，如圖像分類、模式識別。A Kolsch[12]對卷積神經(jīng)網(wǎng)絡(luò)進行了改進，提出了用于文檔圖像分類實時訓練和測試的極限學習機，可以減少訓練次數(shù)，提高識別精度。

由于抽油機示功圖用圖形表示，因此可以采用深度學習算法進行識別。與傳統(tǒng)方法相比，深度學習可以自動識別圖像特征，不需要計算特征參數(shù)。因此，深度神經(jīng)網(wǎng)絡(luò)方法尤其適用于示功圖圖像識別[13-14]。

目前常用的文本識別系統(tǒng)是LeNet-5和Alexnet。但是Alexnet有很多參數(shù)，卷積核需要傳回，訓練時間長[15]。MNIST數(shù)據(jù)集的LeNet-5分類準確率可達99.2%。然而，示功圖比文本圖像復雜。此外，LeNet-5分類的每個類別都是單獨的，即LeNet-5網(wǎng)絡(luò)對于一個輸入圖像只能輸出一種類型的模式（工作條件）。但抽油機的一張示功圖可能代表兩類。因此，LeNet-5不能直接用于示功圖識別。

由于神經(jīng)網(wǎng)絡(luò)參數(shù)的選擇需要經(jīng)驗和實驗，并且神經(jīng)網(wǎng)絡(luò)的參數(shù)也不是最優(yōu)的。因此，需要一種最優(yōu)方法來確定神經(jīng)網(wǎng)絡(luò)的參數(shù)。本文采用粒子群優(yōu)化（PSO）算法[16-17]。

為此，本文設(shè)計了一種改進的神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)有3個卷積子層和3個池化子層。每個卷積的初始化特征映射數(shù)分別為10、10、10。初始化時，每個池化子層的特征映射數(shù)也分別為10、10和10。然后用PSO對參數(shù)進行優(yōu)化。在CNN識別出輸入示功圖的特征變量后，全連接神經(jīng)網(wǎng)絡(luò)可以將其分類為12種類型。

1 示功圖種類

根據(jù)延長油田等特低滲透油田油井工況，常見的工況有12種，如圖1所示。

圖1 常見的抽油機工況對應(yīng)的示功圖

2 深度學習算法

2.1 改進的深度學習神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

使用現(xiàn)場采集的示功圖一般為.txt文件，分為兩列，第一列為懸點位移，第二列為懸點載荷。為了進行示功圖可視化診斷，首先將示功圖數(shù)據(jù)繪制成圖形，然后將其輸入神經(jīng)網(wǎng)絡(luò)。

根據(jù)示功圖診斷特點，建立了示功圖識別神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，如圖2所示。網(wǎng)絡(luò)有9層，該網(wǎng)絡(luò)的輸入信號為示功圖，像素大小為68×68，輸出信號是油井的工況。卷積層為C1、C3、C5，池化層為S2、S4、S6。第一層C1有d1個特征圖，卷積核為5×5，C1的輸出是64×64；第二層S2有d1個特征圖，輸出為32×32；第三層C3有d2個特征圖，卷積核為5×5，C3的輸出是28×28；第四層S4有d2個特征圖，輸出為14×14；第五層C5有d3個特征圖，卷積核為5×5，C5輸出是10×10；第六層S6有d3個特征圖，輸出為5×5。F7、F8、F9為全連接層，F(xiàn)7、F8分別有10個節(jié)點，F(xiàn)9分別有12個節(jié)點。最后一層F9是分類層，其為一種分類器，可以將輸入的示功圖分成1或者2類。

圖2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

2.2 CNN網(wǎng)絡(luò)結(jié)構(gòu)算法

輸入層C1、C3、C5的輸出如下：

C1層之后是ReLU激活函數(shù)。ReLU對輸入的每個元素執(zhí)行閾值操作，其中任何小于0的值都被設(shè)為0。

式中：i=1,3,5；對于C1，j=1,2,…,d1；對于C3，j=1,2,…,d2；對于C5，j=1,2,…,d3；O為每個卷積神經(jīng)網(wǎng)絡(luò)的輸出，b為網(wǎng)絡(luò)的偏置，a和m為中間變量，ReLU為激活函數(shù)。

對于池化層，輸出可以寫成：

式中：i=2，4，6；對于S2，j=1,2,…,d1；對于S4，j=1,2,…,d2；對于S6，j=1,2,…,d3；O為每個池化層的輸出；gij為特征圖的增益參數(shù)；Ni為特征的子采樣率。

