抽油泵的故障检测方法、装置、计算机设备及存储介质与流程

1.本技术涉及抽油泵检测技术领域，具体涉及一种抽油泵的故障检测方法、装置、计算机设备及存储介质。


背景技术：

2.抽油机的抽油泵由于长期在井筒井下复杂条件进行不间断运动，受到抽油泵本身结构部件及井筒内环境介质的影响，会出现各种不同的故障。为了更好地针对不同的故障对抽油泵进行维护和维修，因此需要对抽油泵故障进行诊断，确定出是何种故障影响了抽油泵的正常运行。
3.相关技术中，通过神经网络的示功图网格化模型对抽油泵故障进行诊断，以一套通用的标准，基于抽油泵示功图分析不同的抽油泵是否有故障，以及故障的类型。
4.然而，在实际的生产应用中，不同油井的同一种类型的示功图对应的故障可能并不相同，因此并不能以通用的标准，基于抽油泵示功图对抽油泵进行故障检测。


技术实现要素：

5.为了解决相关技术的问题，本技术实施例提供了一种抽油泵的故障检测方法、装置、计算机设备及存储介质。所述技术方案如下：
6.一方面，提供了一种抽油泵的故障检测方法，所述方法包括：
7.获取目标抽油泵对应的目标特征信息，所述目标特征信息包括设备特征信息、生产特征信息以及工作环境特征信息中的至少一种；
8.根据所述目标特征信息，从至少两个故障检测模型中确定目标故障检测模型，其中，不同故障检测模型对应不同特征的抽油泵，且所述故障检测模型为深度学习模型；
9.将所述目标抽油泵的目标示功图输入所述目标故障检测模型，得到所述目标故障检测模型输出的故障检测结果。
10.另一方面，提供了一种抽油泵的故障检测装置，所述装置包括：
11.第一获取模块，用于获取目标抽油泵对应的目标特征信息，所述目标特征信息包括设备特征信息、生产特征信息以及工作环境特征信息中的至少一种；
12.第一确定模块，用于根据所述目标特征信息，从至少两个故障检测模型中确定目标故障检测模型，其中，不同故障检测模型对应不同特征的抽油泵，且所述故障检测模型为深度学习模型；
13.检测模块，用于将所述目标抽油泵的目标示功图输入所述目标故障检测模型，得到所述目标故障检测模型输出的故障检测结果。
14.另一方面，提供一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上述方面所述的抽油泵的故障检测方法。
15.另一方面，提供了一种计算机可读存储介质，所述可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上述方面所述的抽油泵的故障检测方法。
16.另一方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述方面或者上述方面的各种可选实现方式中提供的抽油泵的故障检测方法。
17.本技术实施例提供的技术方案的有益效果至少包括：
18.由于具有不同设备特征、生产特征以及工作环境特征的抽油泵的工作状态存在差异，因此本技术实施例中，在对目标抽油泵进行故障检测时，首先根据目标抽油泵的目标特征信息，确定出与目标抽油泵的特征相匹配的目标故障检测模型，从而利用该目标故障检测模型，基于目标抽油泵的目标示功图进行故障检测，得到故障检测结果；相较于相关技术中按照通用标准对抽油泵进行故障检测，采用本技术实施例提供的方案能够基于抽油泵的特征进行针对性检测，有助于提高抽油泵故障的检测准确性。
附图说明
19.图1是本技术一个示意性实施例提供的抽油泵的故障检测方法的流程图；
20.图2是本技术另一个示意性实施例提供的抽油泵的故障检测方法的流程图；
21.图3是本技术一个示意性实施例示出的基于样本特征向量对样本抽油泵进行聚类过程的示意图；
22.图4是本技术一个示意性实施例提供的示功图；
23.图5是本技术一个示意性实施例提供的抽油泵的故障检测装置的结构示意图；
24.图6是本技术一个实施例提供的计算机设备的结构示意图。
具体实施方式
25.为使本技术的目的、技术方案和优点更加清楚，下面将结合附图对本技术实施方式作进一步地详细描述。
