0 引 言

目前，中国大多数油田采用人工举升采油方式[1]，由于井下工况复杂，抽油机井容易出现各种故障，不仅会造成石油开采不能有序进行，影响进度目标，严重时还会造成安全事故。因此，实时准确地对抽油机井故障进行诊断很有必要。

根据抽油机悬点处载荷和位移变化数据所绘制示功图的形状来判断抽油机井工况，是一种有效的故障诊断方法[2]。传统的巡井工人凭借自身的知识经验进行示功图识别受个人水平因素影响比较大，识别准确度低，效率也低。随着计算机科学的发展，刘卓等[3]，曲文尧等[4]针对示功图提取了不变矩特征，并结合BP神经网络实现了示功图的计算机识别。李春生等[5]，魏军[6]，朱春梅等[7]提取了示功图矢量曲线特征，根据BP神经网络的缺陷提出了支持向量机的方法进行示功图识别。总的来说，上述示功图识别方法不仅需要人工预先选取矩和矢量曲线等几何特征，而且经常存在特征选取不准确，参数过多等问题，造成识别准确度没有明显提高。

近年来，随着人工智能领域中深度学习理论的发展，以卷积神经网络(convolutional neural network,CNN)为基础的深度学习模型，在汽车车牌识别[8-9]、人脸识别[10-11]等图像自动识别方面取得了优异的成绩。受上述启发，本文提出了一种利用CNN网络自动提取示功图图像特征，支持向量机根据提取的特征进行分类的示功图图像智能识别方法，并将之用于抽油机井故障诊断。CNN网络不仅以权值共享为特点，减少了网络模型权值参数的个数，大大缩短了示功图识别时间[12]，而且拥有强大的图像特征自动学习能力，无需人工设计示功图特征，使经过网络学习后的示功图更具可分类的特征，使后续的分类器分类准确性大幅提高。支持向量机(support vector machine,SVM)作为分类器实现了对特征的最优分类[13]，根据分类结果可以最终得出故障类别。工程应用中，将此模型与抽油机井故障智能诊断系统相结合，可实现油田生产的智能化、自动化。

“顺阴阳、奉四时、行王政”[1]615，是先秦、秦汉时期国君对于自身职责的认知注《尚书·尧典》“乃命羲、和，钦若昊天，历象日月星辰，敬授人时”([清]孙星衍撰，陈抗、盛冬铃点校：《尚书今古文注疏·尧典》，北京：中华书局，1986年，第10-12页)是较早关于王者“顺时施政”的记录。。王者以四时为总纲，顺应十二月物候与万物生长规律，引导人们安排农业生产，避免灾异发生，这就是“时禁”灾祥观。

1 卷积神经网络

卷积神经网络是受生物自然视觉认知机制启发而来，并引起广泛重视的一种高效识别模型[14]。该模型是一个多层的二维平面神经网络，主要包括卷积层(C-层)、子采样层(S-层)、全连接层[15]。每层都有许多特征图，每个特征图都有若干神经元。CNN的主要原理是利用卷积核对输入到卷积层的图像进行卷积操作，提取图像的纹理特征，实现图像特征的增强。卷积操作公式为

 

(1)

式中：为第l层特征图第j个神经元的输入；f为激励函数；down()为降采样函数；为第l-1层特征图第j个神经元的输出；为乘性偏置；为第l层特征图中第j个神经元的偏置参数。

试验过程中发现迭代次数的选择对试验结果影响很大。为了使CNN网络得到充分训练的同时不发生过拟合现象，通过大量试验测试来选择合适的迭代次数，图3为随着迭代次数的增加训练误差和测试误差的走势图。图3表明，迭代次数达到40次时，训练误差和测试误差都达到较小值，故选择迭代次数为40次。

 

(2)

式中：为第l层特征图第j个神经元的输入；f为激励函数；Mj为选取的输入特征图；为第l-1层特征图第i个神经元的输出；为第l层特征图的第j个神经元对应的卷积核参数中的元素；为第l层特征图第j个神经元的偏置参数。

