[发明专利]基于Freeman链码和矩特征融合的抽油井故障诊断方法

权利要求书

1.一种基于Freeman链码和矩特征融合的抽油井故障诊断方法，其特征在于：包括以下步骤：

步骤1：获取M个已知故障类型的有杆泵抽油井示功图和N个待诊断故障类型的有杆泵抽油井示功图；

步骤2：将获取的M+N个有杆泵抽油机井示功图进行归一化处理；

步骤3：确定每个已知故障类型的有杆泵抽油井示功图图像的质心坐标，以示功图的质心为中心，分别做一条水平线和一条垂直线，将每个示功图平均分为四个子区间；

步骤4：针对每个已知故障类型的有杆泵抽油井示功图的各子区域用Freeman链码和矩征融合方法得到一组表示示功图形状特征的特征向量，具体方法为：

步骤4.1：由步骤3中得到的示功图的质心坐标，构造出示功图的各阶中心矩，通过各阶中心距得到7个不变矩组Φ₁到Φ₇表示的特征向量；

步骤4.2：用八方向Freeman链码分别对四个子区间进行处理，得到Freeman链码表示的特征向量ψ，ψ₂，...，ψ₈；

步骤4.3：将不变矩表示的特征向量和Freeman链码表示的特征向量结合起来，得到四个子区间中某一个区间的特征向量，如下公式所示：

φ_l＝[Φ_l1，Φ_l2，...，Φ_l7，ψ_l1，ψ_l2，...，ψ_1l8]

其中，l＝1,2，...，4；

进而得到整张示功图的特征向量，如下公式所示：

Ω＝[φ₁，φ₂，φ₃，φ₄]

然后对整张示功图的特征向量进行归一化处理，从而能使不同量级的特征值能够进行比较；

步骤5：将提取的特征向量作为支持向量机的输入，对已知故障类型的示功图特征向量进行分类，得到八种故障类型分类记忆结果，具体方法为：

步骤5.1：采用高斯核函数作为支持向量机的核函数；

步骤5.2：利用改进的人工蜂群算法对支持向量机高斯核函数的参数进行优化，使支持向量机达到最优；

步骤5.3：将改进的人工蜂群算法寻得的最优参数输入到支持向量机的核函数中，对Freeman链码和矩特征融合提取的示功图特征进行分类记忆，得到八种故障类型分类记忆结果；

步骤6：将待诊断故障类型的示功图执行步骤3-步骤4，提取示功图的特征向量，并将特征向量输入优化的支持向量机进行特征的分类记忆，并与步骤5得到的八种故障类型分类记忆结果进行比较，确定该示功图为哪种故障类型，即得到有杆泵抽油机井故障诊断结果。

2.根据权利要求1所述的基于Freeman链码和矩特征融合的抽油井故障诊断方法，其特征在于：步骤3所述确定每个示功图图像的质心坐标的具体方法为：

构造示功图图像在平面R²上的p+q阶矩如下公式所示：

其中，p，q＝0，1，2，…，M，N分别表示示功图图像的行数与列数，f(x,y)表示示功图上像素点(x，y)的灰度；

进而通过零阶矩和一阶矩得到示功图图像的质心坐标(x₀，y₀)，如下公式所示：

x₀＝m₁₀/m₀₀，y₀＝m₀₁/m₀₀

其中，m₀₀为示功图图像在平面R²上的零阶矩，m₀₁和m₁₀均为示功图图像在平面R²上的一阶矩。