26.下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。
27.在本技术的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示:单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
28.请参考图1，其示出了本技术一个示例性实施例提供的抽油泵的故障检测方法的流程图，本实施例以该方法用于计算机设备为例进行说明，该抽油泵的故障检测方法包括：
29.步骤101，获取目标抽油泵对应的目标特征信息，目标特征信息包括设备特征信息、生产特征信息以及工作环境特征信息中的至少一种。
30.其中，目标抽油泵为待检测存在何种故障的抽油泵，目标特征信息用于表征目标抽油泵的特征，获取目标抽油泵对应的目标特征信息的目的是基于目标抽油泵的特征，确定出目标抽油泵的类型，该类型是经过对抽油泵各种特征综合分析后归类得到的，基于目标抽油泵的类型可以更准确地确定目标抽油泵存在何种故障。
31.在一些实施例中，设备特征信息包括抽油机的型号与使用时长，生产特征信息包括抽取石油的品质与物理性质，工作环境特征信息为目标抽油泵所处区域的地质条件。
32.步骤102，根据目标特征信息，从至少两个故障检测模型中确定目标故障检测模型，其中，不同故障检测模型对应不同特征的抽油泵，且故障检测模型为深度学习模型。
33.在一种可能的实施方式中，计算机设备预先根据样本抽油泵的特征信息，对样本抽油泵进行聚类，并基于每一类样本抽油泵的历史工作数据(包括历史示功图和历史故障检测记录)，训练该类样本抽油泵对应的故障检测模型，从而得到不同特征抽油泵对应的多个故障检测模型。
34.由于不同故障检测模型对应不同特征的抽油泵，若将目标抽油泵的相关数据输入不与其对应的故障检测模型中，会导致后续得到的故障检测结果与事实不符，因此计算机设备需要根据目标特征信息，从至少两个故障检测模型中确定目标故障检测模型。
35.深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，而深度学习模型则是深度学习的载体。本技术实施例中的故障检测模型即为基于训练样本训练得到的深度学习模型。
36.其中，此处的深度学习模型包括视觉几何组模型(visual geometry group network，vggnet)、谷歌网络模型(googlenet)、残差神经网络模型(residual neural network，resnet)以及阿历克斯网络模型(alexnet)中的至少一种，本实施例对故障检测模型的具体类型不作限定。
37.步骤103，将目标抽油泵的目标示功图输入目标故障检测模型，得到目标故障检测模型输出的故障检测结果。
38.示功图是示功仪在抽油机一个抽吸周期内测取的封闭曲线，为体现抽油机悬点载荷随其位移变化规律的图形，该封闭曲线围成的面积表示抽油泵在一次往复运动中所做的功，可以间接地反映抽油泵的故障情况，如故障的类型、故障的严重程度。
39.目标示功图为某一时期内示功仪测得的目标抽油泵的示功图，可以反映目标抽油泵某一时期内的故障情况。
40.故障检测结果包括目标抽油泵为不同类型故障的概率、目标抽油泵是否存在故障以及当目标抽油泵存在故障时的故障类型。
41.可选的，计算机设备将概率最高的故障类型作为目标抽油泵的故障类型。
42.可选的，计算机设备将概率最高的前n个故障类型作为目标抽油泵的故障类型，n为大于等于1的整数。
43.在一个示意性的例子中，计算机设备将概率最高的故障类型作为目标抽油泵的故障类型。若目标故障检测模型输出的故障检测结果中，概率最高的三种故障为故障类型1、故障类型2以及故障类型3，且故障类型1的概率为80％，故障类型2的概率为10％，故障类型3的概率为5％，因此计算机设备将目标抽油泵的故障类型确定为故障类型1。
