基于多分类支持向量机的有杆抽油泵故障诊断研究.pdf

2010年 1月 西安石油大学学报 (自然科学版) Jna ．2010 第25卷第 1期 JournalofXianShiyouUniversity(NaturalScienceEdition) Vo1．25No．1 文章编号：1673-064X(2010)01-0091-05 基于多分类支持向量机的有杆抽油泵故障诊断研究 i 蹴 (西安理工大学 机械及精密仪器学院，陕西 西安 710048) 摘要：针对传统方法对有杆抽油泵系统进行故障诊断存在的缺陷，提出了基于支持向量机的抽油泵 故障诊断方法．为解决高维、非线性分类问题，通过引入核运算技巧，分析非线性软间隔分类学习机 具体算法，并得到使分类间隔最大的最优分类超平面方程．提 出了特殊情况下的样本数据标准化处 理具体算法，采用基于网格有哪些信誉好的足球投注网站的交叉验证法来选择模型参数，避免了参数选择的盲 目性和随意 性．采用一对多SVM分类器对抽油泵工况进行 了多分类仿真试验 ，并与 BP网络、RBF网络、最小 距离法等加 以比较，试验结果表 明一对多SVM分类法理论严谨 ，方法可行，自适应好，可在线运行， 在解决有杆抽油泵故障诊断问题中表现出了良好的性能，有助于提高采油效率，实现远程采油控制 智能化 ，建设数字油田． 关键词：有杆抽油泵；故障诊断；支持向量机；最优分类超平面；核运算；参数寻优 中图分类号：TP182；TE938 文献标识码 ：A 抽油机故障多年来一直是油田生产和管理所面 进行研究．例如：文献[2]利用Elman神经网络对抽 临的一个主要问题，它严重地影响了产油量．抽油机 油泵进行智能诊断，文献 [3]先用网格法对泵功图 发生故障后如不及时诊断和排除，就会造成 电能的 生成灰度矩阵并进行灰度特征量提取，然后结合神 浪费，严重影响设备寿命和设备开机率，给企业造成 经网络进行故障诊断，文献[4-7]提出直接对泵功图 损失．人工诊断方法就是巡检人员定期到采油现场 进行标准化并特征提取，然后利用神经网络进行故 测量各种参数，然后根据这些参数进行计算和故障 障诊断．但是神经网络故障诊断方法面临着网络参 判断．显然该方法浪费人力、物力，而且不能及时地 数难以合理确定、容易陷入局部最小、网络学习过程 诊断出故障，有可能月初发生的故障到月末才能发 容易发生震荡以及泛化能力不强等问题 J． 现，严重地影响了生产．故障诊断问题本质上是模式 近年来，工程领域出现了利用数据挖掘 中的新 识别或模式分类问题．抽油泵故障诊断技术的研究 方法——支 持 向量 机 (SupportVectorMachine， 一 直是 国内外采油工程技术人员的一个重要研究课 SVM)进行故障诊断或分类，它可以在训练样本较少 题 1]，先后出现了网格法、矢量法、傅里叶位置法、 时取得很强的推广能力，这是依靠对大量训练样本 傅里叶曲率法、功率谱密度法等，但这些方法都不能 学习才能获取泛化能力的神经网络所不能比拟的， 很好地描述各图形之间的细微差别，导致诊断正确 适于解决高维、非线性 问题．文献 [8]就提 出利用 率不高，尚未达到工程实用化的程度 ． SVM对抽油机电动机工作功率、电流数据进行故障 泵功图和抽汲参数为利用人工智能实现抽油系 与正常的两分类研究．本文提出对泵功图特征提取 统故障诊断提供了丰富的信息．近年来人们开始尝 组成样本集，利用软间隔的SVM对抽油泵故障诊断 试使用一些人工智能领域的方法对抽油泵故障诊断 多分类 问题展开研究． 收稿 日期 ：2009-08-29 作者简介：王凯(1973一)，男，在读博士研究生，主要从事有杆抽油系统动力学分析建模、故障