基于视觉语义与运动特征融合的油田抽油机状态检测方法、装置、设备及介质
本发明涉及油田设备状态监测领域,特别涉及基于视觉语义与运动特征融合的油田抽油机状态检测方法、装置、设备及介质。
背景技术:
1、抽油机作为有杆采油系统的核心设备,其运行状态直接影响油井效率、设备寿命与生产安全。长期运行中,皮带松弛、连杆磨损、平衡失调、驴头异常及结构损坏等故障频发,若未及时处理,将导致效率下降、停机甚至安全事故,故实时精准的状态监测与故障识别对油田连续稳定生产至关重要。当前油田现场主要依赖传感器检测和示功图分析:前者可获取振动、位移、电流等参数,但需额外安装设备,成本高、维护复杂且易受环境影响;后者侧重反映载荷变化,对机械结构故障及外观异常的识别能力有限。
2、近年来,基于计算机视觉和深度学习的视频智能检测技术兴起,通过目标检测、图像分类或行为识别分析运行视频,但油田现场光照剧烈变化、天气多样、设备型号差异及摄像机安装位置不统一等问题造成显著的数据分布差异,使模型难以跨场景泛化;同时,低频故障导致样本不足,制约训练效果与检测精度。现有视觉方案多侧重于静态外观或单一运动信息,前者难以捕捉周期往复运动中的动态规律,后者则不易识别关键部件外观与结构异常,面对轻微故障、复合故障或早期异常时,误检漏检频发。此外,部署后模型缺乏持续学习能力,无法利用新增现场数据迭代优化,长期适应性与准确性逐渐下降。
3、综上所述,如何有效融合抽油机运行过程中的视觉语义信息和运动特征信息,提高复杂油田场景下运行状态检测的准确性是目前亟待解决的问题。
技术实现思路
1、有鉴于此,本发明的目的在于提供基于视觉语义与运动特征融合的油田抽油机状态检测方法、装置、设备及介质,能够有效融合抽油机运行过程中的视觉语义信息和运动特征信息,提高复杂油田场景下运行状态检测的准确性。其具体方案如下:
2、第一方面,本技术提供了一种基于视觉语义与运动特征融合的油田抽油机状态检测方法,包括:
3、获取油田抽油机的运行视频以构建现场视觉样本集,并从所述现场视觉样本集中提取样本分布特征;
4、对所述现场视觉样本集进行领域特征适配,并建立正常运行周期先验,以获得视觉语义特征及周期运动特征;
5、融合所述视觉语义特征及所述周期运动特征,生成相应的运行状态检测结果;
6、根据所述样本分布特征生成稀有故障增强样本,并利用所述稀有故障增强样本更新领域适配参数,得到更新后的目标领域适配参数;
7、基于更新后的所述目标领域适配参数完成边缘部署,并结合新增现场样本输出边缘推理结果;
8、根据所述边缘推理结果进行运行状态可视化及分级预警。
9、可选的,所述从所述现场视觉样本集中提取样本分布特征,包括:
10、对所述现场视觉样本集中的各类工况样本进行数量统计,确定各类工况样本占全部样本总量的比例,以获得工况类别比例描述子;
11、将所述现场视觉样本集映射至预设特征空间,对所述现场视觉样本集中的各样本进行无监督聚类,获得若干特征簇;
12、确定各个所述特征簇的聚类分布参数;所述聚类分布参数包括簇内密度及簇间间距;
13、对所述工况类别比例描述子与所述聚类分布参数进行融合表征,生成样本分布特征。
14、可选的,所述建立正常运行周期先验,包括:
15、从所述现场视觉样本集,满足连续运行周期正常工况条件的视频片段中,提取各所述运行周期对应的驴头位移轨迹曲线;
16、对所述驴头位移轨迹曲线进行周期对齐与融合,生成周期参考模板;
17、根据所述周期参考模板确定相位标定点;其中,所述相位标定点包括上死点和下死点的相位标定点;
18、基于所述相位标定点划分上行阶段和下行阶段,并生成所述上行阶段和下行阶段的位移变化速率的正常波动范围;
19、融合所述周期参考模板、预设周期性参数、所述相位标定点及所述正常波动范围,建立正常运行周期先验。