本试验所用硬件为Intel i5-3210M 2.5 GHz CPU、内存8 GB的64位计算机，所使用的软件为MATLAB2014A。

最终实验结果表明，利用ArcGIS Engine软件编写的地理空间数据批量分幅裁切方法，可以在保证地理空间数据分幅裁切效率的同时，提高地理空间数据分幅裁切精确度。

2 CNN-SVM识别模型

原始的CNN网络采用全连接的BP神经网络作为分类器，但是BP神经网络的结构需要预先确定，难以实现网络结构最优化，进行网络训练时往往不能求得全局最优解，网络泛化能力差[17]。而SVM分类器避免了BP神经网络使用代价函数寻求最优解的方式，其通过核函数将低维特征映射到高维空间，在高维空间中构造最优分类超平面来实现分类，达到全局最优，收敛速度快、泛化能力强。因此，改用SVM作为分类器进行分类与识别。

将基于CNN-SVM模型的抽油机井故障诊断方法应用于通过Labwindows/CVI开发环境开发的抽油机井故障智能诊断系统中，该系统已经在河南省中原油田、陕西省延长油田得到应用，系统可视化界面如图6所示。该系统可以对测得的数据进行示功图绘制，并根据绘制的示功图及时给出诊断结果与处理建议。石油工人可以根据处理建议对抽油机井故障快速作出反应，极大地降低了由于抽油机井故障造成的油田减产、停产、抽油设备损坏等现象。

3 示功图试验样本

3.1 示功图数据预处理

试验数据来自中原油田采油四厂，原始的示功图数据通过安装在抽油机上超低功耗无线载荷位移一体化测量仪测量得到。为了减少CNN网络输入参数维度，增加网络学习的收敛速度，获取的示功图图像不能直接作为输入数据在CNN网络中进行训练，必须对其进行预处理。本文利用刘炜[19]提出的预处理方法对示功图进行二值化处理，处理之后原始的示功图变成64像素×64像素大小的二值化示功图，用来作为CNN网络的输入数据。

 

3.2 选取示功图样本

选取从中原油田获得的7 200张二值化示功图作为样本数据，其中共有8种典型工况的示功图，分别为正常示功图、气体影响、供液不足、示功图异常、气锁、油井结蜡、活塞脱出、固定凡尔漏，如图2所示。每种工况类别分别为900张，每种类别的2/3作为训练集样本，1/3作为测试集样本，所有类别训练集样本共有4 800张，测试集样本共有2 400张。通过输入4 800张训练集样本到CNN网络，可实现网络的训练；通过输入2 400张测试集样本，可判断CNN网络优化程度和SVM分类器实现分类的精确度。

 

3.3 确定示功图样本标签

由于CNN网络具有监督学习网络，必须对每个样本设置样本标签，来判断每个测试样本是否识别正确。鉴于样本共有8种类别示功图，故设置样本标签为8个，且样本标签样式为8位数字组成。当输入一种类型的示功图时，输出结果中8位数字只有1位数字赋值为1，其余数字赋值为0，不同类别示功图对应的样本标签如表1所示。

 

表1 不同工况的示功图标签

 

Tab.1 Indicator diagram labels for different work conditions

  

示功图类别样本标签正常示功图[1 0 0 0 0 0 0 0]气体影响[0 1 0 0 0 0 0 0]供液不足[0 0 1 0 0 0 0 0]示功图异常[0 0 0 1 0 0 0 0]气锁[0 0 0 0 1 0 0 0]油井结蜡[0 0 0 0 0 1 0 0]活塞脱出[0 0 0 0 0 0 1 0]固定凡尔漏[0 0 0 0 0 0 0 1]

