段友祥 常 城 孫歧峰 杜承澤

（中國(guó)石油大學(xué)（華東）計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院 青島 266580）

1 引言

隨著物聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能等新一代信息技術(shù)的迅猛發(fā)展和深入應(yīng)用［1］，以“全面感知、自動(dòng)操控、預(yù)測(cè)趨勢(shì)、優(yōu)化決策”為目標(biāo)的“智慧油田”正在油氣資源領(lǐng)域掀起新一輪的技術(shù)革命［2］。油氣生產(chǎn)智能化監(jiān)測(cè)和管理是智慧油田建設(shè)的重要內(nèi)容［3］。

有桿抽油機(jī)是目前石油生產(chǎn)的主要設(shè)備，分為游梁式和無(wú)游梁式兩種。隨著技術(shù)的進(jìn)步，因常規(guī)游梁式抽油機(jī)長(zhǎng)沖程時(shí)平衡效果差，效率低，能耗大等原因［4］，立式抽油機(jī)應(yīng)運(yùn)而生。立式抽油機(jī)是一種無(wú)游梁塔架式抽油機(jī)，具有安全方便，節(jié)能降耗，適應(yīng)性強(qiáng)等優(yōu)點(diǎn)［5］，在我國(guó)西部油區(qū)和國(guó)外一些油田得到了很好的應(yīng)用。本文的研究?jī)?nèi)容是這款抽油機(jī)智能分析和決策中的故障診斷問(wèn)題。

抽油機(jī)通常工作在外部環(huán)境惡劣，無(wú)人值守、工況復(fù)雜等情況下，經(jīng)常發(fā)生運(yùn)行故障，嚴(yán)重影響生產(chǎn)，甚至造成抽油機(jī)本身機(jī)械損傷［6］。因此，通過(guò)搭建立式智能抽油機(jī)大數(shù)據(jù)平臺(tái)，如圖1所示，進(jìn)行數(shù)據(jù)分析和決策，對(duì)抽油機(jī)進(jìn)行實(shí)時(shí)工況智能診斷，可以保障生產(chǎn)運(yùn)行效率，延長(zhǎng)抽油機(jī)的使用壽命。

圖1 立式智能抽油機(jī)大數(shù)據(jù)平臺(tái)

立式智能抽油機(jī)大數(shù)據(jù)平臺(tái)硬件部分主要包括抽油機(jī)主體、數(shù)據(jù)感知傳感器、遠(yuǎn)程終端控制單元（Remote Terminal Unit，RTU）、數(shù)據(jù)傳輸單元（Data Transfer Unit，DTU）等；軟件主要包括生產(chǎn)動(dòng)態(tài)分析與決策、故障智能分析、遙測(cè)、遙控等。平臺(tái)由RTU統(tǒng)一處理和暫存示功圖數(shù)據(jù)，由DTU進(jìn)行通訊，將數(shù)據(jù)通過(guò)網(wǎng)絡(luò)傳給云端服務(wù)器存儲(chǔ)，每隔30min，最新的示功圖數(shù)據(jù)通過(guò)網(wǎng)絡(luò)傳給云端服務(wù)器存儲(chǔ)，因此可以得到豐富的與功圖相關(guān)的大數(shù)據(jù)。數(shù)據(jù)的分析軟件部署在云端，分析結(jié)果的應(yīng)用軟件部署在客戶端（含移動(dòng)設(shè)備）。

目前最為先進(jìn)和常見(jiàn)的抽油機(jī)故障分析和診斷模型是示功圖模型［7］。示功圖是抽油機(jī)在一個(gè)運(yùn)動(dòng)周期內(nèi)光桿下端懸點(diǎn)處載荷隨光桿下端懸點(diǎn)處位移變化形成的一條封閉曲線，其形狀特征能反映抽油機(jī)工況［8］。立式抽油機(jī)和游梁式抽油機(jī)雖然構(gòu)造不同，但示功原理一樣，因此也通過(guò)示功圖分析抽油機(jī)的運(yùn)行狀況，進(jìn)行故障診斷。但是結(jié)構(gòu)的不同使得示功圖的表現(xiàn)會(huì)有很大差異。如使用立式抽油機(jī)時(shí)“光桿打驢頭”這種故障不會(huì)出現(xiàn)。圖2是通過(guò)建立的數(shù)據(jù)平臺(tái)收集的立式抽油機(jī)幾種典型示功圖，其中圖2（a）是正常情況下的示功圖，圖2（b）是抽油桿斷脫的示功圖，圖2（c）是氣體影響的示功圖，圖2（d）是充不滿的示功圖。