44.在其他可能的实现方式中，计算机设备将概率高于概率阈值的故障类型作为目标
抽油泵的故障类型。
45.综上所述，本实施例中，由于具有不同设备特征、生产特征以及工作环境特征的抽油泵的工作状态存在差异，因此本技术实施例中，在对目标抽油泵进行故障检测时，首先根据目标抽油泵的目标特征信息，确定出与目标抽油泵的特征相匹配的目标故障检测模型，从而利用该目标故障检测模型，基于目标抽油泵的目标示功图进行故障检测，得到故障检测结果；相较于相关技术中按照通用标准对抽油泵进行故障检测，采用本技术实施例提供的方案能够基于抽油泵的特征进行针对性检测，有助于提高抽油泵故障的检测准确性。
46.请参考图2，其示出了本技术另一个示例性实施例提供的抽油泵的故障检测方法的流程图，本实施例以该方法用于计算机设备为例进行说明，该抽油泵的故障检测方法包括：
47.步骤201，获取样本抽油泵对应的样本特征向量，样本特征向量由样本抽油泵对应的样本特征信息转化得到。
48.样本抽油泵为经过大量取样得到的抽油泵，该抽油泵的每一类型的特征信息都不是完全相同的，一般存在着较多的区别。
49.仅根据特征信息将相似的样本抽油泵进行归类并不容易，因为特征信息具有很多种类，单独对比同类样本信息只能得到某一种特征的相似度，并不能得到所有进行比较的特征的总体相似度。因此将样本特征信息转化为样本特征向量，计算机设备就可以通过计算各个样本特征向量的相似度，得到样本抽油泵所有样本信息总体上的相似度，简化了后续对样本抽油泵进行聚类的过程。
50.可选的，计算机设备根据样本抽油泵各个维度的样本特征信息生成样本抽油泵在不同维度的特征向量。该特征向量基于同类样本信息的相似度以及不同类样本信息的权重进行设置。
51.可选的，计算机设备获取样本抽油泵对应的样本特征信息，样本特征信息中包含k个维度的信息，k为大于等于2的整数；基于样本特征信息训练向量转化模型，向量转化模型用于将输入的特征信息转化为k维特征向量。其中，样本特征信息可以包括设备特征信息、生产特征信息以及工作环境特征信息中的至少一种。
52.在一种可能的实施方式中，向量转化模型为为词向量化(word to vector，w2v)模型，训练向量转化模型的目的是提升样本特征信息转化为特征向量的速度以及准确性。
53.可选的，计算机设备对于k个维度中的第i维度，根据样本特征信息中第i维度对应的信息，训练第i维度对应的向量转化子模型，i为小于等于k的正整数；根据k个向量转化子模型生成向量转化模型。
54.由于样本特征信息存在多个维度，即存在多个种类的样本特征信息，多个种类的样本特征信息对应多个维度的特征向量，而多个维度的向量是由单个维度的向量组成的，因此需要单维度样本特征信息对应的向量转化子模型，从而首先将单维度样本特征信息通过向量转化子模型转化为单维度特征向量，进而对k个单维度特征向量进行组合，生成k维特征向量。
55.步骤202，基于样本特征向量对样本抽油泵进行聚类，得到至少一个抽油泵类簇。
56.聚类是将物理或抽象对象的集合分成由类似的对象组成的多个类的过程。由聚类所生成的簇是一组数据对象的集合，这些对象与同一个簇中的对象彼此相似，与其他簇中
的对象相异。为了确定出具有相似特征的抽油泵，计算机设备即通过聚类算法，基于样本特征向量对样本抽油泵进行聚类，从而得到至少一个抽油泵类簇，其中，同一抽油泵类簇中样本抽油泵对应样本特征向量的相似度高于不同抽油泵类簇中样本抽油泵对应样本特征向量的相似度。
57.其中，此处的聚类方法包括k均值聚类、均值漂移聚类以及基于密度聚类，本实施例对具体采用的聚类算法不作限定。
58.如图3所示，假设样本特征向量为二维向量，则样本特征向量可以用平面坐标系上的点304表示，根据各点304的距离，可将该点聚类得到第一聚类簇301、第二聚类簇302和第三聚类簇303，每个聚类簇代表一个抽油泵类簇。
59.步骤203，对于任一抽油泵类簇，根据抽油泵类簇中样本抽油泵对应的样本示功图，以及样本示功图对应的故障标签，训练抽油泵类簇对应的故障检测模型。