全連接神經(jīng)網(wǎng)絡(luò)F7和F8如下：

激活函數(shù)為：

式中：yi為第9層網(wǎng)絡(luò)的輸出，1＞yi＞0且

輸出層F9是一個分類器，與傳統(tǒng)分類器不同，該層輸出的故障類型不是排它性的單一故障種類。

2.3 神經(jīng)網(wǎng)絡(luò)PSO優(yōu)化

深度學習神經(jīng)網(wǎng)絡(luò)的層數(shù)和節(jié)點數(shù)對其性能有很大的影響。網(wǎng)絡(luò)中節(jié)點過多會減慢學習速度，而節(jié)點過少則會降低訓練精度。因此，有必要選擇合理數(shù)量的神經(jīng)網(wǎng)絡(luò)節(jié)點和層數(shù)[18]。對于所建立的深度學習神經(jīng)網(wǎng)絡(luò)模型，采用粒子群優(yōu)化學習算法對深度學習神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)進行優(yōu)化[19]。通過優(yōu)化節(jié)點數(shù)、網(wǎng)絡(luò)層數(shù)和學習速率，可提高深度學習神經(jīng)網(wǎng)絡(luò)的訓練精度，縮短訓練時間。

PSO優(yōu)化深度學習神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。包括數(shù)據(jù)獲取、神經(jīng)網(wǎng)絡(luò)模型訓練與優(yōu)化和神經(jīng)網(wǎng)絡(luò)模型測試3個模塊。在數(shù)據(jù)獲取模塊中，將示功圖數(shù)據(jù)轉(zhuǎn)換為標準圖像；在模型訓練優(yōu)化模塊中，采用PSO算法對深度學習神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)進行優(yōu)化；在模型測試模塊中，對訓練好的神經(jīng)網(wǎng)絡(luò)進行測試，以驗證其故障診斷的正確性。具體步驟如下。

圖3 PSO優(yōu)化后的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

（1）采集示功圖信號。數(shù)據(jù)的格式為文本文件，有兩列。第一列數(shù)據(jù)為荷載（kN），第二列數(shù)據(jù)為懸點位移（m）。

（2）將示功圖的文本文件轉(zhuǎn)化為標準圖像，具體過程見3.1節(jié)。

（3）初始化卷積神經(jīng)網(wǎng)絡(luò)和全連接網(wǎng)絡(luò)的參數(shù)。CNN的初始層數(shù)為3，學習速率為0.000 5。

（4）利用粒子群算法搜索每個參數(shù)的局部最優(yōu)位和全局最優(yōu)位置，然后對其進行修正。公式如下：

（5）更新神經(jīng)網(wǎng)絡(luò)的權(quán)值后，用一組測試樣本計算神經(jīng)網(wǎng)絡(luò)的準確率。如果精度不是最高，則返回步驟（4），否則返回步驟（6）。

（6）將PSO優(yōu)化后的參數(shù)引入深度學習神經(jīng)網(wǎng)絡(luò)，對示功圖進行診斷。

3 示功圖識別

3.1 神經(jīng)網(wǎng)絡(luò)的實驗環(huán)境及部分參數(shù)

示功圖的故障診斷是在電腦上進行的，其中計算機硬件為：CPUAMDFX（tm）3.80 GHz，內(nèi)存單元8 GHz，軟件為Matlab R2018a。

在延長油田采集了12種示功圖2 000張。將每個圖像都根據(jù)經(jīng)驗進行標記，然后將1 400幅圖像作為訓練樣本，600幅圖像作為測試樣本。

從油田采集的示功圖數(shù)據(jù)為文本文件，然而輸入的訓練數(shù)據(jù)是一個示功圖，像素為68×68，因此，需要將文本文件轉(zhuǎn)換為標準圖像。流程如圖4所示，具體如下。

圖4 訓練樣本的制作

（1）用Matlab將所采集到的數(shù)據(jù)繪制成示功圖，如圖4（a）所示；

（2）刪除示功圖周圍的空間，使圖最大化，如圖4（b）所示；

（3）將圖形保存為圖像（.jpg）；

（4）在Matlab中重新加載圖像，壓縮到68×68，并將該彩色圖像變成灰色圖像，然后把它保存到一個變量中，將矩陣歸一化，如圖4（c）所示；

（5）矩陣可以作為神經(jīng)網(wǎng)絡(luò)的訓練樣本，示功圖的訓練圖像如圖4（d）所示。

3.2 神經(jīng)網(wǎng)絡(luò)訓練

由于示功圖有12個類別，神經(jīng)網(wǎng)絡(luò)的輸出層可以分12類。例如，如果神經(jīng)網(wǎng)絡(luò)將示功圖診斷為第5類，則第5個元素為1，其他元素均為0。需注意，一張示功圖可能包含兩種工況，因此本文的神經(jīng)網(wǎng)絡(luò)可以對同一訓練樣本的示功圖進行兩種故障類型的分類。例如，一個示功圖在有類型4和類型5兩種故障類型，則訓練標簽為[0 0 0 1 1 0 0 0 0 0 0 0]。