圖2 立式抽油機(jī)示功圖

抽油機(jī)的故障分析和診斷一直是研究的熱點(diǎn)問(wèn)題，專家系統(tǒng)、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)等研究成果都在抽油機(jī)故障智能分析中得到應(yīng)用［9～10］，但是應(yīng)用效果還有一定的局限性。近幾年，大數(shù)據(jù)和深度學(xué)習(xí)技術(shù)的出現(xiàn)，為抽油機(jī)故障智能分析提供新的解決思路［11］。

2 基于特征重標(biāo)定殘差卷積神經(jīng)網(wǎng)絡(luò)的立式抽油機(jī)故障診斷模型

2.1 模型結(jié)構(gòu)

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）是一種前饋神經(jīng)網(wǎng)絡(luò)，由卷積層、池化層、歸一化層、全連接層等構(gòu)成［12］。與其他圖像識(shí)別和分類方法不同，CNN可以自動(dòng)學(xué)習(xí)并過(guò)濾特征而不需要人工和先驗(yàn)知識(shí)來(lái)設(shè)計(jì)和提取特征。多次卷積能夠提取不同層次的特征，多次池化能夠?qū)μ卣鞑粩鄩嚎s，通過(guò)對(duì)不同層次特征持續(xù)提取和壓縮可獲得更高層次、更抽象的特征，利用最后得到的特征可以完成不同任務(wù)，在圖像處理方面有出色表現(xiàn)［13］。示功圖可以看作一種特殊的圖像，因此利用CNN對(duì)示功圖分析是可行的［14］。

根據(jù)立式抽油機(jī)故障診斷的實(shí)際需求，借鑒近幾年圖像識(shí)別和分類效果較好的ResNet模型、DenseNet模型和SENet模型［15～17］，本文提出一種基于示功圖數(shù)據(jù)的特征重標(biāo)定殘差卷積神經(jīng)網(wǎng)絡(luò)模型，其結(jié)構(gòu)如圖3所示。

本文模型共45層，其詳細(xì)結(jié)構(gòu)如圖3（b）所示，其中，第1個(gè)卷積層卷積核大小為3×3、數(shù)目為16；5個(gè)SE-殘差模塊（嵌入Sequeeze-and-Excitation子結(jié)構(gòu)的殘差模塊）中卷積核的數(shù)目依次為32、64、64、128、128；卷積層均加入L2正則化，步長(zhǎng)均為1，激活函數(shù)均為L(zhǎng)eakyReLu；池化層池大小為2×2，步長(zhǎng)為2；前兩個(gè)全連接層有1024、512個(gè)神經(jīng)元，激活函數(shù)均為L(zhǎng)eakyReLu，第三個(gè)全連接層有4個(gè)神經(jīng)元，激活函數(shù)為softmax，用于4種圖片的分類工作。模型的輸入為32×32像素的示功圖，輸出是示功圖的種類。

圖3 特征重標(biāo)定殘差卷積神經(jīng)網(wǎng)絡(luò)模型

2.2 殘差模塊

圖4中BN是批歸一化層，LeakyReLu是激活層，激活函數(shù)為L(zhǎng)eakyReLu，Avg_pool是平均池化層。x為輸入，H（x）為輸出，F(xiàn)（x）為x和H（x）之間中間層的輸出。

圖4 殘差模塊

本文設(shè)計(jì)的殘差模塊由1×1卷積層、3×3卷積層、中間層（BN等）和在輸入輸出之間引入1條恒等映射（identity mapping）的直連通道組成，其結(jié)構(gòu)如圖4所示。與經(jīng)典的殘差網(wǎng)絡(luò)不同，此結(jié)構(gòu)在3×3卷積層之前加入1×1卷積層并且增加中間層，不但對(duì)輸入的特征降維、減小參數(shù)數(shù)目和計(jì)算量而且增加了更多非線性因素、加速網(wǎng)絡(luò)收斂，起到輕量化模型并且提高模型性能的作用。

2.3 SE-殘差模塊

圖5中，c為特征的通道數(shù)，h為特征圖的高度，w為特征圖的寬度。

本文模型主要由SE-殘差模塊組成，在搭建完成殘差模塊之后嵌入SE子結(jié)構(gòu)，其結(jié)構(gòu)如圖5所示。本文在addition前對(duì)分支上的殘差特征進(jìn)行重標(biāo)定即在x+F（x）前對(duì)分支上的F（x）進(jìn)行操作，如果對(duì)addition后主支上的特征重標(biāo)定，由于主干上存在0～1的Scale操作，在深層網(wǎng)絡(luò)反向傳播過(guò)程中會(huì)出現(xiàn)梯度彌散的現(xiàn)象，導(dǎo)致模型無(wú)法優(yōu)化。