60.其中，故障标签为确定出样本抽油泵的故障类型后，人为给样本抽油泵对应的样本示功图做的有关故障类型信息的标注，该故障标签表明了样本示功图对应的故障类型。
61.由于同一抽油泵类簇中样本抽油泵的特征相似度较高，其相同的样本示功图对应的故障类型是基本相同的，因此可以准确地为样本示功图做故障标签，进而根据抽油泵类簇中样本抽油泵对应的样本示功图，以及样本示功图对应的故障标签，训练抽油泵类簇对应的故障检测模型，该故障检测模型用于检测与抽油泵类簇中样本抽油泵特征相似度较高的抽油泵的故障。
62.可选的，计算机设备选取样本示功图的一部分作为训练集，剩余的一部分作为测试集，将训练集输入深度学习网络进行训练，得到抽油泵类簇对应的故障检测模型，将测试集输入故障检测模型得到检测结果，根据检测结果调整故障检测模型中的权重系数与偏置项。
63.步骤204，根据抽油泵类簇中样本抽油泵对应的样本特征向量，确定故障检测模型对应的候选特征向量。
64.在一种可能的实施方式中，为了便于后续确定待检测抽油泵所属的抽油泵类簇，从而选取该类簇对应的故障检测模型进行故障检测，计算机设备需要进一步根据抽油泵类簇中样本抽油泵对应的样本特征向量，确定出表征该抽油泵类簇特征的候选特征向量。
65.在一种可能的实施方式中，计算机设备将抽油泵类簇中样本抽油泵对应样本特征向量的向量平均值，确定为该抽油泵类簇的候选特征向量。在一个示意性的例子中，抽油泵类簇中包含100个样本抽油泵，计算机设备即将100个样本抽油泵对应样本特征向量的平均值确定为候选特征向量。
66.通过上述步骤201至204，计算机设备完成不同类型抽油泵对应故障检测模型的训练，后续计算机设备即可利用训练得到的故障检测模型对抽油泵进行故障检测。
67.步骤205，获取目标抽油泵对应的目标特征信息。
68.本步骤的实施方式可以参考上述步骤101，本实施例在此不再赘述。
69.步骤206，将目标特征信息转化为目标特征向量。
70.由于需要将目标特征信息与根据样本特征信息做对比，确定目标抽油泵与何类样本抽油泵的特征相似，从而确定出目标故障检测模型，但是样本特征信息已转化为样本特征向量，并且根据样本特征向量确定出表征各类抽油泵特征的候选特征向量，信息是无法
与向量对比的，因此需要将目标特征信息转化为目标特征向量。
71.在一种可能的实施方式中，计算机设备将目标特征信息输入模型训练过程中训练得到的向量转化模型，得到目标特征向量。
72.步骤207，根据目标特征向量，以及各个故障检测模型各自对应的候选特征向量，从至少两个故障检测模型中确定目标故障检测模型。
73.可选的，计算机设备计算目标特征向量与各个候选特征向量之间的向量距离，将最小向量距离对应的故障检测模型确定为目标故障检测模型。
74.其中，向量距离体现了向量之间的相似程度的大小，向量距离越大，向量之间的相似程度越小，反之向量距离越小，向量之间的相似程度越大。
75.当目标特征向量与某个候选特征向量之间的向量距离最小时，说明目标抽油泵与该候选特征向量对应的样本抽油泵的特征最为相似，因此将最小向量距离对应的故障检测模型确定为目标故障检测模型。
76.向量距离的计算方法包括欧式距离算法、曼哈顿距离算法以及夹角余弦算法，本实施例对此不作限定。
77.在一个示意性的例子中，计算机设备采用欧式距离算法计算目标特征向量与某个候选特征向量之间的向量距离，目标特征向量a＝(x1，x2，...xn)某个候选特征向量b＝(y1，y2,...yn)，目标特征向量与该候选特征向量的欧式距离计算公式为：
[0078][0079]
步骤208，获取目标抽油泵对应的至少两张候选示功图，至少两张候选示功图是连续生成的示功图。
[0080]
示功图是表现抽油泵在一次往复运动中所做的功的图形，因此连续生成的示功图可以表现抽油泵在连续几次往复运动中的做功情况，从而可以基于示功图所表现的抽油泵在连续几次往复运动中做功情况，确定抽油泵何时出现故障。
[0081]
