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技术

本发明专利技术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神经网络对决策参数进行建模，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。本烦的显著效果是：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，自适应滤波算法可以提高模型稳定性，满足复杂环境下对模型精度的要求。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。

【技术实现步骤摘要】
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
本专利技术涉及抽油机故障诊断技术，具体涉及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。
技术介绍
抽油机的故障诊断需要科学合理的方法，目前人们主要是根据示功图人为进行判断，而且只能定性分析，其诊断结果受到专家经验、技术等方面的影响，并且诊断具有一定的滞后性，达不到实时精确的诊断。抽油机运行过程具有非线性、强耦合性特点，为故障诊断带来较大困难。RBF神经网络具有很强的非线性映射能力，适用于解决非线性系统建模问题，为制定该方案过程建模提供了新的思路。本专利技术采用人工智能方法，对抽油机采集到的示功图参数进行傅里叶变换处理并结合抽油机本身电流参数，用RBF神经网络建立抽油机故障诊断模型，并用UKF算法对建立的诊断模型进行优化，得到最优模型参数，在此技术上，用自适应滤波方法对模型稳定性进行调整，提高模型稳定性。在实际运用中，通过收集到的数据预处理后，经RBF神经网络映射后得到的输出与模型输出作比较即可判断抽油机的故障类型。本专利技术不仅解决了长期以来仅仅依靠直觉判断健康而可能导致判断错误的问题，提高了故障诊断准确率和效率，降低了随机性和不确定性，真正达到了对抽油机实时诊断的目的，还为解决类似问题提供了一种新的思路，体现了人工智能算法在工业中的强大用处。
技术实现思路
本申请通过提供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，以解决现有技术中抽油机运行过程中发生故障时因无法及时检测抽油机故障而导致错过最佳维修时期的技术问题。为解决上述技术问题，本申请采用以下技术方案予以实现：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，其特征在于，包括如下步骤：S1：选取抽油机一个冲程内完整的示功图，对示功图进行傅里叶变换选取低频部分的前f个示功图坐标参数，并结合抽油机三相电流参数b1,b2,b3构成决策变量X＝[a1,a2,…,af,b1,b2,b3]，f为所选示功图坐标参数的个数；S2：在抽油机生产现场，选取至少一组决策变量X＝[a1,a2,…,af,b1,b2,b3]作为样本数据，输出为所述决策变量X或X1～Xi所对应的故障类型Y或Y1～Yl；运用RBF神经网络对采集到的决策变量X或X1～Xi进行训练、检验，从而建立抽油机故障诊断模型；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；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；最佳自适应因子构建如下：最佳自适应因子为：式中，为引入自适应因子后的理论协方差矩阵，为系统残差向量的协方差矩阵；推导过程如下：在UKF算法中，最佳的自适应因子应满足以下公式式中为引入自适应因子后的理论协方差矩阵，为系统残差向量的协方差矩阵，其表达式为为残差向量，表达式为式中，为k-1时刻系统观测矩阵，为k-1时刻系统估计矩阵；根据方差传播原理，理论协方差矩阵可改写成式中，Ai为方差传播系数，为系统状态矩阵协方差阵，Rk为系统噪声；将上式两边同时乘以自适应因子Δi得在上式两边同时加上噪声向量Ri并结合公式得在上式两边加入矩阵的迹，就可以得到自适应因子Δi的表达式为实际应用中，自适应因子应始终小于或者等于1，同时忽略掉分子、分母的相对小量Ri，因此最佳的自适应因子近似为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。步骤S2中选取一个决策变量时：选取抽油机一个冲程内完整的示功图，对示功图进行傅里叶变换选取低频部分的前8个示功图坐标参数，并结合抽油机三相电流参数b1,b2,b3构成决策变量X＝[a1,a2,…,a8,b1,b2,b3]，输入为1组决策变量X，输出为该组决策变量X所对应的故障类型Y；步骤S2中，选取12个决策变量时：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、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<n≤12，i为12步骤S2中的RBF神经网络由输入层、隐藏层和输出层构成；针对抽油机故障诊断模型而言，网络结构为A-B-C，A为输入层，B为隐藏层，C为输出层，激活函数采用Sigmod函数，样本训练时的迭代次数为800。步骤S5中的最优模型法包括以下步骤：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，其中UKF算法部分为：S512：计算Sigma点状态向量；S513：进行系统状态一步预测及协方差矩阵；S514：计算系统观测及协方差矩阵；S515：计算卡尔曼增益；S516：更新系统状态估计矩阵及协方差阵；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；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；RBF算法部分为：S521：更新RBF隐含层的输出：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；S522：计算RBF输出层输出式中，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。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。附图说明图1为本专利技术流程图；图2为本专利技术对示功图进行傅里叶变换后的频谱图；图3为静态RBF诊断模型输出图；图4为静态RBF诊断误差图；图5为AUKF-RBF诊断模型输出图；图6为AUKF-RBF诊断误差图；图7为RBFNN在多故障诊断中的仿真图，输出1为正常样本，2为供液不足，3为气体影响，4为固定凡尔漏失；图8为AUKF-RBF在多故障诊断中的仿真图，输出1为正常样本，2为供液不足，3为气体影响，4为固定凡尔漏失。具体实施方式本申请实施例通过提供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，参考现有技术手段，本申请提供的技术方案，具有的技术效果或优点是：该方法采用智能算法用于抽油机故障诊断，有效提高了诊断效率，真正达到抽油机故障实施诊断的目的。为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式，对上述技术方案进行详细的说明。如图1所示，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，包括如下步骤：如图2、3、4、5、6所示，S1：选取一组决策变量时：选取抽油机一个冲程内完整的示功图，对示功图进行傅里叶变换选取低频部分的前8个示功图坐标参数，并结合抽油机三相电流参数b1,b2,b3构成决策变量X＝[a1,a2,…,a8,b1,b2,b3]，输入为1组决策变量X，输出为该组决策变量X所对应的故障类型Y；选取12组决策变量本文档来自技高网...

