(19)國家知識產(chǎn)權(quán)局(22)申請日2025.05.28(72)發(fā)明人張黎明蔣欣燦張凱張保濱孫雅琪焦博韜張詩怡張亞美王晨旭王樹源陳海鑫公司37252GO6F18/241(2023.0一種基于大語言模型的抽油機井工況診斷本發(fā)明提供了一種基于大語言模型的抽油技術(shù)領(lǐng)域，具體包括：依據(jù)油氣開采行業(yè)標(biāo)準(zhǔn)，構(gòu)庫，包括：案例工況特征標(biāo)簽和措施效果標(biāo)簽，并將案例工況特征標(biāo)簽進(jìn)行編碼處理或標(biāo)準(zhǔn)化處理；將用戶指令輸入Agent模塊，輸出工況分析圖類型輸入到改進(jìn)的RAG模型，調(diào)用結(jié)構(gòu)化模版，生有技術(shù)中抽油機工況診斷依賴專業(yè)知識，文檔處21.一種基于大語言模型的抽油機井工況診斷及報告生成方法，其特征在于，具體包括如下步驟：S1,依據(jù)油氣開采行業(yè)標(biāo)準(zhǔn)，構(gòu)建結(jié)構(gòu)化模版；S2,通過ETL工具整合油田作業(yè)區(qū)的歷史工況數(shù)據(jù)集及措施實施檔案，構(gòu)建措施語料庫，包括：案例工況特征標(biāo)簽和措施效果標(biāo)簽，并將案例工況特征標(biāo)簽進(jìn)行編碼處理或標(biāo)準(zhǔn)化處理；S3,將用戶指令輸入Agent模塊，Agent模塊調(diào)用大語言模型和專業(yè)小模型集群，輸出工況分析圖及對應(yīng)的故障類型；S4,將當(dāng)前案例工況數(shù)據(jù)和故障類型輸入到改進(jìn)的RAG模型，調(diào)用結(jié)構(gòu)化模版，生成案例工況診斷報告。2.根據(jù)權(quán)利要求1所述的一種基于大語言模型的抽油機井工況診斷及報告生成方法，其特征在于，步驟S1中的結(jié)構(gòu)化模版包括：單井基礎(chǔ)信息表、工況動態(tài)監(jiān)測模塊、生產(chǎn)效能油壓套壓變化趨勢圖、載荷變化趨勢圖和能耗參數(shù)變化趨勢圖。3.根據(jù)權(quán)利要求1所述的一種基于大語言模型的抽油機井工況診斷及報告生成方法，施實施后的綜合效益和實際效果。4.根據(jù)權(quán)利要求3所述的一種基于大語言模型的抽油機井工況診斷及報告生成方法，S2.1,構(gòu)建動態(tài)特征編碼體系，采用One-Hot編碼處理特征標(biāo)簽中的離散變量，使用Min-Max標(biāo)準(zhǔn)化處理特征標(biāo)簽中的連續(xù)變量；S2.2,將數(shù)值類數(shù)據(jù)與文本類數(shù)據(jù)映射到統(tǒng)一向量空間進(jìn)行存儲。5.根據(jù)權(quán)利要求1所述的一種基于大語言模型的抽油機井工況診斷及報告生成方法，將用戶指令輸入Agent模塊，Agent模塊使用大語言模型對用戶輸入進(jìn)行語義理解，提取語義向量，判斷是否需要生成報告，如果需要生成報告則提取語義向量中的區(qū)塊、井號，率、最大載荷、最小載荷數(shù)據(jù)，輸入到專業(yè)小模型集群，專業(yè)小模型集群輸出工況分析圖及對應(yīng)的工況故障類型。6.根據(jù)權(quán)利要求1所述的一種基于大語言模型的抽油機井工況診斷及報告生成方法，S4.1,根據(jù)工況故障類型找到對應(yīng)的措施語料庫，計算當(dāng)前案例工況特征向量與措施語料庫中的工況特征向量的余弦相似度，將余弦相似度接近1的案例工況保留；S4.2,構(gòu)建時效衰減模型，計算案例工況參考權(quán)重Wt:3S4.3,根據(jù)余弦相似度和案例工況參考權(quán)重，篩選出與當(dāng)前案例工況相似度最高的最近時期的若干案例工況。