在一种可能的实施方式中，计算机设备获取连续生成的至少两张候选示功图，以便后续从中确定出用于进行故障检测的目标示功图。
[0082]
步骤209，若第一候选示功图与第二候选示功图之间的示功图相似度小于相似度阈值，将第二候选示功图确定为目标示功图，第一候选示功图和第二候选示功图为相邻生成的示功图。
[0083]
由于在抽油泵处于正常运行的状态下，示功仪生成的示功图在形状上不会有过多的不同，即示功图的相似度较高，而当抽油泵一旦存在故障，则在故障时生成的示功图就会与抽油泵处于正常运行状态时的形状有明显的不同，即示功图的相似度较低，因此计算机设备可以通过比较候选示功图的示功图相似度，选取相似度较低的候选示功图用于后续故障检测。
[0084]
可选的，若第一候选示功图与第二候选示功图的面积差值大于面积差值阈值，和/或，第二候选示功图上目标位置处切线斜率极值与目标斜率的差值大于切线斜率差值阈值，计算机设备则将第二候选示功图确定为目标示功图。
[0085]
如图4所示，第一候选示功图401为抽油泵处于正常运行状态时的示功图，其形状为平行四边形，第二候选示功图402为抽油泵出现故障时的示功图，其形状为不规则图形。
第一候选示功图401与第二候选示功图402在面积上有差异，且第一候选示功图401的每条边的斜率都是固定的，但第二候选示功图402的对应边上的点的切线斜率并不相同。
[0086]
步骤210，将目标示功图输入目标故障检测模型，得到目标故障检测模型输出的故障检测结果。
[0087]
本步骤的实施方式可以参考上述步骤103，本实施例在此不再赘述。
[0088]
综上所述，本实施例中，通过将特征信息转化为特征向量，根据特征向量确定目标故障检测模型，提高了确定目标故障检测模型的效率；并且，基于样本特征向量对样本抽油泵进行聚类，得到至少一个抽油泵类簇，从而基于同一抽油泵类簇中样本抽油泵的样本示功图以及故障标签进行模型训练，提高了模型训练的针对性和训练质量，进而提高后续故障检测的准确性。
[0089]
此外，本实施例中，计算机设备根据连续生成的示功图之间的相似度，筛选出目标示功图进行故障检测，避免对每张示功图均进行故障检测造成的处理资源浪费。
[0090]
请参考图5，其示出了本技术一个实施例提供的抽油泵的故障检测装置的结构示意图。该装置包括：第一获取模块501、第一确定模块502、检测模块503。
[0091]
第一获取模块501，用于获取目标抽油泵对应的目标特征信息，所述目标特征信息包括设备特征信息、生产特征信息以及工作环境特征信息中的至少一种；
[0092]
第一确定模块502，用于根据所述目标特征信息，从至少两个故障检测模型中确定目标故障检测模型，其中，不同故障检测模型对应不同特征的抽油泵，且所述故障检测模型为深度学习模型；
[0093]
检测模块503，用于将所述目标抽油泵的目标示功图输入所述目标故障检测模型，得到所述目标故障检测模型输出的故障检测结果。
[0094]
可选的，所述第一确定模块502，包括：
[0095]
转化单元，用于将所述目标特征信息转化为目标特征向量；
[0096]
第一确定单元，用于根据所述目标特征向量，以及各个所述故障检测模型各自对应的候选特征向量，从至少两个所述故障检测模型中确定所述目标故障检测模型。
[0097]
可选的，所述第一确定单元，用于：
[0098]
计算所述目标特征向量与各个所述候选特征向量之间的向量距离；
[0099]
将最小向量距离对应的所述故障检测模型确定为所述目标故障检测模型。
[0100]
可选的，所述装置还包括：
[0101]
第二获取模块，用于获取样本抽油泵对应的样本特征向量，所述样本特征向量由所述样本抽油泵对应的样本特征信息转化得到；
[0102]
聚类模块，用于基于所述样本特征向量对所述样本抽油泵进行聚类，得到至少一个抽油泵类簇；
[0103]
第一训练模块，用于对于任一抽油泵类簇，根据所述抽油泵类簇中所述样本抽油泵对应的样本示功图，以及所述样本示功图对应的故障标签，训练所述抽油泵类簇对应的所述故障检测模型；
