CN104361365A

CN104361365A - 一种抽油泵运行状态识别方法及装置

Info

Publication number: CN104361365A
Application number: CN201410729630.2A
Authority: CN
Inventors: 那文波; 纪云锋; 苏志伟; 张平; 方俊伟; 王萍
Original assignee: China Jiliang University; Hangzhou Hollysys Automation Co Ltd
Current assignee: China Jiliang University; Hangzhou Hollysys Automation Co Ltd
Priority date: 2014-12-04
Filing date: 2014-12-04
Publication date: 2015-02-18

Abstract

本发明提供了一种抽油泵运行状态识别方法及装置，本发明将目标灰度图像的目标特征向量输入至RWELM中，经RWELM运算后即可输出运行状态，以RWELM作为抽油泵运行状态识别的模型，以示功图和运行状态作为训练数据对RWELM进行训练，在训练过程中将结构风险最小化理论引入RWELM中，即采用调节参数对隐含层进行调节，解决了传统极限学习机过拟合问题，并且利用小波函数替代一般的隐含层激励函数，解决了极限学习机的局部最优的问题，具有诊断速度快、正确率高的优势。可以将本发明嵌入到抽油泵运行状态识别设备或系统中，能够及时发现运行状态与运行状态，为抽油泵的运行状态维修提供依据。

Description

一种抽油泵运行状态识别方法及装置

技术领域

本发明涉及自动化技术领域，尤其涉及一种抽油泵运行状态识别方法及装置。

背景技术

抽油泵是油田抽油系统的重要设备，其运行状态直接影响原油产量和系统安全水平。目前，大部分油田还是利用示功仪测取示功图，然后将测取的示功图与典型运行状态示功图进行人工对比分析，这需要丰富经验技术工人进行对比，得到的结果误差比较大，工作效率也较低。

所以现在需要一种快智能识别运行状态的方法，并将该方法嵌入到抽油泵运行状态识别设备或系统中，以便及时发现运行状态与运行状态，为抽油泵的运行状态维修提供依据。

发明内容

本发明提供了一种抽油泵运行状态识别方法及装置，本发明能够嵌入到抽油泵运行状态识别设备或系统中，及时发现运行状态与运行状态，为抽油泵的运行状态维修提供依据。

为了实现上述目的，本发明提供了以下技术手段：

一种抽油泵运行状态识别方法，包括：

获取抽油泵示功图的目标灰度图像；

对所述目标灰度图像进行二值化处理后得到目标示功图矩阵，利用矩特征提取方法提取所述目标示功图矩阵的多个不变矩，并将所述多个不变矩作为所述抽油泵示功图的目标特征向量；

将所述目标特征向量输入至正则小波极限学习机RWELM，经所述RWELM运算后输出运行状态，所述RWELM为预先经训练样本训练后得到的、以抽油泵示功图的特征向量为输入、以抽油泵的运行状态为输出的模型，其中所述ELM的输入层与隐含层之间的激励函数为小波函数，所述隐含层的调节参数和隐含层的节点数量为利用交叉验证法确定的。

优选的，所述RWELM的构建过程包括：

确定RWELM输入层和输出层的节点数量，并利用交叉验证法得到隐含层的调节参数和隐含层的节点数量，设定输入层与隐含层之间的激励函数为小波函数，其中，输入层的节点数量与多个不变矩数量一致，输出层的节点数量与抽油泵运行状态的数量一致；

随机生成所述输入层与所述隐含层之间的输入权重向量及偏置；

获取训练样本，所述训练样本包括抽油泵示功图的训练灰度图像及在该训练灰度图像下抽油泵的训练运行状态，对所述训练灰度图像进行二值化处理后，利用矩特征提取方式提取所述训练灰度图像的多个不变矩，并将所述多个不变矩作为所述训练灰度图像的训练特征向量；