7.根據(jù)權(quán)利要求6所述的一種基于大語言模型的抽油機井工況診斷及報告生成方法，S4.4,將往年案例工況特征和措施效果標(biāo)簽作為輸入數(shù)據(jù)，將輸入數(shù)據(jù)劃分為訓(xùn)練集和測試集，利用訓(xùn)練集訓(xùn)練隨機森林模型，將篩選出案例工況輸入訓(xùn)練后的隨機森林模型，輸出各個措施的成功概率；S4.5,計算成功概率位于前N個案例工況的，篩選出成功概率位于前N個的最近時期的若干措施。8.根據(jù)權(quán)利要求7所述的一種基于大語言模型的抽油機井工況診斷及報告生成方法，其特征在于，步驟S4還包括如下步驟：S4.6,通過多目標(biāo)優(yōu)化函數(shù)f(x)計算每個經(jīng)過步驟S4.7篩選后的措施的綜合效益值：S4.7,將綜合效益值的前五名推薦方案作為最終措施方案；S4.8,將最終措施方案輸入結(jié)構(gòu)化模版，生成案例工況診斷報告。9.根據(jù)權(quán)利要求5所述的一種基于大語言模型的抽油機井工況診斷及報告生成方法，LSTM的示功圖異常檢測模型和工況數(shù)據(jù)可視化模型。4一種基于大語言模型的抽油機井工況診斷及報告生成方法技術(shù)領(lǐng)域[0001]本發(fā)明涉及油氣田開發(fā)領(lǐng)域，具體涉及一種基于大語言模型的抽油機井工況診斷及報告生成方法。背景技術(shù)[0002]在油氣田開發(fā)領(lǐng)域，抽油機井工況診斷是維持油氣高效生產(chǎn)的關(guān)鍵技術(shù)環(huán)節(jié)。傳統(tǒng)方法主要是依賴工程師人工分析示功圖，電流載荷曲線等生產(chǎn)數(shù)據(jù)，存在診斷效率低(單井分析耗時達(dá)4-8小時)、主觀經(jīng)驗依賴性強等固有缺陷。而智能化改進(jìn)方案也多采用單一機器學(xué)習(xí)模型進(jìn)行診斷，仍面臨著多源異構(gòu)數(shù)據(jù)融合障礙、模型協(xié)同決策機制缺失、物理知識服務(wù)能力薄弱等挑戰(zhàn)。當(dāng)前通用大模型雖具備自然語言處理優(yōu)方面缺乏油氣工程領(lǐng)域的科學(xué)計算能力，無法支撐專業(yè)流體力學(xué)模型與物理化學(xué)機理分析；另一方面生成報告時易出現(xiàn)術(shù)語不規(guī)范、圖表缺失標(biāo)準(zhǔn)模板等問題，難以動態(tài)關(guān)聯(lián)歷史數(shù)據(jù)生成符合行業(yè)規(guī)范的診斷文檔。現(xiàn)階段亟需構(gòu)建基于大模型技術(shù)的全鏈條智能診斷系統(tǒng)，通過深度融合多模態(tài)數(shù)據(jù)、耦合機理模型與智能算法，并實現(xiàn)標(biāo)準(zhǔn)化報告自動生成，從而突破當(dāng)前油氣井工況診斷從經(jīng)驗決策向智能閉環(huán)決策的范式升級瓶頸。[0003]因此，現(xiàn)需要一種能夠顯著降低專業(yè)知識依賴與文檔處理工作量，且保證了對工況診斷的精度，有效提升油氣田開發(fā)決策的智能化水平的基于大語言模型的抽油機井工況診斷及報告生成方法。發(fā)明內(nèi)容[0004]本發(fā)明的主要目的在于提供一種基于大語言模型的抽油機井工況診斷及報告生成方法，以解決現(xiàn)有技術(shù)中抽油機工況診斷依賴專業(yè)知識，文檔處理工作量較大的問題。