4 试验与分析

DFY-500型中药粉碎机，上海新诺仪器设备有限公司；层析柱(1.8 cm×30 cm)，上海亚荣生化仪器厂；7110型酸度计，德国 WTW；分析天平，欧洲RADWAG；2L-AREI旋转蒸发器，上海皓庄仪器有限公司；SHZ-D(Ⅲ)循环水式真空泵，巩义市予华仪器有限责任公司；6000LDI恒流泵，美国康诺（CoMetro）；SCIENTZ-10N型真空冷冻干燥机，北京松源华兴生物技术有限公司；HYGRPLAB CR-400手持色差仪，Konica Minolta公司。

简政放权，给予高校在经费管理方面更多的自主权与主动性，这对于高校科研活动来说是具有十分重要的积极意义的。但在得到更多权力的同时，如何加强自身监管与约束，使经费管理更具科学性确实我们必须重视的头等问题，切勿让放权成为滋生随意挥霍意识的温床。规范化科学化以及合理化的经费管理，首先就必须建立在尊重市场，以市场为导向基础之上。尤其在经费预算管理问题上，由于对经费使用的自主性加强，更需要强化管理的自觉性，同时在预算编制过程中也必须考虑更多方面因素。

4.1 参数选择与优化

然后，通过子采样层对卷积之后的特征图进行降采样操作，缩减图像的维度，进一步提取图像的有用特征[16]，最后通过全连接的BP神经网络分类器对深度提取的图像进行识别与分类。降采样操作公式为

 

试验中还需要对SVM分类器的一些参数进行优化。选择径向基函数(RBF)作为SVM的核函数，RBF的核参数gamma的取值直接影响到能否找到一个将多类数据分开的最优超平面，最终对SVM的分类结果产生重要影响。经过试验分析，得到gamma的取值与示功图识别准确率的关系，如图4所示。由图4看出，gamma值为0.012时识别准确率最高，这时的gamma值为SVM的最优参数。

 

4.2 示功图自动识别过程分析

为了能够清楚直观地理解CNN-SVM模型识别示功图的过程，对某测试示功图识别过程进行了流程分析，如图5所示。该模型的输入层为64像素×64像素大小的二值化示功图图像。在卷积层C1，通过把示功图图像与大小为5像素×5像素的卷积核进行卷积操作，可以得到4个大小为60像素×60像素的特征图。在子采样层S2进行降采样操作，可以进一步得到4个大小为30像素×30像素的特征图。然后在卷积层C3，用大小为5像素×5像素的卷积核卷积S2层中的特征图，得到14个大小为26像素×26像素的特征图。同样，在子采样层S4进行降采样，得到14个大小为13像素×13像素的特征图。上述过程主要是对示功图进行特征自动提取，随着特征提取的进行，各层对示功图图像边缘特征逐步进行了加强，去除了无用的噪声信号，降低了图像维数。最后，将14个大小为13像素×13像素的特征图排成一列特征向量输入到SVM分类器，得到由8个神经元组成的列向量[1 0 0 0 0 0 0 0]输出，与预先设定好的示功图标签自动比对，识别出此测试示功图工况类别为正常示功图。

4）教师同专业人员协作开课。在教师参与培训的同时，专业人员可以参与课程、教学活动的设计，进行指导以及过程的监督。在初期，专业人员也可以进行相关数据的收集，便于对课程实时优化。■

 

4.3 CNN-SVM模型性能分析

为了验证CNN-SVM模型的性能，使用相同的试验数据对文献[3]中BP神经网络、文献[5]中SVM模型进行了试验与对比。试验分别从特征提取类型、测试识别准确度等方面对这些模型进行对比，结果如表2所示。单独使用传统的BP神经网络不仅需要人工提取矩特征，而且容易陷入局部最优解，不能实现最优分类；单独使用SVM模型相对BP神经网络准确度略微提高，但是前期没有进行特征的深层自动提取，人工选取的矢量曲线特征不能很好地区分示功图之间的细微差别，因此，也不能达到理想的识别效果。CNN网络能够自动学习到示功图的深层图像特征，再与SVM分类器相结合能够达到较为理想的识别性能。由表2可知，经过2 400张示功图样本测试，CNN-SVM模型达到了99.71%的正确率，相比传统的BP神经网络和SVM模型在识别准确度上有了显著的提升。

