(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110927362.5 (22)申请日 2021.08.10 (65)同一申请的已公布的文献号 申请公布号 CN 113486599 A (43)申请公布日 2021.10.08 (73)专利权人 南京富岛油气智控科技有限公司 地址 210032 江苏省南京市江北新区桐雨 路6号2号楼 2层A座 (72)发明人 陈夕松　夏峰　钱帅康　姜磊　 梅彬　 (74)专利代理 机构 南京天华专利代理有限责任 公司 32218 专利代理师 刘畅　夏平 (51)Int.Cl. G06F 30/27(2020.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 50/02(2012.01) 审查员 俞姝颖 (54)发明名称 一种抽油机有效冲程的计算方法 (57)摘要 本发明公开了一种抽油机有效冲程的计算 方法， 首先获取油井现场采集到的抽油机示功图 历史数据， 并对其进行异常数据过滤； 然后将有 效工况数据归一化并绘制为闭合的示功图图像； 接着为示功 图数据集标定与有效冲程相关的四 个凡尔开闭点； 再以带有 标签的数据集训练凡尔 开闭点回归模型， 并根据测试结果挖掘困难样 本， 进而调整网络结构以提高回归模型性能； 最 后将现场的实时数据输入到训练完成的点回归 模型中得到预测的凡尔开闭点， 从而推算出实际 的抽油机有效冲程。 该方法能够准确计算抽油机 的有效冲程， 从而为功图量油提供坚实的技术支 撑。 权利要求书3页 说明书7页 附图5页 CN 113486599 B 2022.07.12 CN 113486599 B 1.一种抽油机有效冲程的计算方法， 其特 征在于包括以下步骤： (1)获取油井现场采集到的抽油机示功图历史数据并对其进行异常数据过滤处理， 得 到有效工况 数据集D： D＝{di|i＝1,2,...,N} di＝{(xij,yij)|j＝1,2,. ..,m} 其中di表示第i组抽油机示功仪采样数据， 共N组； 其中每组数据包含m对抽油机悬点位 移和载荷采样值(xij,yij)， xij表示第j个悬点 位移采样值， yij表示第j个悬点载荷采样值； (2)将有效工况 数据归一 化并绘制为闭合的示功图 图像， 得到有效示功图数据集P： P＝{pi|i＝1,2,...,N} 其中pi表示由第i组抽油机示功仪采样数据di绘制成的示功图样本， 共N个； (3)由工艺专家为示功图数据集P标定与有效冲程相关的四个凡尔 开闭点作为数据集P 的标签L： L＝{li|i＝1,2,...,N} li＝{aiA,biA,aiB,biB,aiC,biC,aiD,biD} 其中li表示第i组抽油机示功图样本pi的标签， 共N组； 其中每组标签包含4个凡尔开闭 点在示功图中的像素坐标值， 分别为固定凡尔开启点A的坐标(aiA,biA)、 固定凡尔关闭点B 的坐标(aiB,biB)、 游动凡尔开启点C的坐标(aiC,biC)和游动凡尔关闭点D的坐标(aiD,biD)； (4)将示功图数据集P划分为训练集Ptrain、 验证集Pval和测试集Ptest， 对应的标签L也被 划分为训练集标签Ltrain、 验证集标签Lval和测试集标签Ltest； (5)根据凡尔开闭点识别任务的特性， 选取神经网络回归 模型M； (6)利用训练集Ptrain， 结合对应的训练集标签Ltrain， 对神经网络回归模型M进行示功图 到凡尔开闭点 位置的映射关系学习； (7)根据神经网络回归模型M训练过程中， 在验证集Pval上的损失函数的最小值选取模 型的权重参数； (8)通过测试集Ptest评估(7)中已确定网络权重参数的回归模型M的泛 化能力， 并根据测 试结果挖掘困难样本， 针对困难样本调整神经网络回归模型M的网络结构以达到提高回归 模型性能的目的； (9)重复步骤(6)至步骤(8)直至回归模型M的性能达到工程应用要求， 获得训练完成的 神经网络回归 模型M； (10)获取油井现场采集到的实时悬点位移及载荷并对其进行异常数据过滤和归一化 处理， 将结果绘制成示功图输入至神经网络回归模型M， 根据模型M输出的凡尔开闭点像素 坐标和归一 化相关参数反推出实际有效冲程。 