La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Transform Electric Power Curve into Dynamometer Diagram Image Using Deep Recurrent Neural Network Transformez la courbe de puissance électrique en image de diagramme de dynamomètre à l'aide d'un réseau neuronal récurrent profond

Junfeng SHI, Wenming MA, Peng SONG

  • Vues en texte intégral

    0

  • Citer

Résumé:

Pour connaître la situation de travail des puits souterrains pompés à tige, nous devons toujours analyser les diagrammes du dynamomètre, qui sont générés par le capteur de charge et le capteur de déplacement. Les puits pompés par tige sont généralement situés dans des endroits soumis à des conditions météorologiques extrêmes, et ces capteurs sont installés sur certains équipements pétroliers spéciaux en plein air. Au fil du temps, les capteurs ont tendance à générer des données instables et incorrectes. Malheureusement, les capteurs de charge sont trop coûteux pour être réinstallés fréquemment. Par conséquent, les diagrammes dynamométriques obtenus ne peuvent parfois pas établir un diagnostic précis. Au lieu de cela, en tant qu'équipement absolument nécessaire du puits pompé à tige, le moteur électrique a une durée de vie beaucoup plus longue et ne peut pas être facilement impacté par les intempéries. La courbe de puissance électrique pendant une période de prélèvement peut également refléter la situation de travail sous terre, mais elle est beaucoup plus difficile à expliquer que le diagramme du dynamomètre. Cette lettre présentait une nouvelle architecture d'apprentissage en profondeur, capable de transformer la courbe de puissance électrique en image de diagramme de dynamomètre sans dimension. Nous menons nos expériences sur un ensemble de données du monde réel et les résultats montrent que notre méthode peut obtenir une précision de transformation impressionnante.

Publication
IEICE TRANSACTIONS on Information Vol.E101-D No.8 pp.2154-2158
Date de publication
2018/08/01
Publicisé
2018/05/09
ISSN en ligne
1745-1361
DOI
10.1587/transinf.2018EDL8027
Type de manuscrit
LETTER
Catégories
Intelligence artificielle, exploration de données

Auteurs

Junfeng SHI
  Petro China
Wenming MA
  Yantai University
Peng SONG
  Yantai University

Mots-clés

Table des matières