 

表2 不同识别模型性能对比

 

Tab.2 Performance comparison of different identification models

  

识别模型特征提取类型不同工况示功图正确识别数目正常示功图气体影响供液不足示功图异常气锁油井结蜡活塞脱出固定凡尔漏总计测试准确度/%BP不变矩2752442392512632562492282 00583.54SVM矢量曲线2812532462652762752632432 10287.58CNN-SVM自动提取图像特征3002992983003003002992972 39399.71

5 工程应用

本文采用改进后的CNN-SVM混合模型对示功图进行识别。其中，CNN网络采用Lecun Y等[18]提出的LeNet-5结构，CNN网络的全连接层中用SVM分类器代替BP神经网络。改进后的CNN-SVM模型包括CNN网络特征提取过程和SVM分类器分类过程，其结构如图1所示。

 

6 结 语

(1)借助人工智能思想，提出CNN-SVM模型来识别示功图，能够通过卷积层和子采样层逐步自动提取示功图图像特征，代替了以往传统模型前期需要人工提取示功图几何特征才能作为模型输入的繁琐过程，提高了示功图识别效率。

“工合”成立时，主张用生产合作的方式来组织3万个工业合作社，以发展中国工业，建立经济的国防线，抵御日本帝国主义的经济侵略。由于艾黎的努力，“工合”在人们心目中的威信与日俱增。许多人积极参加“工合”工作。到1940年10月，“工合”已建立了2300多个小工厂，遍布16个省。从内地到敌人的后方，到处都有“工合”的小工厂。抗战开始后，许多工厂惨遭日本帝国主义破坏，损失很大。办了这些小工厂，对于解决物质匮乏，补充武器、弹药，起了一定的作用。

(2)由于CNN-SVM模型自动提取了示功图图像的深层纹理特征，能够准确地区分示功图之间的细微差别，与BP神经网络、支持向量机等传统模型相比，在示功图识别准确度上有了一定的提高。

(3)利用CNN-SVM模型自动识别示功图为抽油机井故障诊断带来了新思路，解决了长期以来困扰油井工人的不能实时有效地诊断抽油机井故障的难题，提高了油田作业效率，进一步提升了石油产量，具有很好的应用前景。

参考文献：

[1] 钟子尧,吴晓东,韩国庆,等.套管气辅助举升工艺动态分析模型[J].石油钻采工艺,2017,39(1):71-76.

ZHONG Z Y,WU X D,HAN G Q,et al.A dynamic analysis model used for casing head gas assisted lift technologies[J].Oil Drilling & Production Technology,2017,39(1):71-76.

[2] 赵可新,马晓辉,马彦芬,等.人工神经网络在油井故障诊断中的优化[J].煤炭技术,2011,30(5):196-198.

ZHAO K X,MA X H,MA Y F,et al.Optimization of ANN in fault diagnosis of oil wells[J].Coal Technology,2011,30(5):196-198.

[3] 刘卓,罗明良,刘飞,等.基于BP神经网络和不变矩特征的泵功图诊断方法研究[J].制造业自动化,2013,35(10):7-9.

LIU Z,LUO M L,LIU F,et al.Method of fault diagnosis for pump dynamograph based on BP neural network and invariant moment features[J].Manufacturing Automation,2013,35(10):7-9.

[4] 曲文尧,王春华.人工神经网络法用于抽油机井故障诊断[J].油气田地面工程,2013,32(8):14-15.

QU W X,WANG C H.Application of artificial neural network to fault diagnosis of pumping well[J].Oil-Gasfield Surface Engineering,2013,32(8):14-15.

[5] 李春生,苏晓伟,魏军,等.基于支持向量机的抽油机井功图识别研究[J].计算机技术与发展,2014,24(8):215-218.

LI C S,SU X W,WEI J,et al.Research on diagrams identification of pumping unit based on support vector machine[J].Computer Technology and Development,2014,24(8):215-218.

