(50-4) 12 * << * >> * Русский * English * Содержание * Все выпуски

Нейросетевая модель классификации изображений динамограмм штанговых глубинных насосных установок
А.М. Вульфин1, К.Ф. Тагирова1, А.Д. Кириллова1, А.Е. Сулавко2, П.С. Ложников2

1Уфимский университет науки и технологий, 450076, Россия, г. Уфа, ул. Заки Валиди, д. 32;
2Омский государственный технический университет, 644050, Российская Федерация, г. Омск, пр-т Мира, д. 11

  Полный текст (PDF)

DOI: 10.18287/COJ1940

ID статьи: 1940

Аннотация:
Работа посвящена проблеме повышения эффективности распознавания характерных признаков комплексных неисправностей на изображениях динамограмм работы погружного насосного оборудования в условиях ограниченной экспертной разметки, выраженного дисбаланса классов и наличия шумов измерений. Создан набор из 20164 практических динамограмм, распределенных по 10 классам. Выполнено систематическое сравнение шести архитектур нейронных сетей (ResNet-18, ResNet-50, EfficientNet-B0, Vision Transformer, ConvNeXt) и четырех способов представления динамограмм в виде изображений: контурное представление, скалограмма непрерывного вейвлет-преобразования, знаковое преобразование расстояний до контура и их комбинирование. В качестве базового использован подход на основе ручного конструирования признаков: цепной код Фримена, аппроксимация геометрическими примитивами, с классификацией методом градиентного бустинга CatBoost. Обучение и оценка моделей проводились по протоколу пятикратной стратифицированной кросс-валидации с компенсацией дисбаланса посредством взвешивания функции потерь. Показано, что представления с высокой долей информативных пикселей (скалограмма, знаковая карта расстояний) обеспечивают более стабильное обучение и превосходят разреженное контурное представление, особенно для архитектур с механизмами внимания. Наилучшее качество достигнуто комбинацией модели ResNet-18 и скалограммы (F1-macro = 0,831 при Accuracy = 0,899). Научная новизна заключается в количественной оценке влияния типа представления динамограммы на эффективность различных семейств моделей при едином протоколе обучения и выраженном дисбалансе классов. Практическая значимость заключается в повышении точности распознавания изображений динамограмм с комплексными неисправностями, снижении трудоемкости ручной разметки.

Ключевые слова:
динамограмма, классификация изображений, сверточные нейронные сети, вейвлет-преобразование, дисбаланс классов.

Благодарности:
Работа выполнена в ОмГТУ в рамках государственного задания Минобрнауки России на 2023-2025 годы № FSGF-2023-0004.

Цитирование:
Вульфин, А.М. Нейросетевая модель классификации изображений динамограмм штанговых глубинных насосных установок / А.М. Вульфин, К.Ф. Тагирова, А.Д. Кириллова, А.Е. Сулавко, П.С. Ложников // Компьютерная оптика. - 2026. - Т. 50, № 4. - 1940. - doi: 10.18287/COJ1940.

Citation:
Vulfin AM, Tagirova KF, Kirillova AD, Sulavko AE, Lozhnikov PS. Neural network model for classifying dynamometer cards of sucker-rod pumping units. Computer Optics 2026; 50(4): 1940. doi: 10.18287/COJ1940.

References:

  1. Li K, Gao X-W, Yang W-B, Dai Y-L, Tian Z-D. Multiple fault diagnosis of down-hole conditions of sucker-rod pumping wells based on Freeman chain code and DCA. Pet Sci 2013; 10: 347-360. DOI:10.1007/s12182-013-0283-4.
  2. Li K, Gao X-W, Tian Z, Qiu Z. Using the curve moment and the PSO-SVM method to diagnose downhole conditions of a sucker rod pumping unit. Pet Sci 2013; 10: 73-80. DOI:10.1007/s12182-013-0252-y.
  3. Abdalla R, El Ela MA, El-Banbi A. Identification of Downhole Conditions in Sucker Rod Pumped Wells Using Deep Neural Networks and Genetic Algorithms. SPE Prod Oper 2020; 35: 435-447. DOI:10.2118/200494-PA.
  4. Cheng H, Yu H, Zeng P, Osipov E, Li S, Vyatkin V. Automatic Recognition of Sucker-Rod Pumping System Working Conditions Using Dynamometer Cards with Transfer Learning and SVM. Sensors 2020; 20: 5659. DOI:10.3390/s20195659.
  5. Dong G, Li W, Dong Z, Wang C, Qian S, Zhang T, Ma X, Zou L, Lin K, Liu Z. Enhancing Dynagraph Card Classification in Pumping Systems Using Transfer Learning and the Swin Transformer Model. Appl Sci 2024; 14: 1657. doi:10.3390/app14041657.
  6. Tan C, Chen P, Feng Z, Ai X, Lu M, Zhou Q, Feng G. Multi-Scale Normalization Method Combined With a Deep CNN Diagnosis Model of Dynamometer Card in SRP Well. Front Earth Sci 2022; 10: 852633. DOI:10.3389/feart.2022.852633.
  7. Yuan C, Wu W, Li X. Dynamometer card generation for pumping units based on CNN and electrical parameters. Sci Rep 2024; 14: 18657. DOI:10.1038/s41598-024-69516-y.
  8. Tan X, Wang S, Wu H, Chen F. Enhancing pumping unit diagnosis with similarity splicing data augmentation and wavelet denoising. Sci Rep 2025; 15: 37045. DOI:10.1038/s41598-025-20819-8.
  9. Mihajlov AG, Shubin SS, Alferov AV, Imashev RN, Yamaliev VU. Improvement of efficiency of diagnostics of rod pumps with use of deep neural networks. Neftyanoye khozyaystvo 2018; 9: 122-126. DOI:10.24887/0028-2448-2018-9-122-126.
  10. Volkov MG, Silnov DV, Topolnikov AS, Latypov BM, Katermin AV, Enikeev RM. Automated system for interpreting technical condition from dynamograms based on machine learning tools. Neftyanoye khozyaystvo 2021; 4: 102-105. DOI:10.24887/0028-2448-2021-4-102-105.
  11. Martinović A, Bijanić M, Danilović D, Petrović A, Delibasić B. Unveiling deep learning insights: a specialized analysis of sucker rod pump dynamographs, emphasizing visualizations and human insight. Mathematics 2023; 11: 4782. DOI:10.3390/math11234782.
  12. Sun Y, Wang H, Zhang X, Yang J, Wang C, Shao J, Li Y. Comparative Analysis and Suggestions for Sucker Rod Pump Working Condition Diagnosis Using Machine Learning Techniques. SPE Asia Pacific Oil and Gas Conf and Exhib. SPE 2024; D021S012R008.
  13. Gumerova VI, Korobkov GE. Assessment of the technical condition of oil industrial equipment using digital technologies. Obshchestvo 2023; 3(30): 12-16.
  14. Danilov SO. Identification of complications and malfunctions of submersible equipment of sucker rod pumping units using neural networks [In Russian]. Molodoy uchenyy 2019; 15(253): 17-22.
  15. Sharaf SA. Beam pump dynamometer card prediction using artificial neural networks. KnE Eng 2018; 198-212.
  16. Wang X, He Y, Li F, Wang Z, Dou X, Xu H, Fu L. A Working Condition Diagnosis Model of Sucker Rod Pumping wells Based on Deep Learning. SPE Prod Operations 2021; 36(2): 317-326. DOI:10.2118/205015-PA.
  17. Prokhorenkova L, Gusev G, Vorobev A, Dorogush AV, Gulin A. CatBoost: unbiased boosting with categorical features. Advances in Neural Information Processing Systems 2018; 31: 6638-6648.

Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: journal@computeroptics.ru; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20