[发明专利]潜油往复抽油机的DBN网络故障诊断方法

摘要

潜油往复抽油机的DBN网络故障诊断方法，涉及一种潜油往复抽油机的故障诊断方法。本发明为了解决现有的潜油往复抽油机的故障诊断方法存在的所采集的参数不能真实反映抽油机的运行状态的问题，以及诊断准率低的问题。本发明首先采集各种工作状态下的运行电流并归一化处理作为输入向量，然后构建并训练DBN网络故障诊断模型，DBN网络故障诊断模型底部由若干个RBM结构堆叠而成，通过无监督的逐层预训练和有监督微调训练DBN网络故障诊断模型；然后针对待诊断的潜油往复抽油机，采集潜油电机的原始运行电流并归一化，根据得到的DBN网络故障诊断模型进行潜油往复抽油机的诊断。本发明适用于潜油往复抽油机的故障诊断。

主权项

1.潜油往复抽油机的DBN网络故障诊断方法，其特征在于，包括以下步骤：步骤1、采集原始运行数据：通过油井的井上参数测量设备对潜油电机的各种工作状态下的运行电流进行实时测量与记录，一个工作状态下井上测量设备在一个完整冲程内采集原始运行电流值z＝1,2,…,f；f为井上测量设备在一个完整冲程内采集原始运行电流值的个数；f个原始运行电流值形成一个原始运行数据向量I＝[i₁,i₂,i₃,…,i_f]^T；将各种工作状态下的原始运行数据向量I＝[i₁,i₂,i₃,…,i_f]^T与工作状态一一对应，将工作状态作为标签数据；步骤2、构造输入向量：对原始运行电流值按式(1)进行归一化处理；式中：为归一化电流值；为原始运行电流值；为一个完整冲程内原始运行电流值中的最大值；为一个完整冲程内原始运行电流值中的的最小值；根据原始运行数据向量I＝[i₁,i₂,i₃,…,i_f]^T得到故障诊断模型的输入向量X，并将X与I对应的工作状态对应；步骤3、构建并训练DBN网络故障诊断模型，DBN网络故障诊断模型底部由若干个RBM结构堆叠而成，即第一层为可视层，第二层至第k层为隐含层；顶层是分类层；DBN网络故障诊断模型的训练过程包含无监督的逐层预训练和有监督微调；输入层节点数设定为150，隐含层节点数依次呈递减趋势，顶层的标签层对应潜油往复抽油机的运行状态，顶层节点数应为6，DBN故障诊断模型采用5层结构，即150‑70‑35‑15‑6的模型结构；步骤4、针对待诊断的潜油往复抽油机，采集潜油电机的原始运行电流并归一化，然后根据步骤3得到的DBN网络故障诊断模型进行潜油往复抽油机的诊断；步骤3构建并训练DBN网络故障诊断模型的具体过程包括以下步骤：DBN网络故障诊断模型底部由若干个RBM网络堆叠而成，即第一层为可视层，第二层至第k层为隐含层；顶层是分类层；步骤(1)、初始化DBN网络的最大层数，每层节点数、最大迭代次数以及网络参数θ；步骤(2)、将归一化后得到的输入向量X送入DBN网络的第一层，然后依据RBM原理得到DBN网络第二层隐含层的初始状态，之后再得到第一层的重构状态以及第二层的重构状态，根据重构状态与初始状态数值之间的差异进行其权值阈值的更新，重复上述过程直至最大迭代次数，结束该层RBM训练；步骤(3)、训练完第一个RBM层之后，将DBN网络的第二层作为可视层，第三层作为隐含层，形成第二个RBM网络，重复步骤(2)的操作直至完成该层RBM的训练，即得到DBN第三层隐含层的状态；步骤(4)、依次经过训练得到DBN网络的各隐含层，直至得到第k层隐含层的状态；步骤(5)、进入有监督训练过程，将DBN网络的第k层输出作为顶层分类器的输入，顶层输出为数据的类别标签，再根据当前工作状态对应的分类标签使用反向传播算法训练顶层分类器，并对DBN网络的各层参数进行微调；步骤(6)、达到最大迭代次数或者满足规定的误差值，模型训练结束；步骤(2)的具体过程包括以下步骤：假设RBM网络的所有单元均为二值变量，即激活状态为1，反之为0；假定可视层v中有i个单元，隐含层h有j个单元，将RBM作为一个系统，具有的能量定义为式中，i为可视层的单元数，j为隐含层的单元数，v_n为可视层单元n的状态，h_m为隐含层单元m的状态，a_n为可视层单元n的阈值，b_m为隐含层单元m的阈值，w_nm为可视层单元n与隐含层单元m之间的权值；v是可视层所有单元的状态向量，h是隐含层所有单元的状态向量；θ为RBM参数权值w、可视层阈值a和隐含层阈值b的简记；由于每层的单元之间的相互独立性，能够得到(v，h)的联合概率分布为式中，为所有可视层和隐含层单元之间的能量值之和；由于RBM网络的特殊结构即层间有连接，层内无连接的特点，当给定可见单元或者隐含层单元的状态时，能够求出隐单元m或者可视单元n的激活概率：式中，为sigmoid函数；依据式(5)和式(6)，在给定可视层各单元的状态后，能够通过计算隐含层的条件概率P(h|v)的值确定隐含层所有单元的初始状态向量h⁰；然后通过计算可视层的条件概率P(v|h)得到可视层的重构状态向量v¹，最后再次通过隐含层的条件概率P(h|v)得到隐含层的重构状态向量h¹，可视层的重构状态向量v¹和可视层的初始状态向量v⁰拥有相同的单元数，隐含层的重构状态向量h¹和隐含层的初始状态向量h⁰拥有相同的单元数，最后根据可视层以及隐含层的重构状态向量和初始状态向量之间的差异进行参数θ的更新调整；所述的参数θ是采用对比散度算法实现更新调整的；采用对比散度算法更新调整参数θ的过程包括以下步骤：(a)、对RBM网络参数θ进行初始化，确定训练最大迭代次数，将输入向量X作为可视层的初始状态向量v⁰；(b)、计算隐含层各单元初始激活概率然后从条件分布概率中抽取h⁰～P(h⁰|v⁰)；为隐含层单元m的初始状态值，为可视层单元n的初始状态值；σ(·)是sigmoid函数；(c)、计算可视层各单元的重构状态向量的初始激活概率然后从条件分布概率中抽取v¹～P(v¹|h⁰)；v¹为可视层的重构状态向量，为可视层单元n的重构状态值；(d)、计算隐含层各单元为隐含层单元m的重构状态值；(e)、网络参数更新：w＝w+ρ[P(h⁰＝1|v⁰)v^0T‑P(h¹＝1|v¹)v^1T]；a＝a+ρ(v⁰‑v¹)；b＝b+ρ[P(h⁰＝1|v⁰)‑P(h¹＝1|v¹)]；式中，v^0T和v^1T分别为可视层的初始状态向量和重构状态向量的转置，ρ为学习率，学习率设定为0.2；(f)、重复步骤(b)到(e)，直至最大迭代次数，结束该层RBM训练。