一种基于多源数据融合的油气生产工况识别方法及系统与流程

摘要: 本发明涉及油气数据处理,尤其涉及一种基于多源数据融合的油气生产工况识别方法及系统。背景技术:1、油气生产是关乎能源安全与稳定供应的重要环节,作为油气田生产的核心...
一种基于多源数据融合的油气生产工况识别方法及系统与流程

本发明涉及油气数据处理,尤其涉及一种基于多源数据融合的油气生产工况识别方法及系统。

背景技术:

1、油气生产是关乎能源安全与稳定供应的重要环节,作为油气田生产的核心设备,抽油机长期处于连续、高负荷的复杂恶劣环境中运行,其运行状态直接关系到生产安全与效率,因此,及时、准确地识别抽油机的各类工作状态,特别是泵漏、结蜡、供液不足等异常工况,对于实现油气生产过程的智能化监控、预防非计划性停机、保障生产安全平稳运行具有至关重要的意义。

2、传统技术通常依赖单一类型的数据并结合简单的规则或阈值进行判断,其存在的缺陷在于,单一数据源信息维度有限,难以全面、准确地反映由机械、电气、热力及生产动态共同作用的复杂工况,容易因信息不全而导致误判或漏判,同时,简单规则或模型难以处理多源异构数据间的复杂非线性关系。

技术实现思路

1、本发明提供一种基于多源数据融合的油气生产工况识别方法、计算机可读存储介质,其主要目的在于提高油气生产工况识别的准确性,降低因信息维度单一导致的误识别风险。

2、为实现上述目的,本发明提供的一种基于多源数据融合的油气生产工况识别方法,包括:

3、接收油气工况识别指令,基于油气工况识别指令确定目标抽油机,根据目标抽油机识别融合数据源集,其中,融合数据源集包括:图像数据源、运行数据源及生产数据源;

4、根据融合数据源集对目标抽油机进行数据采集,得到目标多源特征数据集;

5、构建目标集成学习模型,其中,目标集成学习模型包括:随机森林、支持向量机、朴素贝叶斯及多层感知机;

6、确认出目标集成学习模型中的待学习超参数集,对待学习超参数集进行自动寻优,得到最优学习超参数集;

7、基于最优学习超参数集对目标集成学习模型进行更新,得到待训练集成学习模型;

8、对待训练集成学习模型进行训练,得到油气工况识别模型,利用目标多源特征数据集及油气工况识别模型进行当前油气工况识别,得到当前油气工况。

9、可选地,所述根据融合数据源集对目标抽油机进行数据采集,得到目标多源特征数据集,包括:

10、利用融合数据源集中的图像数据源对目标抽油机进行温度采集,得到当前抽油机温度图像;

11、对当前抽油机温度图像进行热分布特征提取,得到当前热分布特征;

12、根据运行数据源及生产数据源分别获取目标抽油机的当前生产数据及当前运行数据;

13、对当前生产数据及当前运行数据分别进行特征工程,得到当前生产特征及当前运行特征;

14、对当前热分布特征、当前生产特征及当前运行特征进行数据融合,得到目标多源特征数据集。

15、可选地,所述对当前抽油机温度图像进行热分布特征提取,得到当前热分布特征,包括:

16、对目标抽油机进行关键部件区域设定,得到多个目标热分布区域;

17、在多个目标热分布区域中依次提取目标热分布区域,对目标热分布区域进行roi模板构建,得到目标热分布模板;

18、汇总目标热分布模板,得到多个目标热分布模板;

19、利用多个目标热分布模板对当前抽油机温度图像进行温度区域划分,得到多个待提取热分布图像;

20、对多个待提取热分布图像中的每个待提取热分布图像均进行图像特征提取,得到多个局部热分布特征;

21、对多个局部热分布特征进行数据合并,得到当前热分布特征。

22、可选地,所述对待学习超参数集进行自动寻优,得到最优学习超参数集,包括:

23、根据目标集成学习模型搭建适应度传递模块,其中,所述适应度传递模块包括:超参数配置层、模型训练层、模型验证层及适应度输出层;

24、基于待学习超参数集生成候选超参数向量集,其中,候选超参数向量集包括多个候选超参数向量;

25、利用适应度传递模块对候选超参数向量集进行更新,得到更新超参数向量集;

26、将更新超参数向量集作为候选超参数向量集,并返回所述利用适应度传递模块对候选超参数向量集进行更新的步骤,直到接收预设的停止迭代指令;

27、将接收到停止迭代指令时的更新超参数向量集记为目标超参数向量集,基于目标超参数向量集确定最优学习超参数集。

28、可选地,所述利用适应度传递模块对候选超参数向量集进行更新,得到更新超参数向量集,包括:

29、将候选超参数向量集输入至适应度传递模块,得到候选向量适应度集,其中,候选向量适应度集包括多个候选向量适应度;

30、获取当前迭代次数及最大迭代次数;

31、确认出历史递减参数,基于当前迭代次数及最大迭代次数对历史递减参数进行动态更新,得到更新递减参数;

32、利用更新递减参数及候选向量适应度集进行超参数向量优化,得到更新超参数向量集。

33、可选地,所述将候选超参数向量集输入至适应度传递模块,得到候选向量适应度集,包括:

34、在候选超参数向量集中依次提取候选超参数向量,将所提取的候选超参数向量输入至适应度传递模块中的超参数配置层,得到待配置超参数向量;