[0005]為實現(xiàn)上述目的，本發(fā)明提供了一種基于大語言模型的抽油機井工況診斷及報告S1,依據(jù)油氣開采行業(yè)標(biāo)準(zhǔn)，構(gòu)建結(jié)構(gòu)化模版。[0006]S2,通過ETL工具整合油田作業(yè)區(qū)的歷史工況數(shù)據(jù)集及措施實施檔案，構(gòu)建措施語料庫，包括：案例工況特征標(biāo)簽和措施效果標(biāo)簽，并將案例工況特征標(biāo)簽進(jìn)行編碼處理或標(biāo)準(zhǔn)化處理。[0007]S3,將用戶指令輸入Agent模塊，Agent模塊調(diào)用大語言模型和專業(yè)小模型集群，輸出工況分析圖及對應(yīng)的故障類型。[0008]S4,將當(dāng)前案例工況數(shù)據(jù)和故障類型輸入到改進(jìn)的RAG模型，調(diào)用結(jié)構(gòu)化模版，生成案例工況診斷報告。[0009]進(jìn)一步地，步驟S1中的結(jié)構(gòu)化模版包括：單井基礎(chǔ)信息表、工況動態(tài)監(jiān)測模塊、生產(chǎn)效能評估模塊、載荷安全分析模塊和措施決策建議模塊；其中，單井基礎(chǔ)信息表包括：井趨勢圖、油壓套壓變化趨勢圖、載荷變化趨勢圖和能耗參數(shù)變化趨勢圖。5[0010]進(jìn)一步地，案例工況特征標(biāo)簽包括：井深、泵掛深度、產(chǎn)液量和含水率；措施效果標(biāo)簽包括增油量、成本節(jié)約、作業(yè)風(fēng)險、措施成功率、技術(shù)可行性和安全性，措施效果標(biāo)簽用于評估措施實施后的綜合效益和實際效果。[0011]進(jìn)一步地，步驟S2具體包括如下步驟：S2.1,構(gòu)建動態(tài)特征編碼體系，采用One-Hot編碼處理特征標(biāo)簽中的離散變量，使用Min-Max標(biāo)準(zhǔn)化處理特征標(biāo)簽中的連續(xù)變量。[0012]S2.2,將數(shù)值類數(shù)據(jù)與文本類數(shù)據(jù)映射到統(tǒng)一向量空間進(jìn)行存儲。[0013]進(jìn)一步地，步驟S3具體為：解，提取語義向量，判斷是否需要生成報告，如果需要生成報告則提取語義向量中的區(qū)塊、井號，生成SQL查詢語句，利用SQL查詢語句從數(shù)據(jù)庫中讀取套壓、油壓、日產(chǎn)液量、日產(chǎn)油量、含水率、最大載荷、最小載荷數(shù)據(jù)，輸入到專業(yè)小模型集群，專業(yè)小模型集群輸出工況分析圖及對應(yīng)的工況故障類型。[0014]進(jìn)一步地，步驟S4具體包括如下步驟：S4.1,根據(jù)工況故障類型找到對應(yīng)的措施語料庫，計算當(dāng)前案例工況特征向量與措施語料庫中的工況特征向量的余弦相似度，將余弦相似度接近1的案例工況保留；其中，W?為初始權(quán)重，λ為衰減系數(shù)，t為案例工況時間間隔，單位為月。[0016]S4.3,根據(jù)余弦相似度和案例工況參考權(quán)重，篩選出與當(dāng)前案例工況相似度最高的最近時期的若干案例工況。[0017]進(jìn)一步地，步驟S4還包括如下步驟：S4.4,將往年案例工況特征和措施效果標(biāo)簽作為輸入數(shù)據(jù)，將輸入數(shù)據(jù)劃分為訓(xùn)練集和測試集，利用訓(xùn)練集訓(xùn)練隨機森林模型，將篩選出案例工況輸入訓(xùn)練后的隨機森林模型，輸出各個措施的成功概率。