【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 ...
【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:
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。