圖5 SE-殘差模塊

在SE子結(jié)構(gòu)中，首先使用平均池化完成Se?queeze操作，將特征壓縮；之后經(jīng)過(guò)全連接層將特征維度降為輸入的1/16（16是設(shè)定的，可以改變），經(jīng)過(guò)激活層、全連接層再將特征維度升回到原維度，相比于一個(gè)全連接層，這樣不但可以增加更多的非線性，更好地?cái)M合通道間的相關(guān)性還大大減小了參數(shù)數(shù)量；然后通過(guò)Sigmod函數(shù)完成Excitation操作，為每個(gè)特征通道計(jì)算權(quán)重，權(quán)重代表每個(gè)通道的重要程度；最后通過(guò)乘法逐通道加權(quán)到先前特征完成Scale操作，完成對(duì)原始特征重標(biāo)定。

Sequeeze操作表達(dá)式如下：

Fsq為Sequeeze函數(shù)即平均池化，Uc是H×W的特征圖。公式是將H×W×C的輸入轉(zhuǎn)化為1×1×C的輸出。

Excitation操作表達(dá)式如下：

Fex為Excitation函數(shù)，z是式（1）得到的結(jié)果zc，（W1z）是經(jīng)過(guò)第一個(gè)全連接時(shí)的運(yùn)算，W1的維度為C/16×C，16是一個(gè)參數(shù)可以修改，本文取16是將通道個(gè)數(shù)降為原十六分之一，經(jīng)過(guò)ReLu激活層后再經(jīng)過(guò)第二個(gè)全連接層與W2相乘，W2的維度是C×C/16，因此輸出維度是C×1×1，最后經(jīng)過(guò)sigmod函數(shù)后得到s。

Scale操作的表達(dá)式如下：

Fscale為Scale函數(shù)是將uc與sc相乘，uc是二維矩陣，sc是權(quán)重（一個(gè)實(shí)數(shù)）。

2.4 模型特點(diǎn)

本文將殘差思想引入模型，改變了前向和后向信息傳遞的方式，模型訓(xùn)練時(shí)，如果x代表的特征已經(jīng)十分成熟，即x增加或減小都會(huì)讓模型損失值變大，此時(shí)F（x）會(huì)趨向于0，x則從這條恒等映射路徑繼續(xù)傳遞信息，這有利于深度網(wǎng)絡(luò)的訓(xùn)練，在一定程度上解決了梯度彌散問(wèn)題，隨著模型深度的加深，其表達(dá)能力更強(qiáng)，測(cè)試集的分類準(zhǔn)確率更高。

本文將SE子結(jié)構(gòu)嵌入殘差模塊中對(duì)特征重標(biāo)定，其核心思想在于模型通過(guò)損失值學(xué)習(xí)特征權(quán)重，使得有效特征圖的權(quán)重不斷增大，無(wú)效或效果小特征圖的權(quán)重不斷減小，訓(xùn)練出的模型效果更好。SE子結(jié)構(gòu)構(gòu)造簡(jiǎn)單，容易嵌入到網(wǎng)絡(luò)模型中，不需要設(shè)計(jì)新的結(jié)構(gòu)。

模型選用LeakyReLu函數(shù)作為殘差模塊的激活函數(shù)，相較于使用較多的ReLu函數(shù)，LeakyReLu函數(shù)能夠修正數(shù)據(jù)分布，當(dāng)輸入為負(fù)值時(shí)也能更新網(wǎng)絡(luò)參數(shù)［18］。在卷積層之間加入批歸一化層加快訓(xùn)練速度、提高模型訓(xùn)練精度、一定程度上減小梯度彌散問(wèn)題；每個(gè)卷積層均加入L2正則化有效防止過(guò)擬合。

