[0069] 选取12组决策变量时：在抽油机生产现场，选取12组决策变量X1,X2,...,X12及其对应的供液不足、油井出砂、油井结蜡、气体影响、气锁、固定凡尔漏失、游动凡尔漏失、双凡尔漏失、抽油杆断脱、泵上碰、泵下碰、连抽带喷故障类型作为数据样本，输入为n组决策变量X1～Xi，输出为n组决策变量X1～Xi所对应的故障类型Y1～Yl；1
[0071] 在本实施例中，采集胜利油田东辛采油厂抽油机运行的800组数据，其中，740组数据作为建模训练样本，60组数据作为测试样本，抽油机正常运行时输出为1，发生故障时输出为2，当预测误差大于0.5时为检测到故障发生。
[0072] 数据样本如下表1所示；
[0073] 表1数据样本
[0074]
[0075] 在神经网络设计中，隐层节点数的多少是决定神经网络模型好坏的关键，也是神经网络设计中的难点，这里采用试凑法来确定隐层的节点数；
[0076]
[0077] 式中，h为隐层神经元节点数，q为输入层神经元数，e为输出层神经元数，r为1‑10之间的常数，本例中RBF神经网络的设置参数如下表2所示；
[0078] 表2 RBF神经设置参数
[0079]
[0080] 神经网络的训练过程中主要按照以下步骤进行：
[0081] 设置Xk＝[xk1,xk2,…,xkM](k＝1，2，…，T)为输入矢量，T为训练样本个数，为第g次迭代时隐层M与输出I之间的权值矢量，yn(l)＝[yk1(l),yk2(l),…,ykP(l)](k＝1,2,…,T)为第g次迭代时网络的实际输出，dk＝[dk1,dk2,…,dkP](k＝1,2,…,T)为期望输出；
[0082] 步骤S2中建立抽油机故障诊断模型模型具体包括如下步骤：
[0083] S21：初始化，设迭代次数g初值为0，赋给WMI(0)一个(0,1)区间的随机值；
[0084] S22：随机输入样本Xk；
[0085] S23：对输入样本Xk，前向计算RBF神经网络每层神经元的输入信号和输出信号；
[0086] S24：根据期望输出dk和实际输出Yk(l)，计算误差E(l)；
[0087] S25：判断误差E(l)是否满足要求，如不满足，则进入步骤S26，如满足，则进入步骤S29；
[0088] S26：判断迭代次数g+1是否大于最大迭代次数，如大于，则进入步骤S29，否则，进入步骤S27；
[0089] S27：对输入样本Xk反向计算每层神经元的局部梯度δ；
[0090] S28：计算权值修正量ΔW，并修正权值，计算公式为：式中，η为学习效率；令g＝g+1，跳转至步骤S23；
[0091] S29：判断是否完成所有的训练样本，如果是，则完成建模，否则，继续跳转至步骤S22。
[0092] 通过上述过程，可得到RBF神经网络预测效果如图3所示，误差如图4所示。通过对图3，图4分析可知，传统RBF神经网络训练建立的静态预测模型大部分满足可以检测出故障，满足初步建模要求，需要进行优化调整；
[0093] S3：利用无迹Kalman算法，即UKF算法，对步骤S2所得的神经网络模型进行优化，得到一组最优参数；
[0094] S4：利用自适应滤波算法，对步骤S3所建立的故障诊断模型的稳定性进行调整，提高模型稳定性；
[0095] S5：按照步骤S4所得的参数构建最优模型来对步骤S2中所选定的抽油机故障进行建模诊断，使其达到故障诊断目的,具体步骤如下：
[0096] 其中，UKF算法部分为：
[0097] S511：初始化系统参数，包括RBF神经网络的隐层的权值、中心及宽度w,b,c，UKF的初始滤波 其中， 分别为预测值及协方差。
[0098] S511：初始化系统参数；
[0099] S512：计算Sigma点状态向量；
[0100] S513：进行系统状态一步预测及协方差矩阵；
[0101] S514：计算系统观测及协方差矩阵；
[0102] S515：计算卡尔曼增益；
[0103] S516：更新系统状态估计矩阵及协方差阵；
[0104]
[0105] 式中， 为k‑1时刻的系统状态估计矩阵， 为卡尔曼增益矩阵，Y(k|k‑1)为k‑1时刻的系统观测矩阵， 为k‑1时刻的系统观测预测矩阵；
[0106]
[0107] 式中， 为k‑1时刻系统估计矩阵协方差阵， 为k‑1时刻系统观测矩阵协方差阵；
[0108] RBF算法部分为：
[0109] S521：更新RBF隐含层的输出：
[0110]
[0111] 式中，m为隐层神经元，共有J个， 为隐层神经元输出，cm为隐层神经元的中心，σm为隐层神经元的宽度；
[0112] S522：计算RBF输出层输出
[0113]
[0114] 式中，l为输出层神经元，共有M个，yl为网络输出层输出，ωm,l为更新后隐含层到输出层连接权值；
[0115] 与现有技术相比，本申请提供的技术方案，具有的技术效果或优点是：当抽油机发生故障时该方法可以快速进行诊断识别，实现故障的实施诊断，提高了采油的效率。
[0116] 通过上述过程，可得到AUKF‑RBF神经网络预测效果如图5所示，误差如图6所示，通过对图5，图6分析可知，经过优化模型所建立的AUKF‑RBF诊断模型可以精确检测出故障，满足建模精度要求，通过对图7，图8分析可知，再多目标诊断中AUKF‑RBF有更好的分类效果；
[0117] 本发明提供了一种基于自适应无迹Kalman滤波与RBF神经网络的抽油机故障诊断方法。首先，利用RBF神经网络对抽油机运行过程进行建模，然后，利用无迹Kalman卡尔曼滤波算法实时更新神经网络模型隐层的权值、中心及宽度，得到神经网络最优参数，最后，利用自适应滤波算法来提高模型稳定性，建立基于自适应无迹Kalman滤波与RBF神经网络相结合的抽油机故障诊断方法。抽油机运行过程往往是复杂非线性的动态系统运行过程，而描述其过程的神经网络模型往往是一个静态映射，没有考虑到井下具体工况等外界条件对抽油机泵的影响，从而导致依赖静态模型的技术决策效果不稳定，自适应无迹Kalman滤波具有实时更新性能，从而实现RBF神经网络的非线性动态建模。该方法提高了故障诊断的精确率，真正达到实时检测抽油机运行状况的目的。
[0118] 应当指出的是，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改性、添加或替换，也应属于本发明的保护范围。