[0018]S4.5,計算成功概率位于前N個案例工況的，篩選出成功概率位于前N個的最近時期的若干措施。[0019]進(jìn)一步地，步驟S4還包括如下步驟：S4.6,通過多目標(biāo)優(yōu)化函數(shù)f(x)計算每個經(jīng)過步驟S4.7篩選后的措施的綜合效益值：[0020]S4.7,將綜合效益值的前五名推薦方案作為最終措施方案。[0021]S4.8,將最終措施方案輸入結(jié)構(gòu)化模版，生成案例工況診斷報告。[0022]進(jìn)一步地，大語言模型，包括：基于transformer架構(gòu)的模型；專業(yè)小模型集群，包括：基于LSTM的示功圖異常檢測模型和工況數(shù)據(jù)可視化模型。[0023]本發(fā)明具有如下有益效果：1.通過多模型協(xié)同與智能檢索技術(shù)，顯著提高工況診斷效率與準(zhǔn)確性，實現(xiàn)油井6問題的快速識別與精準(zhǔn)定位。[0024]2.結(jié)合動態(tài)知識庫與自進(jìn)化機制，持續(xù)優(yōu)化措施推薦質(zhì)量，保障決策建議的時效性與工程適用性。[0025]3.采用自動化報告生成引擎，有效統(tǒng)一診斷結(jié)果輸出標(biāo)準(zhǔn)，確保技術(shù)文檔的規(guī)范性與可溯源性。[0026]4.構(gòu)建全流程智能化診斷體系，大幅降低人工干預(yù)需求，為油氣田數(shù)字化運維提供可靠技術(shù)支撐。附圖說明[0027]為了更清楚地說明本發(fā)明具體實施方式或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對具體實施方式或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖是本發(fā)明的一些實施方式，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前圖1示出了本發(fā)明的一種基于大語言模型的抽油機井工況診斷及報告生成方法的流程圖。[0028]圖2示出了利用本發(fā)明提供的方法生成的示功圖。[0029]圖3示出了利用本發(fā)明提供的方法生成的生產(chǎn)情況綜合分析圖。[0030]圖4示出了利用本發(fā)明提供的方法生成的含水率變化趨勢圖。[0031]圖5示出了利用本發(fā)明提供的方法生成的日產(chǎn)液變化趨勢圖。[0032]圖6示出了利用本發(fā)明提供的方法生成的油壓套壓變化趨勢圖。[0033]圖7示出了利用本發(fā)明提供的方法生成的最大載荷變化趨勢圖。[0034]圖8示出了利用本發(fā)明提供的方法生成的最小載荷變化趨勢圖。[0035]圖9示出了利用本發(fā)明提供的方法生成的能耗參數(shù)變化趨勢圖。具體實施方式[0036]下面將結(jié)合附圖對本發(fā)明的技術(shù)方例是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護(hù)的范圍。[0037]如圖1所示的一種基于大語言模型的抽油機井工況診斷及報告生成方法，具體包括如下步驟：S1,依據(jù)油氣開采行業(yè)標(biāo)準(zhǔn)，構(gòu)建結(jié)構(gòu)化模版。[0038]S2,通過ETL工具整合油田作業(yè)區(qū)的歷史工況數(shù)據(jù)集及措施實施檔案，構(gòu)建措施語料庫，包括：案例工況特征標(biāo)簽和措施效果標(biāo)簽，并將案例工況特征標(biāo)簽進(jìn)行編碼處理或標(biāo)準(zhǔn)化處理。