基于Freeman链码和矩特征融合的抽油井故障诊断方法技术

本发明专利技术提供基于Freeman链码和矩特征融合的抽油井故障诊断方法，涉及抽油井故障诊断技术领域；该方法首先收集油田有杆泵抽油井示功图的历史数据，然后通过Freeman链码和矩特征融合的方法对示功图进行特征提取；利用改进的人工蜂群算法对支持向量机的参数进行优化，最后利用优化的支持向量机对提取的特征进行识别分类；本发明专利技术方法有效地改善了链码直方图只考虑了链码的统计特性而没有考虑链码的空间分布特征的缺点，对传统的人工蜂群算法进行了改进，使得步长在算法初期较长加快收敛速度，在算法后期步长较短增加精度，进而实现对示功图提供的故障进行快速而准确的诊断。

Fault Diagnosis Method of Pumping Well Based on Freeman Chain Code and Moment Feature Fusion

【技术实现步骤摘要】
基于Freeman链码和矩特征融合的抽油井故障诊断方法
本专利技术涉及抽油井故障诊断
，尤其涉及一种基于Freeman链码和矩特征融合的抽油井故障诊断方法。
技术介绍
有杆泵抽油机井示功图是有杆泵抽油系统工作状况的集中体现。示功图是分析抽油系统井下故障的主要手段。在通过分析示功图判断抽油井井下工况时，一个重要的问题是找到准确的特征提取方法，提取出的特征值是否准确对于后续示功图的分类识别非常重要。目前示功图特征提取的方法有，Fourier描述子、面积法，网格法，矢量法提取图形的几何特征、Freeman链码等。但单纯地使用Freeman链码进行抽油机井故障诊断效果并不是很好。目前对有杆泵抽油井故障诊断技术的研究的方法是将专家系统、模糊理论、人工神经网络、支持向量机等智能诊断算法应用在示功图的模式识别中，通过对示功图进行特征提取再进行分类识别达到故障诊断的目的。这些方法的应用都取得了较好的结果。传统的支持向量机方法在使用过程中可能会耗时过长。
技术实现思路
本专利技术要解决的技术问题是针对上述现有技术的不足，提供一种基于Freeman链码和矩特征融合的抽油井故障诊断方法，实现对抽油井故障本文档来自技高网...

【技术保护点】
1.一种基于Freeman链码和矩特征融合的抽油井故障诊断方法，其特征在于：包括以下步骤：步骤1：获取M个已知故障类型的有杆泵抽油井示功图和N个待诊断故障类型的有杆泵抽油井示功图；步骤2：将获取的M+N个有杆泵抽油机井示功图进行归一化处理；步骤3：确定每个已知故障类型的有杆泵抽油井示功图图像的质心坐标，以示功图的质心为中心，分别做一条水平线和一条垂直线，将每个示功图平均分为四个子区间；步骤4：针对每个已知故障类型的有杆泵抽油井示功图的各子区域用Freeman链码和矩征融合方法得到一组表示示功图形状特征的特征向量，具体方法为：步骤4.1：由步骤3中得到的示功图的质心坐标，构造出示功图的各阶中心矩...

【技术特征摘要】
1.一种基于Freeman链码和矩特征融合的抽油井故障诊断方法，其特征在于：包括以下步骤：步骤1：获取M个已知故障类型的有杆泵抽油井示功图和N个待诊断故障类型的有杆泵抽油井示功图；步骤2：将获取的M+N个有杆泵抽油机井示功图进行归一化处理；步骤3：确定每个已知故障类型的有杆泵抽油井示功图图像的质心坐标，以示功图的质心为中心，分别做一条水平线和一条垂直线，将每个示功图平均分为四个子区间；步骤4：针对每个已知故障类型的有杆泵抽油井示功图的各子区域用Freeman链码和矩征融合方法得到一组表示示功图形状特征的特征向量，具体方法为：步骤4.1：由步骤3中得到的示功图的质心坐标，构造出示功图的各阶中心矩，通过各阶中心距得到7个不变矩组Φ1到Φ7表示的特征向量；步骤4.2：用八方向Freeman链码分别对四个子区间进行处理，得到Freeman链码表示的特征向量ψ，，ψ2，...，ψ8；步骤4.3：将不变矩表示的特征向量和Freeman链码表示的特征向量结合起来，得到四个子区间中某一个区间的特征向量，如下公式所示：φl＝[Φl1，Φl2，...，Φl7，ψl1，ψl2，...，ψ1l8]其中，l＝1,2，...，4；进而得到整张示功图的特征向量，如下公式所示：Ω＝[φ1，φ2，φ3，φ4]然后对整张示功图的特征向量进行归一化处理，从而能使不同量级的特征值能够进行比较；步骤5：将提取的特征向量作为支持向量机的输入，对已知故障类型的示功图特征向量进行分类，得到八种故障类型分类记忆结果，具体方法为：步骤5.1：采用高斯核函数作为支持向量机的核函数；步骤5.2：利用改进的人工蜂群算法对支持向量机高斯核函数的参数进行优化，使支持向量机达到最优；步骤5.3：将改进的人工蜂群算法寻得的最优参数输入到支持向量机的核函数中，对Freeman链码和矩特征融合提取的示功图特征进行分类记忆，得到八种故障类型分类记忆结果；步骤6：将待诊断故障类型的示功图执行步骤3-步骤4，提取示功图的特征向量，并将特征向量输入优化的支持向量机进行特征的分类记忆，并与步骤5得到的八种故障类型分类记忆结果进行比较，确定该示功图为哪种故障类型，即得到有杆泵抽油机井故障诊断结果。2.根据权利要求1所述的基于Freeman链码和矩特征融合的抽油井故障诊断方法，其特征在于：步骤3所述确定每个示功图图像的质心坐标的具体方法为：构造示功图图像在平面R2上的p+q阶矩如下公式所示：其中，p，q＝0，1，2，…，M，N分别表示示功图图像的行数与列数，f(x,y)表示示功图上像素点(x，y)的灰度；进而通过零阶矩和一阶矩得到示功图图像的质心坐标(x0，y0)，如下公式所示：x0＝m10/m00，y0＝m01/m00其中，m00为示功图图像在平面R2上的零阶矩，m01和m10均为示功图图像在平面R2上的一阶矩。3.根据权利要求2所述的基于Freeman链码和矩特征融合的抽油井故障诊断方法，其特征在于：所述步骤4.1的具体方法为：由步骤3中得到的示功图的质心坐标，构造的示功图各阶中心矩如下公式所示：计算得到的各阶中心矩为：μ00＝m00，μ10＝0，μ01＝0μ11＝m11-X0m01＝m11-y0m10μ20＝m20-x0m10μ02＝m02-x0m01μ30＝m30-3x0m20+2x02m10μ03＝m03-3y0m02+2y02m01μ12＝m12-2y0m11-x0m02+2y02m10μ21＝m21-2x0m11-x0m02+2x02m01其中，m20、m02、m11均为示功图图像在平面R2上的二阶矩；m03、m30、m12、m21均为示功图图像在平面R2上的三阶矩；μ00为示功图的零阶中心矩；μ10、μ01均为示功图的一阶中心...

【专利技术属性】
技术研发人员：高宪文，张逸帆，王明顺，魏晶亮，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁,21