[发明专利]基于改进无迹Kalman滤波与RBF神经网络的抽油机故障诊断方法

权利要求书

1.一种基于改进无迹Kalman滤波与RBF神经网络的抽油机故障诊断方法，其特征在于，包括如下步骤：

S1：选取抽油机一个冲程内完整的示功图，对示功图进行傅里叶变换选取低频部分的前f个示功图坐标参数，并结合抽油机三相电流参数b1,b2,b3构成决策变量X＝[a1,a2,…,af,b1,b2,b3]，f为所选示功图坐标参数的个数；

S2：在抽油机生产现场，选取至少一组决策变量X＝[a1,a2,…,af,b1,b2,b3]作为样本数据，输出为所述决策变量X或X₁～X_i所对应的故障类型Y或Y₁～Y_l；

运用RBF神经网络对采集到的决策变量X或X₁～X_i进行训练、检验，从而建立抽油机故障诊断模型；

在步骤S1中，选取一组决策变量时：选取抽油机一个冲程内完整的示功图，对示功图进行傅里叶变换选取低频部分的前8个示功图坐标参数，并结合抽油机三相电流参数b1,b2,b3构成决策变量X＝[a1,a2,…,a8,b1,b2,b3]，输入为1组决策变量X，输出为该组决策变量X所对应的故障类型Y；

在步骤S1中，选取12组决策变量时：在抽油机生产现场，选取12组决策变量X₁,X₂,...,X₁₂及其对应的供液不足、油井出砂、油井结蜡、气体影响、气锁、固定凡尔漏失、游动凡尔漏失、双凡尔漏失、抽油杆断脱、泵上碰、泵下碰、连抽带喷故障类型作为数据样本，输入为n组决策变量X₁～X_i，输出为n组决策变量X₁～X_i所对应的故障类型Y₁～Y_l；1n≤12，i为12；

运用RBF神经网络对采集到的样本数据进行训练、检验，从而建立抽油机故障诊断模型；

S3：利用球形无迹变换，对传统无迹Kalman算法进行改进，建立改进无迹Kalman算法，即CUKF算法；对于传统无迹Kalman算法，在进行UT变换时要计算2n+1个Sigma点，n指的是状态的维度，即要优化的RBF参数个数，改进单形采样中，Sigma点的个数为n+2，Sigma点在空间分布上呈改进状，Sigma点的确定方式为：

(1)当状态为1维时，初始化向量序列为：

(2)当输入维数j＝2,3,…,n时，迭代公式为：

式子中，为第j维的第i个粒子点，共有n维；

(3)对所生成的Sigma点加入系统状态v的均值和协方差后为：

其中是状态变量的均值，P_x为状态向量的协方差矩阵，从以上采样算法可以看出，除了原点以外其他采样点具有相同的权值，而且均位于改进后半径上；

S4：利用步骤S3中的CUKF算法，对步骤S2所得到的RBF神经网络模型寻优，得到一组最优参数；

S5：按照步骤S4所得的参数构建最优模型来对步骤S2中所选定的抽油机故障进行建模诊断，使其达到故障诊断目的；

其中，CUKF算法部分为：

S511：初始化系统参数；

S512：计算Sigma点状态向量；

S513：进行系统状态一步预测及协方差矩阵；

S514：计算系统观测及协方差矩阵；

S515：计算卡尔曼增益；

S516：更新系统状态估计矩阵及协方差阵；

式中，为k-1时刻的系统状态估计矩阵，为卡尔曼增益矩阵，Y(k|k-1)为k-1时刻的系统观测矩阵，为k-1时刻的系统观测预测矩阵；

式中，为k-1时刻系统估计矩阵协方差阵，为k-1时刻系统观测矩阵协方差阵；

RBF算法部分为：

S521：更新RBF隐含层的输出：

式中，m为隐层神经元，共有J个，为隐层神经元输出，c_m为隐层神经元的中心，σ_m为隐层神经元的宽度；

S522：计算RBF输出层输出

式中，l为输出层神经元，共有M个，y_l为网络输出层输出，ω_m,l为更新后隐含层到输出层连接权值。