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ArcFace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S4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，ArcFace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。