故障诊断的方法及装置、电子设备和存储介质制造方法及图纸

本公开涉及一种故障诊断的方法及装置、电子设备和存储介质涉及故障诊断技术领域，所述的故障诊断的方法，包括：获取载荷‑位移曲线二维图像；根据所述载荷‑位移曲线二维图像确定多个不变矩的矩特征序列；根据所述多个不变矩的矩特征序列确定示功图特征参数；基于所述示功图特征参数及预设分类模型完成故障诊断。本公开实施例可实现故障诊断。

【技术实现步骤摘要】
故障诊断的方法及装置、电子设备和存储介质
本公开涉及故障诊断
，尤其涉及一种故障诊断的方法及装置、电子设备和存储介质。
技术介绍
在目前人工智能、大数据、物联网等技术的推动下，自动化、数字化、智能化油田是未来油田发展的必然趋势。在智能采油技术研究方面，抽油机井的工况诊断成为了国内外石油学者研究的重点热门课题之一，在取得的用于抽油机示功图诊断成果中主要的故障诊断方法有五类：人工诊断分析法、专家系统、模糊理论法、灰色理论法和神经网络法。上述方法中人工诊断分析法易受到人工的经验、技术水平等主客观因素的限制；专家系统过分依赖知识库，知识库更新不及时，且并行工作能力匮乏，适用性差；模糊理论法所建立的特征提取隶属函数方法和理论未得到明确统一；灰色理论法所需计算量大耗时长，占用内存大，应用受到一定的限制；神经网络法目前应用较多，但个别所建立的神经网络模型对于非线性拟合预测能力差，识别类型少，需要做相应的改进。现有的抽油机示功图诊断的人工分析法易受主客观因素的限制，目前的智能诊断模型存在的计算量大、识别类型少、结构需要改进等所存在的不足。
技术实现思路
本公开提出了一种故障诊断的方法及装置、电子设备和存储介质技术方案，可以基于抽油机的载荷-位移曲线二维图像，对抽油机进行故障诊断。根据本公开的一方面，提供了一种故障诊断的方法，包括：获取载荷-位移曲线二维图像；根据所述载荷-位移曲线二维图像确定多个不变矩的矩特征序列；根据所述多个不变矩的矩特征序列确定示功图特征参数；r>基于所述示功图特征参数及预设分类模型完成故障诊断。优选地，所述根据所述载荷-位移曲线二维图像确定多个不变矩的矩特征序列的方法，包括：根据所述载荷-位移曲线二维图像确定所述载荷-位移曲线二维图像对应的多阶矩；根据所述多阶矩确定所述载荷-位移曲线二维图像在水平方向的第一重心和垂直方向的第二重心；根据所述载荷-位移曲线二维图像、所述第一重心及所述第二重心确定所述载荷-位移曲线二维图像对应的多阶中心矩；基于所述中心矩确定所述多个不变矩的矩特征序列。优选地，所述基于所述中心矩确定所述多个不变矩的矩特征序列的方法，包括：对所述中心矩进行归一化处理，得到归一化的中心矩；根据所述归一化的中心矩，确定所述载荷-位移曲线二维图像在方位、位置及尺度下稳定的多个不变矩的矩特征序列。优选地，所述根据所述多个不变矩的矩特征序列确定示功图特征参数的方法，包括：获取傅里叶描绘子；分别根据所述傅里叶描绘子对所述多个不变矩的矩特征序列进行傅里叶变换，得到示功图特征参数。优选地，在所述获取傅里叶描绘子之前，确定所述获取傅里叶描绘子，其方法，包括：取所述载荷-位移曲线二维图像上一条闭合曲线，在曲线上任取一点作为起始点；沿着顺时针或逆时针方向依次取多个点，得到表示所述闭合曲线的坐标；基于所述坐标得到复变量；对所述复变量进行傅里叶变换，得到傅里叶描绘子；以及/或，所述分别根据所述傅里叶描绘子对所述多个不变矩的矩特征序列进行傅里叶变换，得到示功图特征参数的方法，包括：对所述傅里叶描绘子进行归一化处理，得到归一化的傅里叶描绘子；分别根据所述归一化的傅里叶描绘子对所述多个不变矩的矩特征序列进行傅里叶变换，得到多个频域的不变矩的矩特征序列；对所述多个频域的不变矩的矩特征序列进行高斯归一化，得到示功图特征参数。优选地，所述基于所述示功图特征参数及预设分类模型完成故障诊断的方法，包括：获取预设分类模型，所述预设分类模型为神经网络模型，所述神经网络模型至少包括：输入层和输出层；所述输出层的多个神经元预设故障诊断类型；基于输入层的示功图特征参数以及所述多个神经元预设故障诊断类型确定所述示功图特征参数或载荷-位移曲线二维图像对应的故障类型，完成故障诊断。优选地，在获取载荷-位移曲线二维图像之前，确定所述载荷-位移曲线二维图像，其确定方法，包括：通过曲柄位置传感器和载荷传感器获取抽油机示功图数据；基于所述抽油机示功图数据确定所述载荷-位移曲线二维图像。根据本公开的一方面，提供了一种故障诊断的装置，包括：获取单元，用于获取载荷-位移曲线二维图像；第一确定单元，用于根据所述载荷-位移曲线二维图像确定多个不变矩的矩特征序列；第二确定单元，用于根据所述多个不变矩的矩特征序列确定示功图特征参数；诊断单元，用于基于所述示功图特征参数及预设分类模型完成故障诊断。根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：执行上述故障诊断的方法。根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述故障诊断的方法。在本公开实施例中，本公开提出的一种故障诊断的方法及装置、电子设备和存储介质技术方案，可以基于抽油机的载荷-位移曲线二维图像，对抽油机进行故障诊断，有利于不同工况的抽油机示功图快速、准确的识别，故障诊断率高，以解决目前存在的计算量大、识别类型少的问题。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。附图说明此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。图1示出根据本公开实施例的故障诊断的方法的流程图；图2示出根据本公开实施例的SOM神经网络模型二维阵列结构图；图3示出根据本公开实施例的SOM神经网络拓扑学结构；图4示出根据本公开实施例的SOM神经网络训练学习后得到的每个神经元的分类结果；图5是根据一示例性实施例示出的一种电子设备800的框图；图6是根据一示例性实施例示出的一种电子设备1900的框图。具体实施方式以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。另外，为了更好地说明本公开，在下文本文档来自技高网...