35、基于超参数配置层将待配置超参数向量配置给目标集成学习模型,得到配置集成学习模型;

36、利用模型训练层对配置集成学习模型进行训练,得到训练集成学习模型,其中,模型训练层包含训练数据子集;

37、利用模型验证层对训练集成学习模型进行性能验证,得到模型估计准确值集,其中,模型估计准确值集包括多个模型估计准确值;

38、将模型估计准确值集传递至适应度输出层,得到候选向量适应度;

39、汇总每个候选超参数向量对应的候选向量适应度,得到候选向量适应度集。

40、可选地,所述利用更新递减参数及候选向量适应度集进行超参数向量优化,得到更新超参数向量集,包括:

41、对候选向量适应度集中的每个候选向量适应度均执行如下操作:

42、确定候选向量适应度对应的待控制超参数向量;

43、若更新递减参数不大于预设的数值1,则根据候选向量适应度及预设的历史最优向量适应度确定当前最优超参数向量;

44、基于当前最优超参数向量及预设的当前最优种群向量进行局部搜索,得到局部超参数向量;

45、若更新递减参数大于数值1,则根据候选向量适应度对待控制超参数向量进行全局搜索,得到全局超参数向量;

46、将全局超参数向量或局部超参数向量记为更新超参数向量;

47、汇总每个候选向量适应度对应的更新超参数向量,得到更新超参数向量集。

48、可选地,所述根据候选向量适应度对待控制超参数向量进行全局搜索,得到全局超参数向量,包括:

49、基于预设的正向探索公式及候选向量适应度对待控制超参数向量进行正向搜索,得到正向超参数向量;

50、根据所述当前迭代次数及最大迭代次数计算更新比例因子,确定优化上边界向量及优化下边界向量;

51、基于更新比例因子、优化上边界向量及优化下边界向量对待控制超参数向量进行反向学习,得到反向超参数向量;

52、在正向超参数向量及反向超参数向量中选取全局超参数向量。

53、可选地,所述基于更新比例因子、优化上边界向量及优化下边界向量对待控制超参数向量进行反向学习,得到反向超参数向量,包括:

54、利用如下公式计算反向超参数向量:

55、

56、其中,表示反向超参数向量,表示优化上边界向量,表示优化下边界向量,表示更新比例因子,表示待控制超参数向量。

57、为实现上述目的,本发明还提供一种基于多源数据融合的油气生产工况识别系统,包括:

58、识别指令接收模块,用于接收油气工况识别指令,基于油气工况识别指令确定目标抽油机,根据目标抽油机识别融合数据源集,其中,融合数据源集包括:图像数据源、运行数据源及生产数据源;

59、集成模型搭建模块,用于根据融合数据源集对目标抽油机进行数据采集,得到目标多源特征数据集,构建目标集成学习模型,其中,目标集成学习模型包括:随机森林、支持向量机、朴素贝叶斯及多层感知机;

60、学习参数计算模块,用于确认出目标集成学习模型中的待学习超参数集,对待学习超参数集进行自动寻优,得到最优学习超参数集,基于最优学习超参数集对目标集成学习模型进行更新,得到待训练集成学习模型;

61、油气工况识别模块,用于对待训练集成学习模型进行训练,得到油气工况识别模型,利用目标多源特征数据集及油气工况识别模型进行当前油气工况识别,得到当前油气工况。

62、为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:

63、存储器,存储至少一个指令;

64、处理器,执行所述存储器中存储的指令以实现上述所述的基于多源数据融合的油气生产工况识别方法。

65、为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于多源数据融合的油气生产工况识别方法。

66、本发明为解决背景技术所述问题,首先接收油气工况识别指令,基于油气工况识别指令确定目标抽油机,根据目标抽油机识别融合数据源集,此步骤通过融合图像、运行与生产三类异构数据,构建了从设备表面温度、内部状态到产出效能的多维度观察体系,相比现有技术中常依赖单一类型数据,能为复杂工况识别提供更全面互补的信息基础,进一步的,根据融合数据源集对目标抽油机进行数据采集,得到目标多源特征数据集,此步骤对红外图像通过预设关键部件roi模板提取局部热分布特征,并对时序数据进行特征工程,这种针对性的精细化特征构建方法,比直接使用原始数据更能有效表示故障模式,提升了输入特征的质量,接着构建目标集成学习模型,此步骤集成原理各异的多种基学习器,利用其不同归纳偏差从多角度学习复杂特征,再通过融合层整合决策,相比单一模型,在面对非线性、高维数据时具有更好的稳定性,对待学习超参数集进行自动寻优,得到最优学习超参数集,此步骤采用改进的沙猫群优化算法,通过动态更新递减参数优化了搜索节奏,并结合透镜成像原理设计正向与反向双重搜索机制,增强了跳出局部最优的能力,使得超参数寻优过程更高效和全面,最后对待训练集成学习模型进行训练,得到油气工况识别模型,利用目标多源特征数据集及油气工况识别模型进行当前油气工况识别,得到当前油气工况,此步骤综合了多种模型的判断,能够实现对泵漏、结蜡等多种工况的自动化识别,结果比依赖人工经验或单一指标的传统方法更为客观和可靠。因此,本发明可提高油气生产工况识别的准确性,降低因信息维度单一导致的误识别风险。