【ZiDongHua 之智能自動化收錄關(guān)鍵詞： 沈陽自動化所 深度學(xué)習(xí) 機器人】
　　
　　沈陽自動化所提出油井工況識別深度學(xué)習(xí)方法
　　
　　基于四維時頻特征矩陣的油井工況識別深度學(xué)習(xí)方法
　　
　　油井工況的實時精準診斷對于快速掌握油田作業(yè)情況、提高生產(chǎn)效率、保障生產(chǎn)安全具有重要意義，然而由于油井自身結(jié)構(gòu)的復(fù)雜性和生產(chǎn)環(huán)境的多變性，油井工況時刻發(fā)生變化。利用深度學(xué)習(xí)對油井功圖進行分類是一種有效的油井工況識別方法，但直接將油井功圖作為二維圖像輸入到深度學(xué)習(xí)框架中，會存在模型參數(shù)多、計算量大的問題。此外，抽油系統(tǒng)因不同因素產(chǎn)生的功圖也不盡相同，導(dǎo)致油田現(xiàn)場數(shù)據(jù)存在嚴重異質(zhì)性，極大地影響工況識別的準確性。
　　
　　針對上述問題，中國科學(xué)院沈陽自動化研究所科研團隊提出了一種基于四維時頻特征矩陣的油井工況識別深度學(xué)習(xí)方法，實現(xiàn)了在供液不足、閥漏失、氣體影響等多種工況下的實時精準識別。該研究成果以Working condition recognition of sucker rod pumping system based on 4-segment time-frequency signature matrix and deep learning為題，發(fā)表在中國科學(xué)院1區(qū)TOP期刊《石油科學(xué)》（Petroleum Science）。
　　
　　科研團隊建立了油井功圖四維時頻特征矩陣，可實現(xiàn)多個功圖數(shù)據(jù)的特征融合；針對模型參數(shù)多、計算量大、識別精度低問題，設(shè)計了一種輕量化的深度卷積神經(jīng)網(wǎng)絡(luò)，可實現(xiàn)功圖特征矩陣到油井工況的智能映射。
　　
　　科研人員利用油田現(xiàn)場實測功圖數(shù)據(jù)，對算法有效性進行了驗證。實驗結(jié)果表明，提出的油井工況識別方法可將工況識別精度提高到98%以上，助力提升油井生產(chǎn)運行的穩(wěn)定性和安全性。
　　
　　該研究得到了國家自然科學(xué)基金項目，機器人學(xué)國家重點實驗室和遼寧遼河實驗室項目等的支持。