将训练特征向量输入所述RWELM，经所述激励函数、输入权重和所述偏置运算后得到所述隐含层的训练输出矩阵；

按预设输出权重公式计算输出权重；

将由激励函数、输入权重、偏置和输出权重组成的包括输入层、隐含层和输出层的模型重新确定所述RWELM。

优选的，所述将所述目标特征向量输入至正则小波极限学习机RWELM，经所述RWELM运算后输出运行状态包括：

将所述目标特征向量输入至所述RWELM中，经所述激励函数、输入权重和所述偏置运算后得到所述隐含层的目标输出矩阵；

将所述目标输出矩阵与所述输出权重的乘积作为输出运行状态。

优选的，所述RWELM的构建过程还包括：

根据抽油泵所有示功图的不同特点，划分抽油泵的多个运行状态；

获取包含抽油泵所有运行状态的多个示功图的灰度图像，并对多个示功图的灰度图像进行预处理获得多个示功图矩阵，利用矩特征提取方法对每个示功图矩阵进行特征提取获得多个不变矩，将所述多个不变矩作为每个示功图矩阵对应的特征向量组；

将多个特征向量组作为RWELM的输入向量，将1、2、3…N的标签式向量作为RWELM的输出向量，所述输出向量表示与特征向量对应的运行状态。

优选的，所述利用交叉验证法得到隐含层的调节参数和隐含层的节点数量包括：

利用交叉验证法确定隐含层的调节参数为0.5，隐含层节点数量为14。

优选的，对所述目标灰度图像进行二值化处理后得到目标示功图矩阵包括：根据抽油泵所有示功图的不同特点，划分抽油泵的12个运行状态；

利用矩特征提取方法对每个示功图矩阵进行特征提取获得多个不变矩包括：利用矩特征提取方法对每个示功图矩阵进行特征提取获得7个不变矩。

优选的，对所述目标灰度图像进行二值化处理后得到目标示功图矩阵包括：

利用全局阈值法确定进行二值化处理时的阈值；

针对所述目标灰度图像每个像素，将像素值大于所述阈值的修改为1，将像素值小于所述阈值的修改为0，获得目标示功图矩阵。

优选的，所述利用全局阈值法确定进行二值化处理时的阈值包括：

获取抽油泵示功图的目标灰度图像，并确定阈值范围；

计算目标图像和背景图像的类间方差，所述阈值将所述目标灰度图像分为目标图像和背景图像；

在所述阈值范围内遍历阈值，当所述类间方差最大时确定当前阈值为所需阈值。

一种抽油泵运行状态识别装置，包括：

获取单元，用于获取抽油泵示功图的目标灰度图像；

预处理单元，用于对所述目标灰度图像进行二值化处理后得到目标示功图矩阵，利用矩特征提取方法提取所述目标示功图矩阵的多个不变矩，并将所述多个不变矩作为所述抽油泵示功图的目标特征向量；

输出单元，用于将所述目标特征向量输入至正则小波极限学习机RWELM，经所述RWELM运算后输出运行状态，所述RWELM为预先经训练样本训练后得到的、以抽油泵示功图的特征向量为输入、以抽油泵的运行状态为输出的模型，其中所述RWELM的输入层与隐含层之间的激励函数为小波函数，所述隐含层的调节参数和隐含层的节点数量为利用交叉验证法确定的。

优选的，还包括：

构建模型单元，用于确定RWELM输入层和输出层的节点数量，并利用交叉验证法得到隐含层的调节参数和隐含层的节点数量，设定输入层与隐含层之间的激励函数为小波函数，其中，输入层的节点数量与多个不变矩数量一致，输出层的节点数量与抽油泵运行状态的数量一致；随机生成所述输入层与所述隐含层之间的输入权重向量及偏置；获取训练样本，所述训练样本包括抽油泵示功图的训练灰度图像及在该训练灰度图像下抽油泵的训练运行状态，对所述训练灰度图像进行二值化处理后，利用矩特征提取方式提取所述训练灰度图像的多个不变矩，并将所述多个不变矩作为所述训练灰度图像的训练特征向量；将训练特征向量输入所述RWELM，经所述激励函数、输入权重和所述偏置运算后得到所述隐含层的训练输出矩阵；按预设输出权重公式计算输出权重；将由激励函数、输入权重、偏置和输出权重组成的包括输入层、隐含层和输出层的模型重新确定所述RWELM。

本发明提供了一种抽油泵运行状态识别方法及装置，本发明将目标灰度图像的目标特征向量输入至RWELM中，经RWELM运算后即可输出运行状态，以RWELM作为抽油泵运行状态识别的模型，以示功图和运行状态作为训练数据对RWELM进行训练，在训练过程中将结构风险最小化理论引入RWELM中，即采用调节参数对隐含层进行调节，解决了传统极限学习机过拟合问题，并且利用小波函数替代一般的隐含层激励函数，克服了传统极限学习机的局部最优的问题，并且可以实现多分类问题，具有诊断速度快、正确率高的优势。

