[发明专利]基于自适应无迹Kalman滤波与RBF神经网络的抽油机故障诊断方法

说明书

本发明提供了一种基于自适应无迹Kalman滤波与RBF神经网络的抽油机故障诊断方法。首先，利用RBF神经网络对决策参数进行建模，然后，利用无迹Kalman卡尔曼滤波算法实时更新神经网络模型隐层的权值、中心及宽度，得到神经网络最优参数，最后，利用自适应滤波算法来提高模型稳定性，建立基于自适应无迹Kalman滤波与RBF神经网络相结合的抽油机故障诊断方法。本烦的显著效果是：无迹Kalman滤波具有实时更新性能，从而实现RBF神经网络的非线性动态建模，自适应滤波算法可以提高模型稳定性，满足复杂环境下对模型精度的要求。该方法提高了故障诊断的精确率，真正达到实时检测抽油机运行状况的目的。

技术领域

本发明涉及抽油机故障诊断技术，具体涉及一种基于自适应无迹Kalman滤波与RBF神经网络的抽油机故障诊断方法。

背景技术

抽油机的故障诊断需要科学合理的方法，目前人们主要是根据示功图人为进行判断，而且只能定性分析，其诊断结果受到专家经验、技术等方面的影响，并且诊断具有一定的滞后性，达不到实时精确的诊断。抽油机运行过程具有非线性、强耦合性特点，为故障诊断带来较大困难。RBF神经网络具有很强的非线性映射能力，适用于解决非线性系统建模问题，为制定该方案过程建模提供了新的思路。本发明采用人工智能方法，对抽油机采集到的示功图参数进行傅里叶变换处理并结合抽油机本身电流参数，用RBF神经网络建立抽油机故障诊断模型，并用UKF算法对建立的诊断模型进行优化，得到最优模型参数，在此技术上，用自适应滤波方法对模型稳定性进行调整，提高模型稳定性。在实际运用中，通过收集到的数据预处理后，经RBF神经网络映射后得到的输出与模型输出作比较即可判断抽油机的故障类型。本发明不仅解决了长期以来仅仅依靠直觉判断健康而可能导致判断错误的问题，提高了故障诊断准确率和效率，降低了随机性和不确定性，真正达到了对抽油机实时诊断的目的，还为解决类似问题提供了一种新的思路，体现了人工智能算法在工业中的强大用处。

发明内容

本申请通过提供一种基于自适应无迹Kalman滤波与RBF神经网络的抽油机故障诊断方法，以解决现有技术中抽油机运行过程中发生故障时因无法及时检测抽油机故障而导致错过最佳维修时期的技术问题。

为解决上述技术问题，本申请采用以下技术方案予以实现：

一种基于自适应无迹Kalman滤波与RBF神经网络的抽油机故障诊断方法，其关键在于，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；

S3：利用无迹Kalman算法，即UKF算法，对步骤S2所得的神经网络模型进行优化，得到一组最优参数；

S4：利用自适应滤波算法，对步骤S3所建立的故障诊断模型的稳定性进行调整，提高模型稳定性；

最佳自适应因子构建如下：

最佳自适应因子为：

式中，为引入自适应因子后的理论协方差矩阵，为系统残差向量的协方差矩阵；

推导过程如下：

在UKF算法中，最佳的自适应因子应满足以下公式