20、可选的,所述获得视觉语义特征,包括:
21、基于领域适配参数调整轻量化检测网络,并利用多尺度特征金字塔对所述现场视觉样本集的图像中的关键部件进行定位与类别识别,获得各关键部件的位置框信息及类别标签;
22、根据各所述关键部件的所述位置框信息生成区域注意力权重图,并基于所述区域注意力权重图对各个区域进行加权池化,获得各所述关键部件的局部卷积特征;
23、将各关所述键部件的所述类别标签进行嵌入编码,并与对应的所述局部卷积特征进行融合,生成各关键部件特征向量;
24、基于预设顺序对各所述关键部件特征向量进行组合,获得表征所述关键部件的外观状态及相对位置关系的视觉语义特征。
25、可选的,获得周期运动特征,包括:
26、针对连续多个运行周期对应的视频帧序列提取驴头所在区域逐帧之间的密集光流场,并生成对应的运动轨迹序列;
27、根据所述运动轨迹序列识别驴头位移达到预设局部最大值条件和预设局部最小值条件对应的时刻,以确定上死点时刻和下死点时刻,根据所述上死点时刻和下死点时刻,将所述运动轨迹序列划分为各所述运行周期对应的上行阶段轨迹段和下行阶段轨迹段;
28、将所述上行阶段轨迹段和下行阶段轨迹段,分别与正常运行周期先验中的周期参考模板对应阶段进行比对,获得各阶段轨迹段对应的轨迹偏差量;
29、对所述运动轨迹序列进行傅里叶变换,以提取运动频域特征;所述运动频域特征包括主频幅值、主频相位及谐波分量幅值;
30、融合所述轨迹偏差量与所述运动频域特征,生成周期运动特征。
31、可选的,所述融合所述视觉语义特征及所述周期运动特征,生成相应的运行状态检测结果,包括:
32、根据所述视觉语义特征和所述周期运动特征分别确定对应分支的判别置信度,以获得双分支置信度信息;
33、根据所述双分支置信度信息动态调整所述视觉语义特征的分支与所述周期运动特征的分支的特征权重,获得融合权重参数;
34、基于所述融合权重参数构建跨注意力融合过程,以所述视觉语义特征作为查询向量,以所述周期运动特征作为键向量和值向量,并确定注意力权重系数,生成融合中间特征;
35、将所述融合中间特征与所述视觉语义特征进行残差融合,获得融合特征;
36、根据所述融合特征进行分类判别,得到运行状态检测结果。
37、可选的,所述根据所述样本分布特征生成稀有故障增强样本,包括:
38、建立故障特征先验库,以生成各故障类别对应的故障特征先验;
39、根据所述样本分布特征确定故障类别,并结合所述故障类别对应的预设故障类别标签、所述聚类分布参数及对应的所述故障特征先验生成条件输入;
40、根据所述故障类别确定对应的生成约束;其中,所述故障类别包括外观类故障与运动类故障,所述外观类故障采用周期一致性约束,所述运动类故障采用运动连续性约束;
41、基于所述条件输入和所述生成约束训练生成网络,以生成稀有故障视觉样本;
42、将所述稀有故障视觉样本补充至所述现场视觉样本集,得到稀有故障增强样本。
43、可选的,所述利用所述稀有故障增强样本更新领域适配参数,包括:
44、按照预设比例融合所述现场视觉样本集中的真实样本与所述稀有故障增强样本,生成混合训练批次;
45、根据所述混合训练批次中各样本类型配置初始学习率权重,生成样本学习率配置;
46、根据训练迭代轮次动态调整所述样本学习率配置,生成动态学习率策略;
47、基于所述动态学习率策略对预设领域适配网络进行迭代训练,确定更新后网络参数,将所述更新后网络参数确定为目标领域适配参数。
48、可选的,所述基于更新后的所述目标领域适配参数完成边缘部署,并结合新增现场样本输出边缘推理结果,包括:
49、基于所述目标领域适配参数构建检测模型,并对所述检测模型执行通道剪枝处理,获得剪枝模型;
50、对所述剪枝模型执行权重量化处理,获得量化模型;
