[發明專利]基于自適應無跡Kalman濾波與RBF神經網絡的抽油機故障診斷方法

有效

• 申請號: 201710283330.X
• 申請日: 2017-04-26
• 公開（公告）號: CN108804721B
• 公開（公告）日: 2021-09-14
• 發明（設計）人: 周偉;李曉亮;劉華超;甘麗群;易軍;李太福;梁曉東;辜小花
• 申請（專利權）人: 重慶科技學院
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06N3/02;G06K9/00;E21B47/008
• 代理公司: 重慶為信知識產權代理事務所(普通合伙) 50216
• 代理人: 龍玉洪

1.一種基于自適應無跡Kalman濾波與RBF神經網絡的抽油機故障診斷方法，其特征在于，包括如下步驟：

S1：選取抽油機一個沖程內完整的示功圖，對示功圖進行傅里葉變換選取低頻部分的前f個示功圖坐標參數，并結合抽油機三相電流參數b1,b2,b3構成決策變量X＝[a1,a2,…,af,b1,b2,b3]，f為所選示功圖坐標參數的個數；

S2：在抽油機生產現場，選取至少一組決策變量X＝[a1,a2,…,af,b1,b2,b3]作為樣本數據，輸出為所述決策變量X或X₁～X_i所對應的故障類型Y或Y₁～Y_l；

運用RBF神經網絡對采集到的決策變量X或X₁～X_i進行訓練、檢驗，從而建立抽油機故障診斷模型；

S3：利用無跡Kalman算法，即UKF算法，對步驟S2所得的神經網絡模型進行優化，得到一組最優參數；

S4：利用自適應濾波算法，對步驟S3所建立的故障診斷模型的穩定性進行調整，提高模型穩定性；

最佳自適應因子構建如下：

最佳自適應因子為：

式中，為引入自適應因子后的理論協方差矩陣，為系統殘差向量的協方差矩陣；

S5：按照步驟S4所得的參數構建最優模型來對步驟S2中所選定的抽油機故障進行建模診斷，使其達到故障診斷目的。

2.根據權利要求1所述的基于自適應無跡Kalman濾波與RBF神經網絡的抽油機故障診斷方法，其特征在于，

步驟S1中選定了二大類參數構成決策變量X，第一大類為運用傅里葉變換后的示功圖坐標參數a1,a2,…a8，將每種故障示功圖進行傅里葉變換得到示功圖頻譜圖，其低頻部分前8個點代表示功圖圖形特征，對每種故障分別進行傅里葉變換，選取變換后的前8個低頻部分的示功圖坐標參數a1,a2,…a8，第二大類為抽油機電流參數b1,b2,b3。

3.根據權利要求1所述的基于自適應無跡Kalman濾波與RBF神經網絡的抽油機故障診斷方法，其特征在于，

在步驟S1中，選取一組決策變量時：選取抽油機一個沖程內完整的示功圖，對示功圖進行傅里葉變換選取低頻部分的前8個示功圖坐標參數，并結合抽油機三相電流參數b1,b2,b3構成決策變量X＝[a1,a2,…,a8,b1,b2,b3]，輸入為1組決策變量X，輸出為該組決策變量X所對應的故障類型Y；

在步驟S1中，選取12組決策變量時：在抽油機生產現場，選取12組決策變量X₁,X₂,...,X₁₂及其對應的供液不足、油井出砂、油井結蠟、氣體影響、氣鎖、固定凡爾漏失、游動凡爾漏失、雙凡爾漏失、抽油桿斷脫、泵上碰、泵下碰、連抽帶噴故障類型作為數據樣本，輸入為n組決策變量X₁～X_i，輸出為n組決策變量X₁～X_i所對應的故障類型Y₁～Y_l；1n≤12，i為12

運用RBF神經網絡對采集到的樣本數據進行訓練、檢驗，從而建立抽油機故障診斷模型；

4.根據權利要求1所述的基于自適應無跡Kalman濾波與RBF神經網絡的抽油機故障診斷方法，其特征在于，步驟S2中的RBF神經網絡由輸入層、隱藏層和輸出層構成；

針對抽油機故障診斷模型而言，網絡結構為A-B-C，A為輸入層，B為隱藏層，C為輸出層，激活函數采用Sigmod函數，樣本訓練時的迭代次數為800。

5.根據權利要求1所述的基于自適應無跡Kalman濾波與RBF神經網絡的抽油機故障診斷方法，其特征在于，步驟S5中的最優模型法包括以下步驟：

S511：初始化系統參數，包括RBF神經網絡的隱層的權值、中心及寬度w,b,c，UKF的初始濾波其中，分別為預測值及協方差，

其中，UKF算法部分為：

S512：計算Sigma點狀態向量；

S513：進行系統狀態一步預測及協方差矩陣；

S514：計算系統觀測及協方差矩陣；

S515：計算卡爾曼增益；

S516：更新系統狀態估計矩陣及協方差陣；

式中，為k-1時刻的系統狀態估計矩陣，為卡爾曼增益矩陣，Y(k|k-1)為k-1時刻的系統觀測矩陣，為k-1時刻的系統觀測預測矩陣；

式中，為k-1時刻系統估計矩陣協方差陣，為k-1時刻系統觀測矩陣協方差陣；

RBF算法部分為：

S521：更新RBF隱含層的輸出：

式中，m為隱層神經元，共有J個，為隱層神經元輸出，c_m為隱層神經元的中心，σ_m為隱層神經元的寬度；

S522：計算RBF輸出層輸出

式中，l為輸出層神經元，共有M個，y_l為網絡輸出層輸出，ω_m,l為更新后隱含層到輸出層連接權值。