以神經(jīng)網(wǎng)絡(luò)訓練時迭代次數(shù)最少為優(yōu)化目標，用PSO算法對神經(jīng)網(wǎng)絡(luò)節(jié)點數(shù)進行優(yōu)化，優(yōu)化過程如圖5所示，優(yōu)化了3個卷積層的節(jié)點數(shù)，圖中顯示了其中2個卷積層節(jié)點數(shù)。最少的訓練迭代次數(shù)為109。經(jīng)過PSO優(yōu)化后神經(jīng)網(wǎng)絡(luò)節(jié)點數(shù)：卷積層節(jié)點數(shù)分別為20、16、16，其維數(shù)為64×64×20、28×28×16、10×10×16，池化層節(jié)點數(shù)分別為20、16、16，其維數(shù)為32×32×20、14×14×16、5×5×16。

圖5 神經(jīng)網(wǎng)絡(luò)節(jié)點數(shù)及PSO優(yōu)化過程

對PSO優(yōu)化后的神經(jīng)網(wǎng)絡(luò)模型進行訓練，此時模型在訓練集上的準確率達到了99.4%，在測試集上的識別精度為94%，如圖6所示。

圖6 PSO優(yōu)化后的神經(jīng)網(wǎng)絡(luò)訓練過程

為了比較本文提出的模型的性能，將AlexNet、CNN、PSO優(yōu)化后的CNN網(wǎng)絡(luò)結(jié)構(gòu)性能進行比較，結(jié)果如圖7所示，可以看到經(jīng)過PSO優(yōu)化后的CNN在快速收斂的同時，其預測精度高于其他模型；此外由于樣本數(shù)據(jù)規(guī)模較小，所以CNN網(wǎng)絡(luò)模型存在欠擬合；相較于PSO優(yōu)化后的CNN模型，AlexNet在訓練收斂速度以及結(jié)果預測精度均有一定的差距。

圖7 不同網(wǎng)絡(luò)性能比較

3.3 神經(jīng)網(wǎng)絡(luò)對示功圖的識別結(jié)果

利用測試樣本對神經(jīng)網(wǎng)絡(luò)進行測試，以兩張示功圖為例，如圖8所示。第一個示功圖屬于第2類工況。通過對圖像的識別，神經(jīng)網(wǎng)絡(luò)輸出為[0 0.902 0.011 0 0 0 0 0.217 0 0 0 0]。所以可以確定其應(yīng)該是第2類（供液不足）。對于第2個示功圖，屬于第4類和第5類工況。這個示功圖有兩類故障類型，神經(jīng)網(wǎng)絡(luò)的輸出為[0 0 0.002 0.807 0.901 0.001 0 0 0 0 0 0]?？梢钥吹?，第4個元素是0.807，第5個元素是0.901。結(jié)果表明，該神經(jīng)網(wǎng)絡(luò)可以識別兩種故障類型。

圖8 示功圖診斷

通過多次訓練，識別結(jié)果如表1所示，由表可知，平均識別正確率為94%，對示功圖的平均識別時間為0.021 s。從而驗證了本文所提出的神經(jīng)網(wǎng)絡(luò)的可靠性和準確性。

表1 訓練和測試神經(jīng)網(wǎng)絡(luò)精確度

4 結(jié)束語

本文研究了一種基于深度學習的油井工況識別方法。設(shè)計了改進的深度學習神經(jīng)網(wǎng)絡(luò)，包括CNN和全連接網(wǎng)絡(luò)?；谏疃葘W習的神經(jīng)網(wǎng)絡(luò)訓練包括前饋傳遞和反向傳播傳遞。在前饋傳遞過程中，將示功圖輸入神經(jīng)網(wǎng)絡(luò)，計算期望輸出與實際輸出之間的誤差。在反向傳播通過過程中，根據(jù)誤差和學習速率對權(quán)值和偏差值進行修正。采用PSO對深度學習神經(jīng)網(wǎng)絡(luò)進行優(yōu)化。利用2 000張示功圖模擬神經(jīng)網(wǎng)絡(luò)的訓練過程和測試過程。對示功圖的平均識別時間為0.021s，訓練精度為99.4%，識別精度為94%，驗證了該神經(jīng)網(wǎng)絡(luò)的可靠性和準確性。