(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211498104.0 (22)申请日 2022.11.28 (71)申请人 西南石油大 学 地址 610500 四川省成 都市新都区新都大 道8号 (72)发明人 汪敏　陈璨玉　单朝晖　陆兴　 刘勇　兰明菊　 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种小样本的稠油工况故障智能识别方法 (57)摘要 本发明涉及一种小样本的稠油工况故障智 能识别方法， 属于人工智能领域。 包含以下步骤： S1： 将稠油井数据输入后检测数据是否缺失， 使 用k最近距离邻法进行缺失值填充； S2： 将完备数 据输入卷积神经网络提取高维特征； S3： 计算特 征与其对应类中心之间的角度并存储， 得到每个 类的类内特征分布； S4： 将工况正常类的特征分 布传递到工况 故障类， 重构工况故障类的类内特 征分布； S5： 训练模型， 提升识别精度， 本专利从 新颖的角度出 发， 根据重构工况故障类的类内特 征分布， 可以提高故障识别精度， 指导工作人员 及时排除故障。 权利要求书2页 说明书5页 附图3页 CN 115544901 A 2022.12.30 CN 115544901 A 1.一种小样本的稠油工况故障智能识别方法， 其特 征在于， 包括以下步骤： S1： 将稠油井数据输入后检测数据是否有缺失， 输入数据包括井口温度、 产液量、 产油 量、 产水量、 含水率、 集油线温度、 计量线温度、 注汽线温度、 注汽线压力这9个参数数据， 并 采用“k最近距离邻法 ”填充缺失值； S2： 将S1中经 过缺失值 填充后的所有完备 数据输入卷积神经网络以提取高维特 征； S3： 计算特征与其对应的类中心之间的角度并将它们存储起来， 得到每个类特征向量 与其对应的类中心的夹角分布， 其分布满足高斯分布且彼此独立； S4： 将从工况正常类学习的角度方差传递到工况故障类， 重构工况故障类的类内特征 分布， 形成 “特征云”； S5： 使用工况正常类的原始特征和工况故障类的重构特征开始训练模型， 通过CosFace 损失函数或者A rcFace损失函数计算损失； S6： 输入测试数据， 检测数据 是否有缺失， 缺失则进行数据填充后将完备测试数据输入 模型， 输出为稠油工况识别结果。 2.根据权利要求1所述的一种 小样本的稠油工况故障智能识别方法， 其特征在于： 步骤 S1中， 检查数据是否缺失， 计算 缺失值所在数据与其 他完整数据点的欧式距离： 其中 为有缺失值数据与完备数据的欧氏距离， x为 带有缺失值的数据， y为完整数据， 对缺失值所在数据与其他完备数据全部计算欧式距离后， 找到距离数据x最近的k个数据 点， 取它们对应缺失特 征的平均值作为 填补值， k取5 。 3.根据权利要求1所述的一种 小样本的稠油工况故障智能识别方法， 其特征在于： 步骤 S2中， 将完备数据输入到卷积神经网络提取高维特征， 该卷积神经网络包括卷积层、 池化 层、 BN层。 4.根据权利要求1所述的一种 小样本的稠油工况故障智能识别方法， 其特征在于： 步骤 S3中， 计算特 征与其对应的类中心之间的角度并将它 们存储起来： 其中， 表示第i类特征中心， 表示第i类的第k个特征， 与 具有相同的维度， 计 算每个类角度分布的均值与方差， 工况正常类与工况故障类的类内角度分布如下： 其中 为工况正常类的角度分布， 和 分别为工况正常类角度分布的均值与方差，   为工况故障类的角度分布， 和 分别为工况故障类角度分布的均值与方差， 方差越大 表示类内角度多样性越高。 5.根据权利要求1所述的一种 小样本的稠油工况故障智能识别方法， 其特征在于： 步骤权　利　要　求　书 1/2 页 2 CN 115544901 A 2S4中， 将工况正常类的方差转移到 工况故障类， 构建 “特征云”， 增加其类内多样性： 其中 代表“特征云”的分布， 为“特征云”的方差， 代表构建“特征云”后 的工况故障类角度分布， 和 分别为构建 “特征云”后的工况故障类的均值与方差 。 6.根据权利要求1所述的一种 小样本的稠油工况故障智能识别方法， 其特征在于： 步骤 S5中， 使用工况正常类的原始特征和工况故障类的重构特征来训练模型并计算损失， CosFace损失函数通过引入余弦余量来最大化角度空间中的决策余量， 有效地最小化类内 距离和最大化类间距离， A rcFace损失函数通过引入角度间隔最大化分类界限： 其中， N和C 分别是最小批量的大小、 类别数， y为第n个数据的标签， 定义 为第n个数据 的特征向量， 为y类的权重向量， 为 与 之间的夹角， s为特征向量归一化后的固 定值， j为同一训练批次中除第n个数据外其他数据的标签， 为这些其他数据的特征向量 与对应的类别权重向量之间的夹角， 是控制余弦间隔大小的超参数， 是控制角度间 隔的超参数，   取0.2，  取0.2， 通过不断训练最小化损失函数 得到最优 模型。权　利　要　求　书 2/2 页 3 CN 115544901 A 3