[0104]
第二确定模块，用于根据所述抽油泵类簇中所述样本抽油泵对应的所述样本特征向量，确定所述故障检测模型对应的所述候选特征向量。
[0105]
可选的，所述装置还包括：
[0106]
第三获取模块，用于获取样本抽油泵对应的样本特征信息，所述样本特征信息中包含k个维度的信息，k为大于等于2的整数；
[0107]
第二训练模块，用于基于所述样本特征信息训练向量转化模型，所述向量转化模型用于将输入的特征信息转化为k维特征向量。
[0108]
可选的，所述第二训练模块，包括：
[0109]
训练单元，用于对于k个维度中的第i维度，根据所述样本特征信息中所述第i维度对应的信息，训练所述第i维度对应的向量转化子模型，i为小于等于k的正整数；
[0110]
生成单元，用于根据k个所述向量转化子模型生成所述向量转化模型。
[0111]
可选的，所述检测模块503，包括
[0112]
获取单元，用于获取所述目标抽油泵对应的至少两张候选示功图，至少两张所述候选示功图是连续生成的示功图；
[0113]
第二确定单元，用于若第一候选示功图与第二候选示功图之间的示功图相似度小于相似度阈值，将所述第二候选示功图确定为所述目标示功图，所述第一候选示功图和所述第二候选示功图相邻生成的示功图；
[0114]
检测单元，用于将所述目标示功图输入所述目标故障检测模型，得到所述目标故障检测模型输出的所述故障检测结果。
[0115]
综上所述，本技术实施例中，由于具有不同设备特征、生产特征以及工作环境特征的抽油泵的工作状态存在差异，因此本技术实施例中，在对目标抽油泵进行故障检测时，首先根据目标抽油泵的目标特征信息，确定出与目标抽油泵的特征相匹配的目标故障检测模型，从而利用该目标故障检测模型，基于目标抽油泵的目标示功图进行故障检测，得到故障检测结果；相较于相关技术中按照通用标准对抽油泵进行故障检测，采用本技术实施例提供的方案能够基于抽油泵的特征进行针对性检测，有助于提高抽油泵故障的检测准确性。
[0116]
本实施例中，通过将特征信息转化为特征向量，根据特征向量确定目标故障检测模型，提高了确定目标故障检测模型的效率；并且，基于样本特征向量对样本抽油泵进行聚类，得到至少一个抽油泵类簇，从而基于同一抽油泵类簇中样本抽油泵的样本示功图以及故障标签进行模型训练，提高了模型训练的针对性和训练质量，进而提高后续故障检测的准确性。
[0117]
此外，本实施例中，计算机设备根据连续生成的示功图之间的相似度，筛选出目标示功图进行故障检测，避免对每张示功图均进行故障检测造成的处理资源浪费。
[0118]
需要说明的是，上述实施例提供的装置，在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置与方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
[0119]
请参考图6，其示出了本技术一个示例性实施例提供的计算机设备的结构示意图。具体来讲：所述计算机设备600包括中央处理单元(central processing unit，cpu)601、包括随机存取存储器602和只读存储器603的系统存储器604，以及连接系统存储器604和中央处理单元601的系统总线605。所述计算机设备600还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(input/output，i/o系统)606，和用于存储操作系统613、应用
程序614和其他程序模块615的大容量存储设备607。
[0120]
所述基本输入/输出系统606包括有用于显示信息的显示器608和用于用户输入信息的诸如鼠标、键盘之类的输入设备609。其中所述显示器608和输入设备609都通过连接到系统总线605的输入输出控制器610连接到中央处理单元601。所述基本输入/输出系统606还可以包括输入输出控制器610以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器610还提供输出到显示屏、打印机或其他类型的输出设备。
