[发明专利]一种有杆泵抽油井故障分离方法

权利要求书

1.一种有杆泵抽油井故障分离方法，其特征在于，包括以下步骤：

步骤1：采集l个已知故障类型的有杆泵抽油井地面示功图和u个未知故障类型的有杆泵抽油井地面示功图；

步骤2：将l+u个有杆泵抽油井地面示功图转化为井下泵示功图；

步骤3：采用小波矩的特征提取方法对有杆泵抽油井井下的泵示功图进行特征提取；

步骤3.1：对l+u个有杆泵抽油井井下泵示功图进行归一化处理；

步骤3.2：对归一化后的悬点载荷位移进行极坐标变换；

x＝rcosθ

y＝rsinθ

步骤3.3：通过对极角θ积分来计算径向函数S_q(r)，计算式为：

S_q(r)＝∫f(r,θ)e^jqθdθ

式中r为极径，θ为极角，q表示泵示功图在第q频域的特征，表达式为：

f(rcosθ,rsinθ)＝f(x,y)0≤θ≤2π

步骤3.4：计算泵示功图的小波矩W_m,n,q，计算式为：

W_m,n,q＝||∫S_q(r)ψ_m,n(r)rdr||

式中，ψ_m,n(r)为径向小波基函数，m是尺度指数，n是位移指数；

步骤4：采用基于流形正则化的半监督核极限学习机算法对提取的标记和未标记泵示功图特征向量进行分类，完成有杆泵抽油井的故障分离；

步骤4.1：对于少部分已知故障类型和正常工况的泵示功图特征向量，通过专家和现场工人的经验进行标记，使其具有类标签，这类特征数据表示为：

而大部分直接采集到的未经过标记的泵示功图的特征向量表示为：

式中，l和u为标记和未标记的样本个数，t_i∈{1,2,...,s},i＝1,...,l，其中s是故障类型；

步骤4.2：确定核函数映射κ(x_i,x_j)，极限学习机隐层节点N，并随机生成隐层节点的参数(a_i,b_i),i＝1,2,...,N；

步骤4.3：计算核矩阵K_ELM＝HH^T，H表示隐层输出矩阵，具体形式如下：

其中，h(x)为极限学习机的激励函数，是隐层相对于样本的输出，通常作为一个非线性的特征映射，当h(x)未知时，采用核矩阵映射K_ELM代替；l+u为已知和未知故障类型的示功图数量之和；

步骤4.4：计算拉普拉斯矩阵L，计算式如下：

L＝D-W

式中，D是对角矩阵表示为：W是边缘权矩阵W_ij表示标记数据与未标记数据之间的相似程度，采用高斯核映射：

步骤4.5：计算输出权重β，计算式如下：

步骤4.6：计算半监督核极限学习机的网络输出f(x)，计算式如下：

κ(x_i,x_j)为核函数映射，C为常数，J是用来区分标记数据和未标记数据的惩罚系数矩阵；

所述的步骤4.5按以下步骤执行：

步骤4.5.1：表示出(l+u)×c训练目标矩阵所述计算式如下：

为标记数据集的目标矩阵，为加入未标记数据之后的训练目标矩阵；

步骤4.5.2：考虑到平衡经验风险和学习函数f(x)的复杂性之间的关系，训练误差最小化为：

式中，β是输出权重，ε_i是训练误差，λ是惩罚系数，tr是正则化矩阵F的迹；

步骤4.5.3：将网络输出的表达式F＝Hβ代入上式，得到：

式中，J是用来区分标记数据和未标记数据的惩罚系数矩阵，所述表达式为：

J(i,i)＝1,i＝1,2,...,n,J(i,j)＝0,i≠j

步骤4.5.4：问题变为无约束优化问题之后，就可以计算出网络的输出权重β；

步骤5：根据最优解f(x)来确定该示功图的故障信息：

式中，f_i为样本点x_i的预测类标签。