一种基于流形学习的抽油机电参故障诊断方法及装置制造方法及图纸

本发明专利技术涉及故障诊断技术领域，具体涉及一种基于流形学习的抽油机电参故障诊断方法及装置，为解决当前抽油机故障诊断中缺乏实时性和准确度低的技术问题。该故障诊断方法包括：步骤一、在线实时采集抽油机运行状态下的电参数据，进行预处理，将高维信号数据向量化，构建电参数据的原始数据空间；步骤二、构建局部邻域；步骤三、构成多结构邻域；步骤四、在高维空间中，通过最小化局部重构误差来计算多结构邻域局部线性关系的权重系数；步骤五、构建全局重构模型，通过确定全局重构模型的最优解，得到最终的低维特征；步骤六、根据其分类结果完成对抽油机的故障诊断。通过算法的改进，提高了抽油机的故障诊断的精确性和抽油机的故障诊断的实时性。诊断的实时性。诊断的实时性。

【技术实现步骤摘要】
一种基于流形学习的抽油机电参故障诊断方法及装置


[0001]本专利技术涉及故障诊断
，尤其涉及一种基于流形学习的抽油机电参故障诊断方法及装置。

技术介绍

[0002]目前在油田实际应用中，抽油机的故障诊断方式大体可分为示功图诊断法和电参诊断法。电机作为抽油机系统动力来源，其电功率变化能够实时反映抽油机系统各部分运行工况，其中也包涵了悬点载荷变化信息。抽油机电功率数据在实时性、信息完整性上存在较大的优势，但由于电参数据量庞大以及数据维度较高，容易导致信号处理的滞后，不能及时发现抽油机运行时所发生的故障。同时，电参数据中也包含大量的冗余信息和噪声数据，对诊断准确度会造成一定程度的影响。