[0121]
所述大容量存储设备607通过连接到系统总线605的大容量存储控制器(未示出)连接到中央处理单元601。所述大容量存储设备607及其相关联的计算机可读介质为计算机设备600提供非易失性存储。也就是说，所述大容量存储设备607可以包括诸如硬盘或者驱动器之类的计算机可读介质(未示出)。
[0122]
不失一般性，所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括随机存取记忆体(ram，random access memory)、只读存储器(rom，read only memory)、闪存或其他固态存储其技术，只读光盘(compact disc read-only memory，cd-rom)、数字通用光盘(digital versatile disc，dvd)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器604和大容量存储设备607可以统称为存储器。
[0123]
存储器存储有一个或多个程序，一个或多个程序被配置成由一个或多个中央处理单元601执行，一个或多个程序包含用于实现上述方法的指令，中央处理单元601执行该一个或多个程序实现上述各个方法实施例提供的方法。
[0124]
根据本技术的各种实施例，所述计算机设备600还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即计算机设备600可以通过连接在所述系统总线605上的网络接口单元611连接到网络612，或者说，也可以使用网络接口单元611来连接到其他类型的网络或远程计算机系统(未示出)。
[0125]
所述存储器还包括一个或者一个以上的程序，所述一个或者一个以上程序存储于存储器中，所述一个或者一个以上程序包含用于进行本技术实施例提供的方法中由计算机设备所执行的步骤。
[0126]
本技术实施例还提供一种计算机可读存储介质，该计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述实施例提供的抽油泵的故障检测方法。
[0127]
本技术实施例还提供一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述方面或者上述方面的各种可选实现方式中提供的抽油泵的故障检测方法。
[0128]
上述本技术实施例序号仅仅为了描述，不代表实施例的优劣。
[0129]
本领域普通技术人员可以理解实现上述实施例的信息处理方法中全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于
一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。以上所述仅为本技术的可选实施例，并不用以限制本技术，凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。

技术特征：
1.一种抽油泵的故障检测方法，其特征在于，所述方法包括：获取目标抽油泵对应的目标特征信息，所述目标特征信息包括设备特征信息、生产特征信息以及工作环境特征信息中的至少一种；根据所述目标特征信息，从至少两个故障检测模型中确定目标故障检测模型，其中，不同故障检测模型对应不同特征的抽油泵，且所述故障检测模型为深度学习模型；将所述目标抽油泵的目标示功图输入所述目标故障检测模型，得到所述目标故障检测模型输出的故障检测结果。2.根据权利要求1所述的方法，其特征在于，所述根据所述目标特征信息，从至少两个故障检测模型中确定目标故障检测模型，包括：将所述目标特征信息转化为目标特征向量；根据所述目标特征向量，以及各个所述故障检测模型各自对应的候选特征向量，从至少两个所述故障检测模型中确定所述目标故障检测模型。