一种基于子空间迁移学习的有杆泵抽油井故障诊断方法技术

本发明专利技术涉及一种基于子空间迁移学习的有杆泵抽油井故障诊断方法，步骤为：收集运行5年以上、故障种类完备的单口抽油井的示功图历史数据Xs、对单口新井收集示功图历史数据Xt；将Xs和Xt进行主元成分分析得到初始化映射矩阵P和低维样本，利用K‑SVD对低维样本进行分解得到初始化低维字典矩阵D；根据D的维度，初始化理想系数矩阵Qs、Qt；通过迭代优化得到映射矩阵P和更新后的低维字典矩阵D；对待诊断的示功图数据利用映射矩阵P降维，并在低维空间中对其进行编码；根据编码系数，判断当前工况。本发明专利技术利用已有较完备的故障样本数据，对于较新的抽油井只需要部分类型的样本数据，不需要全部类别的故障样本，更符合实际生产需求。

【技术实现步骤摘要】
一种基于子空间迁移学习的有杆泵抽油井故障诊断方法
本专利技术涉及一种抽油井故障诊断技术，具体为一种基于子空间迁移学习的有杆泵抽油井故障诊断方法。
技术介绍
有杆泵抽油系统是当今国内外最常采用的一种采油机构。在实际的石油开采过程中，有杆泵抽油井系统所处的生产一般环境较为恶劣，这导致了系统工作不稳定，故障发生率高。发生故障的机构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。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问题实际上是一类模式识别问题，通常的做法是在进行特征提取后，选择合适的分类器对示功图进行诊断。传统的识别算法有一个很严格的假设，即训练样本与测试样本满足相同分布。当前的有杆泵抽油井故障诊断方法大都基于此假设。而实际生产中，不同的抽油井由于环境，设备参数的差异，同一种工况的示功图也会产生较大差异。因此，采用其他井的历史示功图数据直接作为训练样本有时难以达到满意的诊断效果。此外，由于抽油井的抽油过程是一种缓慢的过程，一般来说，工况不会在短时间内频繁变化。因此，对于新的抽油井，难以取得部分非常见故障的示功图数据。试图对本文档来自技高网...

【技术保护点】
1.一种基于子空间迁移学习的有杆泵抽油井故障诊断方法，其特征在于包括以下步骤：1)收集运行5年以上、故障种类完备的单口抽油井的示功图历史数据Xs、对单口新井收集示功图历史数据Xt，其中Xs故障种类完备，Xt故障种类不完备；2)初始化参数；3)将Xs和Xt作为训练数据进行主元成分分析得到初始化映射矩阵P和低维样本，利用K‑SVD对低维样本进行分解得到初始化低维字典矩阵D；4)根据D的维度，初始化理想系数矩阵Qs、Qt；5)通过迭代优化得到映射矩阵P和更新后的低维字典矩阵D；6)对待诊断的示功图数据利用映射矩阵P降维，并在低维空间中对其进行编码；7)根据上一步计算得到的编码系数，判断当前工况。

【技术特征摘要】
1.一种基于子空间迁移学习的有杆泵抽油井故障诊断方法，其特征在于包括以下步骤：1)收集运行5年以上、故障种类完备的单口抽油井的示功图历史数据Xs、对单口新井收集示功图历史数据Xt，其中Xs故障种类完备，Xt故障种类不完备；2)初始化参数；3)将Xs和Xt作为训练数据进行主元成分分析得到初始化映射矩阵P和低维样本，利用K-SVD对低维样本进行分解得到初始化低维字典矩阵D；4)根据D的维度，初始化理想系数矩阵Qs、Qt；5)通过迭代优化得到映射矩阵P和更新后的低维字典矩阵D；6)对待诊断的示功图数据利用映射矩阵P降维，并在低维空间中对其进行编码；7)根据上一步计算得到的编码系数，判断当前工况。2.根据权利要求1所述的基于子空间迁移学习的有杆泵抽油井故障诊断方法，其特征在于：步骤4)中，利用标签信息，根据低维字典D的维数和已有故障样本Xs、Xt分别建立理想系数矩阵Qs和Qt，矩阵Qt中含有零列向量。3.根据权利要求1所述的基于子空间迁移学习的有杆泵抽油井故障诊断方法，其特征在于：步骤5)中迭代优化需优化如下目标函数：s.t....

【专利技术属性】
技术研发人员：高宪文，张遨，王明顺，魏晶亮，郑博元，侯延彬，李书行，李东玉，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁,21