【技术保护点】
1.一种故障诊断的方法，其特征在于，包括：/n获取载荷-位移曲线二维图像；/n根据所述载荷-位移曲线二维图像确定多个不变矩的矩特征序列；/n根据所述多个不变矩的矩特征序列确定示功图特征参数；/n基于所述示功图特征参数及预设分类模型完成故障诊断。/n

【技术特征摘要】
1.一种故障诊断的方法，其特征在于，包括：
获取载荷-位移曲线二维图像；
根据所述载荷-位移曲线二维图像确定多个不变矩的矩特征序列；
根据所述多个不变矩的矩特征序列确定示功图特征参数；
基于所述示功图特征参数及预设分类模型完成故障诊断。


2.根据权利要求1所述的方法，其特征在于，所述根据所述载荷-位移曲线二维图像确定多个不变矩的矩特征序列的方法，包括：
根据所述载荷-位移曲线二维图像确定所述载荷-位移曲线二维图像对应的多阶矩；
根据所述多阶矩确定所述载荷-位移曲线二维图像在水平方向的第一重心和垂直方向的第二重心；
根据所述载荷-位移曲线二维图像、所述第一重心及所述第二重心确定所述载荷-位移曲线二维图像对应的多阶中心矩；
基于所述中心矩确定所述多个不变矩的矩特征序列。


3.根据权利要求2所述的方法，其特征在于，所述基于所述中心矩确定所述多个不变矩的矩特征序列的方法，包括：
对所述中心矩进行归一化处理，得到归一化的中心矩；
根据所述归一化的中心矩，确定所述载荷-位移曲线二维图像在方位、位置及尺度下稳定的多个不变矩的矩特征序列。


4.根据权利要求1-3任一项所述的方法，其特征在于，所述根据所述多个不变矩的矩特征序列确定示功图特征参数的方法，包括：
获取傅里叶描绘子；
分别根据所述傅里叶描绘子对所述多个不变矩的矩特征序列进行傅里叶变换，得到示功图特征参数。


5.根据权利要求4所述的方法，其特征在于，在所述获取傅里叶描绘子之前，确定所述获取傅里叶描绘子，其方法，包括：
取所述载荷-位移曲线二维图像上一条闭合曲线，在曲线上任取一点作为起始点；
沿着顺时针或逆时针方向依次取多个点，得到表示所述闭合曲线的坐标；
基于所述坐标得到复变量；
对所述复变量进行傅里叶变换，得到傅里叶描绘子；
以及/或，
所述分别根据所述傅里叶描绘子对所述多个不变矩的矩特征序列进行傅里...

【专利技术属性】
技术研发人员：祝绍功，孙延安，董巧玲，侯宇，巩宏亮，张凯波，常瑞清，戚兴，王洋，郑东志，
申请(专利权)人：大庆油田有限责任公司，中国石油天然气股份有限公司，
类型：发明
国别省市：黑龙江;23