2.根据权利要求1所述的一种抽油机有 效冲程的计算方法， 其特征在于， 所述异常数据 过滤处理过程具有如下步骤： (1‑1)将超出示功仪位移及载荷量程的数据或空值数据定义为异常数据， 统计一组示 功图据中异常数据的占比αerror： 其中Nerroe表示异常数据点个数， Nall表示采样总数；权　利　要　求　书 1/3 页 2 CN 113486599 B 2(1‑2)若αerror大于设定阈值则丢弃当前样本； (1‑3)若αerror小于设定阈值则采用如下策略对异常采样点perror(xerror,yerror)进行修 正： 其中(xpre,ypre)表示(xerror,yerror)的前一个有效采样点， (xafter,yafter)表示(xerror, yerror)的后一个有效采样点。 3.根据权利要求1所述的一种抽油机有 效冲程的计算方法， 其特征在于， 所述将有效工 况数据归一 化并绘制闭合的示功图 图像， 得到有效示功图数据集， 具有如下步骤： (2‑1)设定每台抽油机设备的示功图坐标系以其生产参数的最大载荷ymax为纵轴最大 量程， 以最大冲程xmax为横轴最大量程， 对示功图原始二维数据进行坐标归一化， 将原始数 据di转换到[0,1]的范围内， 归一 化结果dnorm_i如下： dnorm_i＝{(xnorm_ij,ynorm_ij)|j＝1,2,. ..,m} 其中： (2‑2)将(2‑1)中的归一化结果映射到w ×h的网格中并进行向下取整， 映射结果dmap_i如 下： dmap_i＝{(xmap_ij,ymap_ij)|j＝1,2,. ..,m} 其中： (xmap_ij,ymap_ij)＝(xnorm_ij,ynorm_ij)×(w,h) (2‑3)根据(2 ‑2)中的映射结果绘制示功图图像， 绘制时以归一化并映射后的悬点位移 xmap_ij为图像的横坐标， 以悬点载荷ymap_ij为图像的纵坐标， 将(xmap_i1,ymap_i1)与其后的一个 点相连， 并以此类推， 将数据点两两相连至最后一点(xmap_im,ymap_im)， 再将(xmap_im,ymap_im)与 (xmap_i1,ymap_i1)相连， 形成示功图封闭曲线， 示功图大小为 w×h。 4.根据权利要求1所述的一种抽油机有 效冲程的计算方法， 其特征在于， 采用留出法将 示功图数据集P划分为训练集Ptrain、 验证集Pval和测试集Ptest， 按照固定比例6:2:2将数据集 静态的划分为训练集Ptrain、 验证集Pval和测试集Ptest。 5.根据权利要求1所述的一种抽油机有 效冲程的计算方法， 其特征在于， 所述针对 困难 样本调整神经网络回归 模型M的网络结构包括以下措施： (8‑1)将神经网络回归模型M的高层特征通过双线性插值法上采样与模型M的低层特征 融合； (8‑2)对(8‑1)中融合了神经网络回归模型低层特征和高层特征的最终特征图进行卷 积和池化处理并展开， 用于 关键点回归任务， 使模 型M在学习示功图到凡尔开闭点的映射关 系时， 既能考虑神经网络低层的高分辨率特征即示功图的局部信息， 还能考虑到神经网络 高层的语义特 征也即示功图的全局信息 。 6.根据权利要求1所述的一种抽油机有 效冲程的计算方法， 其特征在于， 所述根据模型 M输出的凡尔开闭点像素坐标和归一 化相关参数反推出实际有效冲程， 具有如下步骤：权　利　要　求　书 2/3 页 3 CN 113486599 B 3