基于改进CNN和ViT网络的复合工况示功图诊断技术研究

传统卷积神经网络在抽油机故障诊断领域中,面向单一工况示功图诊断已取得较好精度,但在处理复合工况示功图时,诊断精度仍较低。论文研究了改进卷积神经网络(CNN)和视觉Transformer(ViT)的复合工况示功图诊断技术,设计了融合ViT和非方卷积核的混合CNN结构,更有效地提取复合工况示功图特征。首先通过三元组损失对网络进行训练,使用训练完成的网络建立示功图特征检索库,再将示功图特征与检索库中特征计算相似度向量以实现诊断。实验结果表明,混合网络结构在测试集上诊断精度达95%以上,优于传统CNN模型,有效提升了复合工况示功图诊断精度。

基于示功图的油井供液能力智能识别方法研究

油井供液能力作为游梁式抽油机间抽控制和冲次调节的重要依据,它的准确识别对降低油田生产能耗、提升抽油机系统效率和增加油田产油量意义重大。论文研究了基于数据驱动的深度学习回归模型,采用融合了特征金字塔、高斯热力图和注意力机制的深度学习网络提取示功图图形特征并识别功图的四个凡尔开闭点,根据识别出的凡尔开闭点量化油井供液能力,为后续抽油机的智能控制提供调节依据。实验结果表明,该模型能够准确识别功图的四个凡尔开闭点,实时估算油井供液能力。