[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

摘要

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。

主权项

1.一种基于自适应无迹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；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。