[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。