3.根据权利要求2所述的方法，其特征在于，所述根据所述目标特征向量，以及各个所述故障检测模型各自对应的候选特征向量，从至少两个所述故障检测模型中确定所述目标故障检测模型，包括：计算所述目标特征向量与各个所述候选特征向量之间的向量距离；将最小向量距离对应的所述故障检测模型确定为所述目标故障检测模型。4.根据权利要求2所述的方法，其特征在于，所述方法还包括：获取样本抽油泵对应的样本特征向量，所述样本特征向量由所述样本抽油泵对应的样本特征信息转化得到；基于所述样本特征向量对所述样本抽油泵进行聚类，得到至少一个抽油泵类簇；对于任一抽油泵类簇，根据所述抽油泵类簇中所述样本抽油泵对应的样本示功图，以及所述样本示功图对应的故障标签，训练所述抽油泵类簇对应的所述故障检测模型；根据所述抽油泵类簇中所述样本抽油泵对应的所述样本特征向量，确定所述故障检测模型对应的所述候选特征向量。5.根据权利要求2至4任一所述的方法，其特征在于，所述方法还包括：获取样本抽油泵对应的样本特征信息，所述样本特征信息中包含k个维度的信息，k为大于等于2的整数；基于所述样本特征信息训练向量转化模型，所述向量转化模型用于将输入的特征信息转化为k维特征向量。6.根据权利要求5所述的方法，其特征在于，基于所述样本特征信息训练向量转化模型，包括：对于k个维度中的第i维度，根据所述样本特征信息中所述第i维度对应的信息，训练所述第i维度对应的向量转化子模型，i为小于等于k的正整数；根据k个所述向量转化子模型生成所述向量转化模型。7.根据权利要求1至4任一所述的方法，其特征在于，所述将所述目标抽油泵的目标示功图输入所述目标故障检测模型，得到所述目标故障检测模型输出的故障检测结果，包括：获取所述目标抽油泵对应的至少两张候选示功图，至少两张所述候选示功图是连续生成的示功图；
若第一候选示功图与第二候选示功图之间的示功图相似度小于相似度阈值，将所述第二候选示功图确定为所述目标示功图，所述第一候选示功图和所述第二候选示功图为相邻生成的示功图；将所述目标示功图输入所述目标故障检测模型，得到所述目标故障检测模型输出的所述故障检测结果。8.一种抽油泵的故障检测装置，其特征在于，所述装置包括：第一获取模块，用于获取目标抽油泵对应的目标特征信息，所述目标特征信息包括设备特征信息、生产特征信息以及工作环境特征信息中的至少一种；第一确定模块，用于根据所述目标特征信息，从至少两个故障检测模型中确定目标故障检测模型，其中，不同故障检测模型对应不同特征的抽油泵，且所述故障检测模型为深度学习模型；检测模块，用于将所述目标抽油泵的目标示功图输入所述目标故障检测模型，得到所述目标故障检测模型输出的故障检测结果。9.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至7任一所述的抽油泵的故障检测方法。10.一种计算机可读存储介质，其特征在于，所述可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至7任一所述的抽油泵的故障检测方法。

技术总结
本申请公开了一种抽油泵的故障检测方法、装置、计算机设备及存储介质，涉及抽油泵检测技术领域。该方法包括：获取目标抽油泵对应的目标特征信息，根据目标特征信息，从至少两个故障检测模型中确定目标故障检测模型，其中，不同故障检测模型对应不同特征的抽油泵，且故障检测模型为深度学习模型，将目标抽油泵的目标示功图输入目标故障检测模型，得到目标故障检测模型输出的故障检测结果。相较于相关技术中按照通用标准对抽油泵进行故障检测，采用本申请实施例提供的方案能够基于抽油泵的特征进行针对性检测，有助于提高抽油泵故障的检测准确性。准确性。准确性。


技术研发人员：陈哲 王洪雨 曲岩 蒋义伟 范德军 李石 谢庚易 刘艳秋 续瑾成 伏坤
受保护的技术使用者：中国石油天然气股份有限公司
技术研发日：2020.11.20
技术公布日：2022/5/25