Повышение эффективности диагностирования эксплуатации скважинных штанговых насосов с помощью сверточных нейронных сетей

UDK: 622.276.054.23
DOI: 10.24887/0028-2448-2018-9-122-126
Ключевые слова: насос, плунжер, диагностика, анализ, состояние, штанги, классификация, динамограмма
Авт.: А.Г. Михайлов (ООО «БашНИПИнефть»), С.С. Шубин (ООО «БашНИПИнефть»), А.В. Алферов (ООО «БашНИПИнефть»), Р.Н. Имашев (ООО «БашНИПИнефть»), В.У. Ямалиев (Уфимский гос. нефтяной технический университет)

Применение математического аппарата нейронных сетей является основным элементом при распознавании изображений, классификации и прогнозировании пространственно-временных последовательностей при решении широкого спектра задач во многих отраслях промышленности. При этом большинство современных работ по классификации временных последовательностей, описывающих различные процессы, сфокусированы на одномерных структурах. В данной статье для решения задач распознавания динамограмм использованы трансформированные из одномерных в двухмерные структуры представлений исходного временного ряда. Реализация такого способа в области диагностирования работы насосного оборудования позволяет более качественно распознавать пространственные структуры в динамограммах и проводить обучение нейронных сетей с малым количеством исходных данных (динамограмм).

Целью работы являлось повышение эффективности определения технического состояния скважинных штанговых глубинных насосов (СШН) в процессе их эксплуатации методом динамометрирования. Предложен комплексный подход к интерпретации динамограмм СШН. С помощью кодирования динамограмм в различных видах изображений установлены оптимальные способы их представления. Представлен анализ следующих способов представления динамограмм: исходное представление (изображение), грамиан в полярных координатах, рекуррентные диаграммы и кросскорреляционная матрица с последовательными задержками. Использованы различные компьютерные методы для решения задач классификации динамограмм. Проведенный комплексный анализ позволил выявить оптимальный подход к представлению динамограмм, исходя из точности их распознавания.

В результате проведенных исследований выявлены способы представления данных, показавшие высокую точность классификации и низкий уровень ошибки обучения на малых выборках исходных данных, т.е. данные представления лучшим образом обеспечивают «выделение» топологических особенностей исходных динамограмм (среди сравниваемых методов). В связи с тем, что зачастую глубиннонасосное оборудование эксплуатируется в скважинных условиях с наличием осложнений, предложена новая архитектура классификатора диагностирования эксплуатации СШН. В ней возможна реализация комплексной диагностики состояния оборудования с учетом всех известных технологических факторов (осложнений), влияющих на работу насосного оборудования.

Список литературы

1. Применение эвристических алгоритмов в анализе данных для решения задачи диагностирования электроцентробежных насосных установок / Р.И. Валиахметов, В.У. Ямалиев, С.С. Шубин, А.В. Алферов // Известия Томского политехнического университета. Инжиниринг георесурсов. – 2018. – Т. 329. – № 2. – С. 159–167.

2. Обработка практических динамограмм на ПЭВМ / Ш.Ф. Тахаутдинов, Р.К. Фархуллин, Р.Х. Муслимов [и др.]. – Казань: Новое Знание, 1997. – 76 с.

3. РД 39–1–9 98–84. Методика диагностирования и оптимизации режимов работы установок ШГН по динамографическим исследованиям. – Шевченко: КазНИПИнефть, 1984. – 101 с.

4. Backpropagation applied to handwritten zip code recognition / Y. LeCun [et al.] //Neural computation. – 1989. – Т. 1. – №. 4. – С. 541 – 551.

5. Krizhevsky A., Sutskever I., Hinton G.E. Imagenet classification with deep convolutional neural networks //Advances in neural information processing systems. – 2012. – С. 1097–1105.

6. Xia X., Xu C., Nan B. Inception‒v3 for flower classification //Image, Vision and Computing (ICIVC), 2017 2nd International Conference on. – IEEE, 2017. – С. 783–787.

7. West J., Ventura D., Warnick S. Spring research presentation: A theoretical foundation for inductive transfer. – Provo (USA): Brigham Young University, College of Physical and Mathematical Sciences, 2007.

8. Wang Z., Oates T. Encoding time series as images for visual inspection and classification using tiled convolutional neural networks // Workshops at the Twenty-Ninth AAAI Conference on Artificial Intelligence. – 2015. – Т. 1.

9. Wang Z., Yan W., Oates T. Time series classification from scratch with deep neural networks: A strong baseline // Neural Networks (IJCNN), 2017 International Joint Conference on. – IEEE, 2017. – С. 1578–1585.

10. Eckmann J. P., Kamphorst S.O., Ruelle D. Recurrence plots of dynamical systems //EPL (Europhysics Letters). – 1987. – Т. 4. – № 9. – С. 973.

11. Determining the minimum embedding dimension for state space reconstruction through recurrence networks / K.P. Harikrishnan [et al.]. – 2017. – https://arxiv.org/pdf/1704.08585.pdf

12. Dimension-scalable recurrence threshold estimation / K.H. Krämer [et al.]. – 2018. – https://arxiv.org/pdf/1802.01605.pdf

13. Ямалиев В.У., Салахов Т.Р., Шубин С.С. Применение элементов теории детерминированного хаоса к решению задач технического диагностирования УЭЦН // Электронный научный журнал Нефтегазовое дело. – 2014. – № 4. – С. 174–191.

14. Kang W.Y., Park K.W., Zhang B.T. Extremely Sparse Deep Learning Using Inception Modules with Dropfilters //14th IAPR International Conference on Document Analysis and Recognition (ICDAR). – IEEE, 2017. – С. 448–453.

15. The transition module: a method for preventing overfitting in convolutional neural networks / S. Akbar [et al.] //Computer Methods in Biomechanics and Bio-medical Engineering: Imaging & Visualization. – 2018. – С. 1–6.



Внимание!
Купить полный текст статьи (формат - PDF) могут только авторизованные посетители сайта.