【技术保护点】
1.一种基于自适应无迹Kalman滤波与RBF神经网络的抽油机故障诊断方法，其特征在于，包括如下步骤：S1：选取抽油机一个冲程内完整的示功图，对示功图进行傅里叶变换选取低频部分的前f个示功图坐标参数，并结合抽油机三相电流参数b1,b2,b3构成决策变量X＝[a1,a2,…,af,b1,b2,b3]，f为所选示功图坐标参数的个数；S2：在抽油机生产现场，选取至少一组决策变量X＝[a1,a2,…,af,b1,b2,b3]作为样本数据，输出为所述决策变量X或X1～Xi所对应的故障类型Y或Y1～Yl；运用RBF神经网络对采集到的决策变量X或X1～Xi进行训练、检验，从而建立抽油机故障诊断模型；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；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；最佳自适应因子构建如下：最佳自适应因子为：

【技术特征摘要】
1.一种基于自适应无迹Kalman滤波与RBF神经网络的抽油机故障诊断方法，其特征在于，包括如下步骤：S1：选取抽油机一个冲程内完整的示功图，对示功图进行傅里叶变换选取低频部分的前f个示功图坐标参数，并结合抽油机三相电流参数b1,b2,b3构成决策变量X＝[a1,a2,…,af,b1,b2,b3]，f为所选示功图坐标参数的个数；S2：在抽油机生产现场，选取至少一组决策变量X＝[a1,a2,…,af,b1,b2,b3]作为样本数据，输出为所述决策变量X或X1～Xi所对应的故障类型Y或Y1～Yl；运用RBF神经网络对采集到的决策变量X或X1～Xi进行训练、检验，从而建立抽油机故障诊断模型；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；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；最佳自适应因子构建如下：最佳自适应因子为：式中，为引入自适应因子后的理论协方差矩阵，为系统残差向量的协方差矩阵；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。2.根据权利要求1所述的基于自适应无迹Kalman滤波与RBF神经网络的抽油机故障诊断方法，其特征在于，步骤S1中选定了二大类参数构成决策变量X，第一大类为运用傅里叶变换后的示功图坐标参数a1,a2,…a8，将每种故障示功图进行傅里叶变换得到示功图频谱图，其低频部分前8个点代表示功图图形特征，对每种故障分别进行傅里叶变换，选取变换后的前8个低频部分的示功图坐标参数a1,a2,…a8，第二大类为抽油机电流参数b1,b2,b3。3.根据权利要求1所述的基于自适应无迹Kalman滤波与RBF神经网络的抽油机故障诊断方法，其特征在于，在步骤S1中，选取一组决策变量时：选取抽油机一个冲程内完整的示功图，对示功图进行傅里叶变换选取低频部分的前8个示功图坐标参数，并结合抽油机三相电流参数b1,b2,b3构成决策变量X＝[a1,a2,…,a8,b1,b2,b3]，输入为1...

【专利技术属性】
技术研发人员：周伟，李晓亮，刘华超，甘丽群，易军，李太福，梁晓东，辜小花，
申请(专利权)人：重庆科技学院，
类型：发明
国别省市：重庆,50