51、将所述量化模型转换为适配边缘计算单元运算架构的推理模型;
52、将所述推理模型部署至所述油田抽油机的边缘计算单元,形成边缘推理模型;
53、基于所述边缘推理模型对新增现场样本执行视觉语义特征提取、周期运动特征提取及融合判别,输出边缘推理结果。
54、可选的,所述根据所述边缘推理结果进行运行状态可视化及分级预警,包括:
55、根据所述边缘推理结果获取所述油田抽油机各所述关键部件的位置框信息、驴头运动轨迹、运行状态类别及对应的目标置信度;
56、基于所述位置框信息、驴头运动轨迹、运行状态类别及目标置信度生成运行状态可视化展示画面;
57、根据所述运行状态类别、所述目标置信度以及相对于所述正常运行周期先验的偏离程度进行预警等级判定,生成运行状态预警结果;
58、根据所述运行状态预警结果执行分级可视化,生成对应预警等级的显示结果。
59、第二方面,本技术提供了一种基于视觉语义与运动特征融合的油田抽油机状态检测装置,包括:
60、特征提取模块,用于获取油田抽油机的运行视频以构建现场视觉样本集,并从所述现场视觉样本集中提取样本分布特征;
61、特征获取模块,用于对所述现场视觉样本集进行领域特征适配,并建立正常运行周期先验,以获得视觉语义特征及周期运动特征;
62、结果生成模块,用于融合所述视觉语义特征及所述周期运动特征,生成相应的运行状态检测结果;
63、参数更新模块,用于根据所述样本分布特征生成稀有故障增强样本,并利用所述稀有故障增强样本更新领域适配参数,得到更新后的目标领域适配参数;
64、结果输出模块,用于基于更新后的所述目标领域适配参数完成边缘部署,并结合新增现场样本输出边缘推理结果;
65、结果可视化与预警模块,用于根据所述边缘推理结果进行运行状态可视化及分级预警。
66、第三方面,本技术提供了一种电子设备,包括:
67、存储器,用于保存计算机程序;
68、处理器,用于执行所述计算机程序,以实现如前述的基于视觉语义与运动特征融合的油田抽油机状态检测方法。
69、第四方面,本技术提供了一种计算机可读存储介质,用于保存计算机程序;其中,所述计算机程序被处理器执行时实现如前述的基于视觉语义与运动特征融合的油田抽油机状态检测方法。
70、综上可知,本技术获取油田抽油机的运行视频以构建现场视觉样本集,并从所述现场视觉样本集中提取样本分布特征;对所述现场视觉样本集进行领域特征适配,并建立正常运行周期先验,以获得视觉语义特征及周期运动特征;融合所述视觉语义特征及所述周期运动特征,生成相应的运行状态检测结果;根据所述样本分布特征生成稀有故障增强样本,并利用所述稀有故障增强样本更新领域适配参数,得到更新后的目标领域适配参数;基于更新后的所述目标领域适配参数完成边缘部署,并结合新增现场样本输出边缘推理结果;根据所述边缘推理结果进行运行状态可视化及分级预警。由上可知,本技术先通过采集现场运行视频构建视觉样本集,并从中提取样本分布特征,为后续分析提供数据基础。在此基础上,对样本集进行领域特征适配以消除场景差异,同时建立正常运行周期的先验知识,从而分别获取视觉语义特征和周期运动特征,并将两类特征融合,生成当前运行状态的检测结果。针对稀有故障样本不足的问题,利用已提取的样本分布特征生成增强样本,并据此更新领域适配参数,使模型能更有效地应对不平衡数据。完成参数更新后,将模型部署至边缘端,结合新增现场样本输出实时推理结果,进而实现运行状态的可视化展示和分级预警。这样一来,本技术通过融合抽油机关键部件的视觉语义信息与周期运动特征,并结合领域自适应、稀有故障增强及边缘增量学习机制,实现复杂油田环境下抽油机运行状态和故障的高精度、强泛化、实时智能检测与分级预警。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com