The invention relates to a semi supervised method for fault diagnosis of oil pumping, Qu Bo transform and kernel based on sparse steps: obtaining a plurality of dynamometer data as the training sample; a plurality of dynagrams into downhole pump dynamograph, then each pump dynamograph into gray image; for each pump dynamograph of Qu Bo transform coefficient matrix; all the feature vectors of pump dynamograph label as a dictionary, for each unlabeled pump dynamograph feature vector for sparse coefficient; virtual label label free pump dynamograph is calculated for each use of sparse coefficient vectors; all pump dynamograph in the training sample as a dictionary for each; a diagnostic test sample to calculate the feature vector to obtain sparse coefficient; virtual label to calculate diagnostic samples using sparse coefficient, fault type. The invention can accurately describe the characteristics of pump dynamograph, kernel method for semi supervised sparse representation classifier can not only effectively using unlabeled data based on the information, but not high requirements on the number of labeled samples.
【技术实现步骤摘要】
基于曲波变换和核稀疏的抽油井半监督故障诊断方法
本专利技术涉及一种抽油井故障诊断技术,具体地说是一种基于曲波变换和核稀疏的抽油井半监督故障诊断方法。
技术介绍
在实际的石油开采过程中,常用的有杆泵抽油井系统所处的生产环境较为恶劣,故障发生率高,经常无法正常工作。各种故障会导致诸如产油量减少,油井停产甚至设备损坏等严重后果。在传统的石油生产中,一般依靠有经验的技术人员人为的对采集到的井上示功图或者经转化而得到的井下泵功图进行分析,来判断系统当前是否正常工作。这种方法效率低,且受主观影响大,无法满足企业的生产需求。因此,利用计算机自动实现有杆泵抽油井系统的故障诊断是一种非常有意义的技术。有杆泵抽油井系统的故障诊断可以看成是一个模式识别问题,通常分为两个步骤:特征提取和分类。常用的针对井上示功图或者井下泵功图的特征提取方法主要有网格法,链码法,傅里叶级数法等;分类一般采用经典的支持向量机和BP神经网络。这些经典方法往往并不能很好的结合实际生产情况。当前的有杆泵抽油井系统的故障诊断方法大都为有监督方法,即所有的训练数据都人为的标记出故障类型。在实际生产中,有标签的数据是非常昂贵的,很难获得大量的标记数据,相对的,存在大量的未被利用的无标记的数据。如何利用好这些无标记数据的信息,是一个亟待解决的问题。
技术实现思路
针对现有技术中有杆泵抽油井系统故障诊断方法中存在大量的未被利用的无标记的数据、不能很好的结合实际生产情况等不足,本专利技术要解决的问题是提供一种可有效利用未标记数据信息的基于曲波变换和核稀疏的抽油井半监督故障诊断方法。为解决上述技术问题,本专利技术采用的技术 ...
【技术保护点】
一种基于曲波变换和核稀疏的抽油井半监督故障诊断方法,其特征在于包括以下步骤:1)通过现场示功仪获取n(n=l+u)个示功图数据作为训练样本,其中l个示功图为已知标签数据,u个示功图为无标签数据;2)根据波动方程,利用有限差分法将n个示功图转化为井下泵功图,再将每个泵功图转化大小为m×m像素的灰度图像;3)对每个泵功图Xi进行曲波变换,得到第i个泵功图的s个尺度的系数矩阵Ci:Ci={cij},i=1,…,n,j=1,…,s,其中n为泵功图总数量,s=log2m‑3;4)根据第一个尺度的系数矩阵ci1计算单幅泵功图的特征向量Vi;5)将全部有标签的泵功图的特征向量作为字典D,D={Vi},i=1,…,l;对每个未标记泵功图特征向量Vj,j=l,…,l+u,求稀疏系数
【技术特征摘要】
1.一种基于曲波变换和核稀疏的抽油井半监督故障诊断方法,其特征在于包括以下步骤:1)通过现场示功仪获取n(n=l+u)个示功图数据作为训练样本,其中l个示功图为已知标签数据,u个示功图为无标签数据;2)根据波动方程,利用有限差分法将n个示功图转化为井下泵功图,再将每个泵功图转化大小为m×m像素的灰度图像;3)对每个泵功图Xi进行曲波变换,得到第i个泵功图的s个尺度的系数矩阵Ci:Ci={cij},i=1,…,n,j=1,…,s,其中n为泵功图总数量,s=log2m-3;4)根据第一个尺度的系数矩阵ci1计算单幅泵功图的特征向量Vi;5)将全部有标签的泵功图的特征向量作为字典D,D={Vi},i=1,…,l;对每个未标记泵功图特征向量Vj,j=l,…,l+u,求稀疏系数6)利用稀疏系数,计算每个无标签泵功图的虚拟标签j=l,…,l+u;7)将训练样本中所有泵功图的特征向量作为字典D',D'={Vi},i=1,…,l+u;对每一个待诊断的测试样本,计算其特征向量Vtest,并求得其对应的稀疏系数8)利用稀疏系数计算待诊断样本的虚拟标签ytest,并据此判断故障类型。2.按权利要求1所述的基于曲波变换和核稀疏的抽油井半监督故障诊断方法,其特征在于:步骤4)中,根据第一个尺度的系数矩阵ci1计算单...
【专利技术属性】
技术研发人员:高宪文,王明顺,张遨,张平,魏晶亮,郑博元,陈星宇,宋乐,
申请(专利权)人:东北大学,
类型:发明
国别省市:辽宁,21
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。