基于四维时频特征矩阵的油井工况识别深度学习方法

油井工况的实时精准诊断对于快速掌握油田作业情况、提高生产效率、保障生产安全具有重要意义，然而由于油井自身结构的复杂性和生产环境的多变性，油井工况时刻发生变化。利用深度学习对油井功图进行分类是一种有效的油井工况识别方法，但直接将油井功图作为二维图像输入到深度学习框架中，会存在模型参数多、计算量大的问题。此外，抽油系统因不同因素产生的功图也不尽相同，导致油田现场数据存在严重异质性，极大地影响工况识别的准确性。

针对上述问题，中国科学院沈阳自动化研究所科研团队提出了一种基于四维时频特征矩阵的油井工况识别深度学习方法，实现了在供液不足、阀漏失、气体影响等多种工况下的实时精准识别。该研究成果以Working condition recognition of sucker rod pumping system based on 4-segment time-frequency signature matrix and deep learning为题，发表在中国科学院1区TOP期刊《石油科学》（Petroleum Science）。

科研团队建立了油井功图四维时频特征矩阵，可实现多个功图数据的特征融合；针对模型参数多、计算量大、识别精度低问题，设计了一种轻量化的深度卷积神经网络，可实现功图特征矩阵到油井工况的智能映射。

科研人员利用油田现场实测功图数据，对算法有效性进行了验证。实验结果表明，提出的油井工况识别方法可将工况识别精度提高到98%以上，助力提升油井生产运行的稳定性和安全性。

该研究得到了国家自然科学基金项目，机器人学国家重点实验室和辽宁辽河实验室项目等的支持。（工业控制网络与系统研究室）