選用Adam作為優(yōu)化函數(shù)，與SGD、Momentum、AdaGrad、RMSProp優(yōu)化器相比，Adam優(yōu)化器實(shí)現(xiàn)簡(jiǎn)單、計(jì)算高效，超參數(shù)無(wú)需調(diào)整或者僅需微調(diào)，更新步長(zhǎng)能被限制在大致范圍內(nèi)，能自動(dòng)調(diào)整學(xué)習(xí)率，很適合大規(guī)模數(shù)據(jù)和參數(shù)的場(chǎng)景［19］；選用方差縮放初始化作為模型的初始化權(quán)重方法，比常規(guī)的高斯分布初始化、截?cái)喑跏蓟姆夯芰Ω鼜?qiáng)；模型最后是全連接層，不僅起到分類器的作用，還可以大大減小特征的位置對(duì)分類的影響［20］。

3 實(shí)驗(yàn)與分析

3.1 數(shù)據(jù)來(lái)源

本文使用的數(shù)據(jù)集來(lái)自國(guó)內(nèi)某油田，該油田使用新型的立式智能抽油機(jī)。數(shù)據(jù)采集時(shí)間為2019年1月1日0點(diǎn)至2019年6月7日21點(diǎn)，通過(guò)篩選、分類和數(shù)據(jù)增強(qiáng)共得到19038張示功圖，其中“工作正?！?094張、“充不滿”2707張、“氣體影響”8093張、“抽油桿斷脫”4144張。隨機(jī)抽取10%的數(shù)據(jù)作為測(cè)試集，90%的數(shù)據(jù)作為訓(xùn)練集，供模型訓(xùn)練和測(cè)試使用。

3.2 模型搭建

本文實(shí)驗(yàn)基于NVIDIA Tesla P100 GPU硬件環(huán)境，使用TensorFlow、sklearn、tflearn作為開(kāi)發(fā)平臺(tái)，分別搭建邏輯回歸模型，隨機(jī)森林模型，XGBoost模型，邏輯回歸、隨機(jī)森林、XGBoost集成學(xué)習(xí)模型，32層的ResNet模型、66層的DenseNet模型和本文提出的特征重標(biāo)定殘差卷積神經(jīng)網(wǎng)絡(luò)模型。模型通過(guò)Softmax函數(shù)進(jìn)行分類，使用交叉熵函數(shù)作為損失函數(shù)，優(yōu)化函數(shù)為Adam。

3.3 實(shí)驗(yàn)及分析

準(zhǔn)備數(shù)據(jù)集后，分別訓(xùn)練邏輯回歸模型，隨機(jī)森林模型，XGBoost模型，邏輯回歸、隨機(jī)森林、XG?Boost集成學(xué)習(xí)模型，ResNet模型、DenseNet模型和特征重標(biāo)定殘差卷積神經(jīng)網(wǎng)絡(luò)模型，并用得到的模型在訓(xùn)練集和測(cè)試集進(jìn)行示功圖分類實(shí)驗(yàn)，本文通過(guò)多次實(shí)驗(yàn)以減少結(jié)果的偶然性，具體見(jiàn)圖6、表1、表2。

表2 實(shí)驗(yàn)結(jié)果對(duì)比

圖6 本文模型測(cè)試集準(zhǔn)確率和損失率

表1 本文模型精度、召回率、f1得分

從圖6、表1和表2可得本文模型在測(cè)試集上的準(zhǔn)確率、精度、召回率和f1得分最高，損失率最低，訓(xùn)練時(shí)間短，訓(xùn)練后的模型有較強(qiáng)的泛化能力，能夠很好地滿足立式抽油機(jī)實(shí)際故障監(jiān)測(cè)分析的應(yīng)用要求。

4 結(jié)語(yǔ)

立式智能抽油機(jī)作為新型產(chǎn)品在國(guó)內(nèi)外重要油區(qū)的使用越來(lái)越多。通過(guò)分析抽油機(jī)的運(yùn)行狀態(tài)數(shù)據(jù)對(duì)采油生產(chǎn)進(jìn)行監(jiān)控和優(yōu)化生產(chǎn)決策意義重大。本文把深度學(xué)習(xí)新技術(shù)應(yīng)用于立式抽油機(jī)故障分析和診斷，建立了立式智能抽油機(jī)示功圖分類識(shí)別的特征重標(biāo)定殘差卷積神經(jīng)網(wǎng)絡(luò)模型，實(shí)驗(yàn)結(jié)果表明，相對(duì)于其他模型，該模型在測(cè)試集上的分類識(shí)別準(zhǔn)確率、精度、召回率、f1得分最高，損失率最低，訓(xùn)練時(shí)間短，能很好地滿足實(shí)際應(yīng)用需求，為人工智能新技術(shù)在智慧油田建設(shè)中的應(yīng)用進(jìn)行了有益的嘗試。