并且将本发明提供的方法嵌入到抽油泵运行状态识别设备或系统中，能够及时发现运行状态与运行状态，为抽油泵的运行状态维修提供依据。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例公开的一种抽油泵运行状态识别方法的流程图；

图2为本发明实施例公开的又一种抽油泵运行状态识别方法的流程图；

图3为本发明实施例公开的又一种抽油泵运行状态识别方法的流程图；

图4为本发明实施例公开的一种抽油泵运行状态识别装置的结构图示意图。

具体实施方式

RWELM，Regularized Wavelet Extreme Learning Machine，正则小波极限学习机；

RELM，Regularized Extreme Learning Machine，正则极限学习机。

在研究过程中本申请发明人发现，可以构建轴油泵的运行状态模型并在运行状态模型的基础上进行学习，以使运行状态模型能够输出抽油泵的运行状态。构建运行状态模型的方式可以采用BP神经网络的方式，但BP神经网络诊断方法需要确定的网络参数多，而且具有需要多次迭代确定、搜索时间长、计算量大、易陷入局部最优等缺点，不适宜在抽油泵中进行运行状态识别。

发明人发现还可以采用支持向量机来构建运行状态模型，但支持向量机中惩罚因子参数和核函数中的方差参数确定比较困难，此外抽油泵的运行状态有多个，所以抽油泵运行状态诊断实质为多分类问题，但支持向量机仅限于二分类问题，还需要通过一对一、一对多或二叉树等方法改进为多分类方法，不仅复杂度较大而且计算时间较长。所以现在需要一种方法能够构建运行状态模型，并且能够克服以上两种方式带来的问题。

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明提供了一种抽油泵运行状态识别方法，包括：

步骤S101：获取抽油泵示功图的目标灰度图像；

使用现有的示工仪或其他设备采集抽油泵的目标灰度图像，目标灰度图像实质为多个像素点组成的矩阵集合。

步骤S102：对所述目标灰度图像进行二值化处理后得到目标示功图矩阵，利用矩特征提取方法提取所述目标示功图矩阵的多个不变矩，并将所述多个不变矩作为所述抽油泵示功图的目标特征向量；

由于示功图目标灰度图像的像素点很多，若把所有像素点的像素值作为预测模型的输入，势必使得预测模型的结构异常庞大，不利于预测模型的训练和学习，同时也会影响预测模型的训练速度和结果，为了便于后续处理，将目标灰度图像进行二值化处理获得示功图矩阵。

不变矩是图像的一种统计特征，具有平移不变性、旋转不变性和比例不变性，广泛应用于图像识别，所以本发明采用矩特征提取方法提取目标示功图的多个不变矩，多个不变矩能够表示该示功图的统计特征，将多个不变矩组成目标特征向量，用于后续对示功图的运行状态进行识别。

步骤S103：将所述目标特征向量输入至正则小波极限学习机RWELM，经所述RWELM运算后输出运行状态，所述RWELM为预先经训练样本训练后得到的、以抽油泵示功图的特征向量为输入、以抽油泵的运行状态为输出的模型，其中所述RWELM的输入层与隐含层之间的激励函数为小波函数，所述隐含层的调节参数和隐含层的节点数量为利用交叉验证法确定的。

由于RWELM为预先经过训练样本训练后得到的，以示功图的特征向量为输入、以示功图的运行状态为输出的模型，所以将目标特征向量输入至RWELM中，RWELM经过运算后即可输出与目标特征向量对应的运行状态。

本发明采用RWELM作为预测抽油泵运行状态的模型，RWELM中以小波函数作为隐含层的激励函数，由于小波函数是基于小波变换理论的函数，能够有效提取输入数据的局部信息其构成的网络结构，具有易适应新数据、收敛速度快、能避免较大外推误差等优点，因此，将小波函数作为网络隐含层的激励函数，能够提高网络对数据的局部处理能力。

