2022107082702一种基于深度学习判定动设备备品备件生命周期的方法.pdf

(19)国家知识产权局

(12)发明专利申请

(10)申请公布号CN117332262A
(43)申请公布日2024.01.02
(21)申请号202210708270.2(51)Int.Cl.
(22)申请日2022.06.22G06F18/214(2023.01)
G06N3/048(2023.01)
(71)申请人中国石油化工股份有限公司G06N3/084(2023.01)
地址257000山东省东营市东营区西二路

480号
申请人中国石油化工股份有限公司胜利油
田分公司技术检测中心
胜利油田检测评价研究有限公司
(72)发明人邹燕段秉红刘佳贺建军
樊庆亮高磊黄珊徐宝聚
邵长彬宋炳政
(74)专利代理机构东营双桥专利代理有限责任
公司37107
专利代理师方圆

权利要求书2页说明书5页
(54)发明名称
一种基于深度学习判定动设备备品备件生
命周期的方法
(57)摘要
本发明属于石油工程人工智能技术领域，尤
其涉及一种基于深度学习判定动设备备品备件
生命周期的方法。一种基于深度学习判定动设备
备品备件生命周期的方法包括有对实时工况数
据进行平稳化处理、利用序列至序列的循环神经
单元并结合深度自编码器进行反向训练、构建备
品备件生命周期判别模型的步骤。该方法通过使
用双向序列至序列的循环单元提取油井实时工
况数据的前后关联特性，使用深度自编码器对时
间序列进行编码与解码反向传播训练模型，采用
互补集合经验模态分解对实时工况数据进行平
稳化处理，从而减少了异常工况值的影响，使训
练出的模型能更好的识别动设备备品备件的生
命周期状态，提高了判别动设备备品备件的生命
周期的准确率。
CN117332262A
CN117332262A权利要求书1/2页

1.一种基于深度学习判定动设备备品备件生命周期的方法，其特征在于，包括有如下
步骤：
步骤1：对实时工况数据进行平稳化处理；
步骤2：利用序列至序列的循环神经单元，结合深度自编码器进行反向训练；
步骤3：构建备品备件生命周期判别模型。
2.根据权利要求1所述的一种基于深度学习判定动设备备品备件生命周期的方法，其
特征在于，所述步骤1可具体描述为：
向油井实时工况数据中添加正负辅助噪声；
对添加正负辅助噪声后的数据进行EMD分解：
通过多组分量组合的方式，得到分解结果。
3.根据权利要求2所述的一种基于深度学习判定动设备备品备件生命周期的方法，其
特征在于，所述步骤1中得到的分解结果满足：

其式(1)中，分解结果cj为CEEMD分解最终得到的第j个IMF分量，cij为第i个信号的第j
个IMF分量表示。
4.根据权利要求1所述的一种基于深度学习判定动设备备品备件生命周期的方法，其
特征在于，所述步骤2可具体描述为：
初始化双向序列至序列的循环单元初始模型：
训练双向序列至序列的循环单元模型；
利用深度自编码器，编码时间序列。
5.根据权利要求4所述的一种基于深度学习判定动设备备品备件生命周期的方法，其
特征在于，所述步骤2中训练双向序列至序列的循环单元模型的过程可具体描述为：

it＝σg(Wict+Uiht‑1+bi)

ft＝σg(Wfxt+Ufht‑1+bf)

ct＝ft⊙ct‑1+it⊙σc(Wcxt+Uchh‑t+bc)

ot＝σg(Woxt+Uoht‑1+bo)

ht＝ot⊙σh(ct)式(2)；

其式(2)中，σg表示sigmoid激活函数，W表示参数矩阵，U、b分别表示参数矩阵的偏差向

量；σc、σh分别表示tanh函数；⊙表示元素积运算；

ct是t时刻记忆单元中的状态向量；ht是t时刻训练输出的状态向量；it表示输入门，ft表

示遗忘门，ot表示输出门。
6.根据权利要求4所述的一种基于深度学习判定动设备备品备件生命周期的方法，其
特征在于，所述步骤2中编码形成的时间序列满足：

11
其式(3)中，St表示编码形成的时间序列，v、m分别表示可视层和隐藏层的连接全职和

偏置，σg表示sigmoid激活函数。

2
CN117332262A权利要求书2/2页
7.根据权利要求6所述的一种基于深度学习判定动设备备品备件生命周期的方法，其
特征在于，还包括有如下步骤：
对步骤2中编码形成的时间序列进行解码，并进行重构误差计算。
8.根据权利要求7所述的一种基于深度学习判定动设备备品备件生命周期的方法，其
特征在于，重构误差计算所使用的自编码器输出误差代价函数满足：

其式(4)中，N表示样本的数目。

3
CN117332262A说明书1/5页

一种基于深度学习判定动设备备品备件生命周期的方法

技术领域
[0001]本发明属于石油工程人工智能技术领域，尤其涉及一种基于深度学习判定动设备
备品备件生命周期的方法。

背景技术
[