[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

摘要

本发明提供了一种基于改进无迹Kalman滤波与RBF神经网络的抽油机故障诊断方法。首先，利用RBF神经网络对决策参数进行建模，然后，利用改进无迹Kalman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，建立基于改进无迹Kalman滤波与RBF神经网络相结合的抽油机故障诊断方法。本发明的显著效果在于：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。

主权项

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～Xi所对应的故障类型Y或Y1～Yl；运用RBF神经网络对采集到的决策变量X或X1～Xi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；Sigma点的确定方式为：(1)当状态为1维时，初始化向量序列为：ω₀¹＝0,(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，而且都位于半径为的改进上；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。