[6] 魏军.基于支持向量机的抽油机井故障诊断模型研究[J].计算机与数字工程,2014,42(11):2094-2098.

WEI J.Pumping unit well fault diagnosis model based on support vector machine[J].Computer and Digital Engineering,2014,42(11):2094-2098.

[7] 朱春梅,陕梅辰,智玉杰,等.支持向量机的无杆抽油机示功图自动识别技术[J].北京信息科技大学学报(自然科学版),2014,29(1):16-20.

ZHU C M,SHAN M C,ZHI Y J,et al.Study on automatic recognition of indicator diagram of rod-less pumping unit based on support vector machine[J].Journal of Beijing Information Science and Technology University(Science & Technology Edition),2014,29(1):16-20.

[8] CHEN Y N,HAN C C,HO G F,et al.Facial/License plate detection using a two-level cascade classifier and a single convolutional feature map[J].International Journal of Advanced Robotic Systems,2015,12(12):1-16.

[9] ZANG D,CHAI Z L,ZHANG J Q,et al.Vehicle license plate recognition using visual attention model and deep learning[J].Journal of Electronic Imaging,2015,24(3):1-10.

[10] ALOTAIBI A,MAHMOOD A.Deep face liveness detection based on nonlinear diffusion using convolution neural network[J].Signal Image & Video Processing,2017,11(4):1-8.

[11] KHIYARI H E,WECHSLER H.Age invariant face recognition using convolutional neural networks and set distances[J].Journal of Information Security,2017,8(3):174-185.

[12] 赵志宏,杨绍普,马增强.基于卷积神经网络LeNet-5的车牌字符识别研究[J].系统仿真学报,2010,22(3):638-641.

ZHAO Z H,YANG S P,MA Z Q.License plate character recognition based on convolutional neural network LeNet-5[J].Journal of System Simulation,2010,22(3):638-641.

[13] 王雪松,梁昔明.改进蚁群算法优化支持向量机的网络入侵检测[J].计算技术与自动化,2015,36(9):95-99.

WANG X S,LIANG X M.Network intrusion detection model based on support vector machine and improved and colony optimization algorithm[J].Computing Technology and Automation,2015,36(9):95-99.

[14] 杨海燕,蒋新华,聂作先.基于并行卷积神经网络的人脸关键点定位方法研究[J].计算机应用研究,2015,32(8):2517-2519.

YANG H Y,JIANG X H,NIE Z X.Facial key points location based on parallel convolutional neural network[J].Application Research of Computers,2015,32(8):2517-2519.

[15] 刘娜,李翠华.基于多层卷积神经网络学习的单帧图像超分辨率重建方法[J].中国科技论文,2015,10(2):201-206.

LIU N,LI C H.Single image super-resolution reconstruction via deep convolutional neural network[J].China Sciencepaper,2015,10(2):201-206.

[16] 赵亮,王晓峰,袁逸涛.基于深度卷积神经网络的船舶识别方法研究[J].舰船科学技术,2016,38(15):119-123.

ZHAO L,WANG X F,YUAN Y T.Research on ship recognition method based on deep convolutional neural network[J].Ship Science and Technology,2016,38(15):119-123.

[17] 杨淑平,易国栋,袁修贵,等.一种基于分块小波的人脸识别算法[J].中南大学学报(自然科学版),2013,44(5):1902-1909.

YANG S P,YI G D,YUAN X G,et al.A face recognition algorithm based on blocking wavelet transforms[J].Journal of Central South University,2013,44(5):1902-1909.

[18] LECUN Y,BOTTOU L,BENGIO Y,HAFFNER P.Gradient-based learning applied to document recognition [J].Proceedings of the IEEE,1998,86(11):2278-2324.

[19] 刘炜.应用改进最小距离分类法识别泵功图工况[J].电脑知识与技术,2010,6(6):1449-1451.

LIU W.Applying the improved minimum distance classification to identification the operation conditions of pump diagrams[J].Computer Knowledge and Technology,2010,6(6):1449-1451.