[0039]S3,將用戶指令輸入Agent模塊，Agent模塊調(diào)用大語言模型和專業(yè)小模型集群，輸出工況分析圖及對應(yīng)的故障類型。[0040]S4,將當(dāng)前案例工況數(shù)據(jù)和故障類型輸入到改進(jìn)的RAG模型，調(diào)用結(jié)構(gòu)化模版，生成案例工況診斷報告。[0041]具體地，步驟S1中的結(jié)構(gòu)化模版包括：單井基礎(chǔ)信息表、工況動態(tài)監(jiān)測模塊、生產(chǎn)7坐標(biāo)位置和完井日期，工況動態(tài)監(jiān)測模塊包括：示功圖、含水率變化趨勢圖、日產(chǎn)液變化趨勢圖、油壓套壓變化趨勢圖、載荷變化趨勢圖和能耗參數(shù)變化趨勢圖。五層模塊化報告結(jié)構(gòu)：[0043](2)工況動態(tài)監(jiān)測模塊：展示如下6類圖形化趨勢組件：示功圖(載荷-位移)、含水率變化趨勢圖、日產(chǎn)液變化趨勢圖、油壓/套壓變化趨勢圖、含氣(電流/功率因數(shù))變化趨勢圖；工況動態(tài)監(jiān)測模塊繪圖所需讀取的excel部分?jǐn)?shù)據(jù)如表1所[0045](4)載荷安全分析模塊：引入井下桿柱動載荷模擬與強度校核結(jié)果。最大載荷最小載荷估措施實施后的綜合效益和實際效果。S2.1,構(gòu)建動態(tài)特征編碼體系，采用One-Hot編碼處理特征標(biāo)簽中的離散變量，使用Min-Max標(biāo)準(zhǔn)化處理特征標(biāo)簽中的連續(xù)變量。[0050]對井型(直井/斜井/水平井)、工況類型(正常/氣鎖/砂卡)進(jìn)行One-Hot編碼，生成12維特征向量。8[0053]S2.2,將數(shù)值類數(shù)據(jù)與文本類數(shù)據(jù)映射到統(tǒng)一向量空間。將用戶指令輸入Agent模塊，Agent模塊使用大語言模型對用戶輸入進(jìn)行語義理解，提取語義向量，判斷是否需要生成報告，如果需要生成報告則提取語義向量中的區(qū)塊、析圖及該井對應(yīng)的工況故障類型。其中，工況分析圖包括：示功圖(趨勢圖、日產(chǎn)液變化趨勢圖、油壓/套壓變化趨勢圖、含氣載荷變化趨勢圖、能耗參數(shù)(電流/功率因數(shù))變化趨勢圖，如圖2到圖9所示?？?，以便專業(yè)人員能夠?qū)δＰ蜕傻慕ㄗh進(jìn)行審核和調(diào)整。此外，系統(tǒng)還設(shè)計了異常檢測機制，當(dāng)預(yù)測結(jié)果如增油量與歷史均值出現(xiàn)兩倍或以上的偏差時，將自動觸發(fā)人工復(fù)查流程，以進(jìn)一步驗證模型的預(yù)測結(jié)果并采取相應(yīng)的糾正措施。[0056]開發(fā)模型性能監(jiān)控儀表盤，集成推理耗時、近10日準(zhǔn)確率及GPU資源占用率等關(guān)鍵指標(biāo)，通過可視化界面實時呈現(xiàn)模型運行狀態(tài)，為性能評估與優(yōu)化提供數(shù)據(jù)支持。[0057]S4.1,根據(jù)工況故障類型找到對應(yīng)的措施語料庫，計算當(dāng)前案例工況特征向量與措施語料庫中的工況特征向量的余弦相似度，將余弦相似度接近1的案例工況保留。[0058]S4.2,構(gòu)建時效衰減模型，計算案例工況參考權(quán)重Wt:開發(fā)早期為0.05,末期為0.15,t為案例工況時間間隔，單位為月。