Применение математического аппарата нейронных сетей является основным элементом при распознавании изображений, классификации и прогнозировании пространственно-временных последовательностей при решении широкого спектра задач во многих отраслях промышленности. При этом большинство современных работ по классификации временных последовательностей, описывающих различные процессы, сфокусированы на одномерных структурах. В данной статье для решения задач распознавания динамограмм использованы трансформированные из одномерных в двухмерные структуры представлений исходного временного ряда. Реализация такого способа в области диагностирования работы насосного оборудования позволяет более качественно распознавать пространственные структуры в динамограммах и проводить обучение нейронных сетей с малым количеством исходных данных (динамограмм).
Целью работы являлось повышение эффективности определения технического состояния скважинных штанговых глубинных насосов (СШН) в процессе их эксплуатации методом динамометрирования. Предложен комплексный подход к интерпретации динамограмм СШН. С помощью кодирования динамограмм в различных видах изображений установлены оптимальные способы их представления. Представлен анализ следующих способов представления динамограмм: исходное представление (изображение), грамиан в полярных координатах, рекуррентные диаграммы и кросскорреляционная матрица с последовательными задержками. Использованы различные компьютерные методы для решения задач классификации динамограмм. Проведенный комплексный анализ позволил выявить оптимальный подход к представлению динамограмм, исходя из точности их распознавания.
В результате проведенных исследований выявлены способы представления данных, показавшие высокую точность классификации и низкий уровень ошибки обучения на малых выборках исходных данных, т.е. данные представления лучшим образом обеспечивают «выделение» топологических особенностей исходных динамограмм (среди сравниваемых методов). В связи с тем, что зачастую глубиннонасосное оборудование эксплуатируется в скважинных условиях с наличием осложнений, предложена новая архитектура классификатора диагностирования эксплуатации СШН. В ней возможна реализация комплексной диагностики состояния оборудования с учетом всех известных технологических факторов (осложнений), влияющих на работу насосного оборудования.
Список литературы
1. Применение эвристических алгоритмов в анализе данных для решения задачи диагностирования электроцентробежных насосных установок / Р.И. Валиахметов, В.У. Ямалиев, С.С. Шубин, А.В. Алферов // Известия Томского политехнического университета. Инжиниринг георесурсов. – 2018. – Т. 329. – № 2. – С. 159–167.
2. Обработка практических динамограмм на ПЭВМ / Ш.Ф. Тахаутдинов, Р.К. Фархуллин, Р.Х. Муслимов [и др.]. – Казань: Новое Знание, 1997. – 76 с.
3. РД 39–1–9 98–84. Методика диагностирования и оптимизации режимов работы установок ШГН по динамографическим исследованиям. – Шевченко: КазНИПИнефть, 1984. – 101 с.
4. Backpropagation applied to handwritten zip code recognition / Y. LeCun [et al.] //Neural computation. – 1989. – Т. 1. – №. 4. – С. 541 – 551.
5. Krizhevsky A., Sutskever I., Hinton G.E. Imagenet classification with deep convolutional neural networks //Advances in neural information processing systems. – 2012. – С. 1097–1105.
6. Xia X., Xu C., Nan B. Inception‒v3 for flower classification //Image, Vision and Computing (ICIVC), 2017 2nd International Conference on. – IEEE, 2017. – С. 783–787.
7. West J., Ventura D., Warnick S. Spring research presentation: A theoretical foundation for inductive transfer. – Provo (USA): Brigham Young University, College of Physical and Mathematical Sciences, 2007.
8. Wang Z., Oates T. Encoding time series as images for visual inspection and classification using tiled convolutional neural networks // Workshops at the Twenty-Ninth AAAI Conference on Artificial Intelligence. – 2015. – Т. 1.
9. Wang Z., Yan W., Oates T. Time series classification from scratch with deep neural networks: A strong baseline // Neural Networks (IJCNN), 2017 International Joint Conference on. – IEEE, 2017. – С. 1578–1585.
10. Eckmann J. P., Kamphorst S.O., Ruelle D. Recurrence plots of dynamical systems //EPL (Europhysics Letters). – 1987. – Т. 4. – № 9. – С. 973.
11. Determining the minimum embedding dimension for state space reconstruction through recurrence networks / K.P. Harikrishnan [et al.]. – 2017. – https://arxiv.org/pdf/1704.08585.pdf
12. Dimension-scalable recurrence threshold estimation / K.H. Krämer [et al.]. – 2018. – https://arxiv.org/pdf/1802.01605.pdf
13. Ямалиев В.У., Салахов Т.Р., Шубин С.С. Применение элементов теории детерминированного хаоса к решению задач технического диагностирования УЭЦН // Электронный научный журнал Нефтегазовое дело. – 2014. – № 4. – С. 174–191.
14. Kang W.Y., Park K.W., Zhang B.T. Extremely Sparse Deep Learning Using Inception Modules with Dropfilters //14th IAPR International Conference on Document Analysis and Recognition (ICDAR). – IEEE, 2017. – С. 448–453.
15. The transition module: a method for preventing overfitting in convolutional neural networks / S. Akbar [et al.] //Computer Methods in Biomechanics and Bio-medical Engineering: Imaging & Visualization. – 2018. – С. 1–6.