技术实现思路

[0003]有鉴于此，本专利技术的目的在于提出一种基于流形学习的抽油机电参故障诊断方法及装置，以解决当前抽油机故障诊断中缺乏实时性和准确度低的技术问题。
[0004]一种基于流形学习的抽油机电参故障诊断方法，包括：
[0005]步骤一、在线实时采集抽油机运行状态下的电参数据，进行预处理，将高维信号数据向量化，构建电参数据的原始数据空间；
[0006]步骤二、通过欧式距离确定每个样本点最近的k个样本点，构建局部邻域；
[0007]步骤三、除中心样本点外，将同一局部邻域中的任何样本点，由该局部邻域内的其余样本点作为其局域互表示邻域将每个样本点通过步骤二获得的局部邻域和局域互表示邻域进行整合，构成多结构邻域；
[0008]步骤四、在高维空间中，通过最小化局部重构误差来计算多结构邻域局部线性关系的权重系数；
[0009]步骤五、将多个局部邻域结构在低维空间中进行特征融合，构建全局重构模型，通过确定全局重构模型的最优解，得到最终的低维特征；
[0010]步骤六、将得到的低维特征结果输入至分类器中，根据其分类结果完成对抽油机的故障诊断。
[0011]作为本申请的进一步改进，所述在线实时采集抽油机运行状态下的电参数据，进行预处理，将高维信号数据向量化，构建电参数据的原始数据空间，包括
[0012]将高维信号数据向量化，得到原始数据空间X＝[x1,x2,...,x
N
]∈R
D
×
N
，其中，N为样本点数，D为高维数据维数。
[0013]作为本申请的进一步改进，所述通过欧式距离确定每个样本点最近的k个样本点，构建局部邻域，包括通过欧式距离d确定每个样本点的k个近邻点，构建局部邻域
[0014][0015]作为本申请的进一步改进，所述在高维空间中，通过最小化局部重构误差来计算
多结构邻域局部线性关系的权重系数，包括
[0016]为权重系数，
[0017]为局部协方差矩阵，为的逆矩阵；X
i
＝[x
i
,...,x
i
]∈R
D
×
k
，1
k
∈k
×
1为元素全为1的列向量；
[0018][0019]其中，表示样本点x
i
在其第n个邻域中的第j个近邻点，表示样本点x
i
在其第n个邻域中第j个近邻点的权重系数，n＝[1,2,3,...,m
i
]，m
i
表示样本点x
i
∈R
D
×1邻域的数量。
[0020]作为本申请的进一步改进，所述将多个局部邻域结构在低维空间中进行特征融合，构建全局重构模型，通过确定全局重构模型的最优解，得到最终的低维特征，包括
[0021]采用拉格朗日乘子法，选取除最小特征值外的d个最小特征值所对应的特征向量作为特征提取结果，
[0022]M
EN
Y
T
＝λ
′
Y
T
[0023]其中λ
′
＝
‑
λ，在M
EN
中每个样本点的多结构邻域权重参数被融合；
[0024]Y＝[y1,y2,...,y
N
]∈R
d
×
N
[0025]其中，N为样本点数，d为低维数据维数。低维空间点y
i
能够由其第n
i
个邻域的k个近邻点进行重构，通过权重系数公式(6)的权重系数进行重构
[0026][0027]第一行是求满足这个公式值最小情况下的Y值，第二行为对y的两个限制条件，I
d
×
d
为d阶的单位矩阵；中k个近邻点的位置被的元素填充，其他位置为0。
[0028]作为本申请的进一步改进，所述将得到的低维特征结果输入至分类器中，根据其分类结果完成对抽油机的故障诊断，包括
[0029]将低维特征结果的70％作为训练数据，30％作为测试数据；将训练数据送入SVM分类器中进行训练，得到故障诊断模型；将测试数据送入故障诊断模型中进行分类，根据分类结果完成对抽油机的故障诊断。
[0030]一种基于流形学习的抽油机电参故障诊断装置，包括：
[0031]预处理模块，用于在线实时采集抽油机运行状态下的电参数据，进行预处理，将高维信号数据向量化，构建电参数据的原始数据空间；
[0032]构建模块，用于通过欧式距离确定每个样本点最近的k个样本点，构建局部邻域；
[0033]整合模块，用于除中心样本点外，将同一局部邻域中的任何样本点，由该局部邻域
内的其余样本点作为其局域互表示邻域；将每个样本点通过构建模块获得的局部邻域和局域互表示邻域进行整合，构成多结构邻域；
[0034]重构模块，用于在高维空间中，通过最小化局部重构误差来计算多结构邻域局部线性关系的权重系数；
[0035]特征融合模块，用于将多个局部邻域结构在低维空间中进行特征融合，构建全局重构模型，通过确定全局重构模型的最优解，得到最终的低维特征；
[0036]故障诊断模块，用于将得到的低维特征结果输入至分类器中，根据其分类结果完成对抽油机的故障诊断。
[0037]基于上述目的，本专利技术提供了一种基于流形学习的抽油机电参故障诊断方法及装置，有效地挖掘出了高维空间中样本点周围的多种局部邻域结构，它有助于更精确地表示出流形的本质结构。同时，将多个局部邻域结构在低维空间中进行特征融合，构建一个全局重构模型。这一过程有效地保留了高维数据的内在属性，从而有效提高抽油机的故障诊断精度。通过算法的改进，深度挖掘高维数据的流行结构，提取故障数据的本质特征，提高了抽油机的故障诊断的精确性。在一定程度上提高了原始高维数据的处理速度，避免了由于信号处理所导致的滞后，提高了抽油机的故障诊断的实时性。
附图说明
[0038]为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术，对于本领域普本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于流形学习的抽油机电参故障诊断方法，其特征在于，包括：步骤一、在线实时采集抽油机运行状态下的电参数据，进行预处理，将高维信号数据向量化，构建电参数据的原始数据空间；步骤二、通过欧式距离确定每个样本点最近的k个样本点，构建局部邻域；步骤三、除中心样本点外，将同一局部邻域中的任何样本点，由该局部邻域内的其余样本点作为其局域互表示邻域将每个样本点通过步骤二获得的局部邻域和局域互表示邻域进行整合，构成多结构邻域；步骤四、在高维空间中，通过最小化局部重构误差来计算多结构邻域局部线性关系的权重系数；步骤五、将多个局部邻域结构在低维空间中进行特征融合，构建全局重构模型，通过确定全局重构模型的最优解，得到最终的低维特征；步骤六、将得到的低维特征结果输入至分类器中，根据其分类结果完成对抽油机的故障诊断。2.根据权利要求1所述的基于流形学习的抽油机电参故障诊断方法，其特征在于，所述在线实时采集抽油机运行状态下的电参数据，进行预处理，将高维信号数据向量化，构建电参数据的原始数据空间，包括将高维信号数据向量化，得到原始数据空间X＝[x1,x2,...,x
N
]∈R
D
×
N
，其中，N为样本点数，D为高维数据维数。3.根据权利要求1所述的基于流形学习的抽油机电参故障诊断方法，其特征在于，所述通过欧式距离确定每个样本点最近的k个样本点，构建局部邻域，包括通过欧式距离d确定每个样本点的k个近邻点，构建局部邻域4.根据权利要求1所述的基于流形学习的抽油机电参故障诊断方法，其特征在于，所述在高维空间中，通过最小化局部重构误差来计算多结构邻域局部线性关系的权重系数，包括为权重系数，为权重系数，为局部协方差矩阵，为矩阵的逆；X
i
＝[x
i
,...,x
i
]∈R
D
×
k
为元素全为1的列向量；其中，表示样本点x
i
在其第n个邻域中的第j个近邻点，表示样本点x
i
在其第n个邻域中第j个近邻点的权重系数，n＝[1,2,3,...,m
i
]，m
i
表示样本点x
i
∈R
D
×1邻域的数量。
5.根据权利要求1所述的基于流形学习的抽油机电参故障诊断方法，...

【专利技术属性】
技术研发人员：高志伟，史宝馨，刘远红，董宏丽，
申请(专利权)人：东北石油大学，
类型：发明
国别省市：