[0059]例如，本案例中時效衰減函數(shù)參數(shù)設(shè)置如表2所示：表2時間范圍新措施常規(guī)措施6-24月老舊措施>24月[0060]S4.3,根據(jù)余弦相似度和案例工況參考權(quán)重，篩選出與當(dāng)前案例工況相似度最高的最近時期的若干案例工況。S4.4,將往年案例工況特征和措施效果標(biāo)簽作為輸入數(shù)據(jù)，將輸入數(shù)據(jù)劃分為訓(xùn)練集和測試集，利用訓(xùn)練集訓(xùn)練隨機森林模型，將篩選出案例工況輸入訓(xùn)練后的隨機森林9[0062]S4.5,計算成功概率位于前N個案例工況的，篩選出成功概率位于前N個的最近時期的若干措施。S4.6,通過多目標(biāo)優(yōu)化函數(shù)f(x)計算每個經(jīng)過步驟S4.7篩選后的措施的綜合效益值：各變量歸一化后參與計算。a(增油)β(成本)γ(風(fēng)險)上產(chǎn)期穩(wěn)產(chǎn)期遞減期[0066]S4.7,將綜合效益值的前五名推薦方案作為最終措施方案。最終措施方案通過交互式界面呈現(xiàn)，包括三維雷達(dá)圖(展示技術(shù)可行性、經(jīng)濟(jì)性、安全性)、歷史案例對比表以及實施方案甘特圖(支持導(dǎo)出為PDF或嵌入報告)。[0067]S4.8,將最終措施方案輸入結(jié)構(gòu)化模版，生成案例工況診斷報告?；贚STM的示功圖異常檢測模型和工況數(shù)據(jù)可視化模型。開發(fā)智能排版引擎，支持圖文同步分頁，確保內(nèi)容布局合理且美觀。同時，系統(tǒng)能夠自動生成多級目錄，方便用戶快速定位報告內(nèi)容。此外，圖表尺寸可根據(jù)頁面布局自動調(diào)整，實現(xiàn)排版的自動化與智能化，提升報告生成的效率和質(zhì)量。[0070]開發(fā)數(shù)字水印嵌入模塊，在報告生成過程中，嵌入數(shù)字水印以增強報告的可追溯性和安全性。頁眉頁腳將添加精確至秒的時間戳，記錄報告生成的具體時間。同時，嵌入數(shù)據(jù)源哈希校驗碼，確保數(shù)據(jù)的完整性和真實性。此外，系統(tǒng)版本號也將被嵌入，便于后續(xù)的版本管理和問題追蹤。[0071]開發(fā)合規(guī)性校驗?zāi)K，確保報告內(nèi)容符合行業(yè)標(biāo)準(zhǔn)和規(guī)范。模塊將自動檢查圖表編號的完整性，確保圖表與文本內(nèi)容的對應(yīng)關(guān)系準(zhǔn)確無誤。同時，對單位進(jìn)行統(tǒng)一性強制校校驗，確保報告中的專業(yè)術(shù)語使用準(zhǔn)確無誤，提升報告的專業(yè)性和權(quán)威性。[0072]具體地，對措施語料庫進(jìn)行實時更新：系統(tǒng)自動追蹤措施實施后的關(guān)鍵生產(chǎn)數(shù)據(jù)，包括30天、90天和180天內(nèi)的液量、含水率、能耗等指標(biāo)，以全面評估措施的實際效果，為后續(xù)的知識更新和優(yōu)化提供數(shù)據(jù)支持。需采集的參數(shù)如表4所示：表4:30天液量波動率、載荷極值SCADA實時數(shù)據(jù)庫90天累計增油量、系統(tǒng)效率變化生產(chǎn)月報系統(tǒng)180天檢泵周期變化、桿管磨損率作業(yè)總結(jié)報告[0073]設(shè)定措施語料庫更新的觸發(fā)條件，當(dāng)新措施的增油效果優(yōu)于歷史排名前三的措施、在相同工況下作業(yè)成本降低15%以上，或風(fēng)險等級下降2級及以上時，自動啟動措施語料庫更新，以確保知識庫的時效性和準(zhǔn)確性。[0074]