此外，本发明将结构风险最小化理论引入到极限学习机中来，构造正则极限学习机(Regularized Extreme Learning Machine,RELM)。所谓正则是指在标准误差项的基础上增加了一个控制逼近函数光滑程度的项，也称为正则化项。通过调节参数λ来调节结构风险与经验风险的比例，改善传统极限学习机的过拟合问题，并提高传统极限学习机的泛化性能。本发明将结构风险最小化理论引入到极限学习机中，并用小波函数替代一般的隐层激励函数，构造成正则小波极限学习机，即改进的极限学习机RWELM。

RWELM相对于传统的BP神经网络和支持向量机而言，不存在学习率不恰当、局部最小化问题，而且RWELM无调整网络参数，只需设定隐层神经元个数，随机生成输入层与隐层间的权值和隐层偏置，就可以计算出输出权值，相比用梯度下降的神经网络而言，RWELM具有更好的泛化性能。

本发明提供了一种抽油泵运行状态识别方法，本发明将目标灰度图像的目标特征向量输入至RWELM中，经RWELM运算后即可输出运行状态，以RWELM作为抽油泵运行状态识别的模型，以示功图和运行状态作为训练数据对RWELM进行训练，在训练过程中将结构风险最小化理论引入RWELM中，即采用调节参数对隐含层进行调节，解决了传统极限学习机过拟合问题，并且利用小波函数替代一般的隐含层激励函数，克服了传统极限学习机的局部最优的问题，并且可以实现多分类问题，具有诊断速度快、正确率高的优势。

下面详细介绍构建RWELM的过程，如图2所示，包括以下步骤：

步骤S201：根据抽油泵所有示功图的不同特点，划分抽油泵的多个运行状态；

在具体应用时，根据抽油泵所有示功图的不同特点，划分抽油泵的12个运行状态，将抽油泵运行状态划分为正常、液击、供液不足、气体影响、油井出砂、油井结蜡、油管漏失、油杆断脱、泵断脱、游动阀漏失、固定阀漏失、活塞拔出泵共十二种运行状态，其中后十一种状态为不同的故障状态。

步骤S202：获取包含抽油泵所有运行状态的多个示功图的灰度图像，并对多个示功图的灰度图像进行预处理获得多个示功图矩阵，利用矩特征提取方法对每个示功图矩阵进行特征提取获得多个不变矩，将所述多个不变矩作为每个示功图矩阵对应的特征向量组；

在具体实施时，本发明采用提取所有示功图的七个不变矩，将每个示功图的七个不变矩作为该示功图的特征向量组。

步骤S203：将多个特征向量组作为RWELM的输入向量，将1、2、3…N的标签式向量作为RWELM的输出向量，所述输出向量表示与特征向量对应的运行状态。

将与每个示功图对应的运行状态采用标签式向量表示，标签式向量较为简单方便，标签式向量的1、2、3…N分别对应示功图的12种运行状态，通过标签式向量即可识别示功图的运行状态。

步骤S204：确定RWELM输入层和输出层的节点数量，并利用交叉验证法得到隐含层的调节参数λ和隐含层的节点数量N，设定输入层与隐含层之间的激励函数为小波函数G(x)，其中，输入层的节点数量Q与多个不变矩数量一致，输出层的节点数量与抽油泵运行状态的数量一致；

RWELM中具有输入层、隐含层和输出层，其中输入层的节点数量与多个不变矩的数量一致，在本实施例将示功图进行特征提取后得到的七个不变矩作为RWELM的输入向量，所以输入层节点数量为7个。

步骤S205：随机生成所述输入层与所述隐含层之间的输入权重向量w_i及偏置b_i，i＝1,2,…,N，N为隐层节点数；

步骤S206：获取训练样本，所述训练样本包括抽油泵示功图的训练灰度图像及在该训练灰度图像下抽油泵的运行状态，对所述训练灰度图像进行二值化处理后，利用矩特征提取方式提取所述训练灰度图像的多个不变矩，并将所述多个不变矩作为所述训练灰度图像的训练特征向量；

步骤S207：将训练特征向量输入所述RWELM，计算得到所述隐含层的输出矩阵H；

其中，

H (w_{1}, w_{2}, . . ., w_{N}, b_{1}, b_{2}, . . ., b_{N}, x_{1}, x_{2}, . . ., x_{Q}) = {[\begin{matrix} G (w_{1} x_{1} + b_{1}) & G (w_{2} x_{1} + b_{2}) & . . . & G (w_{N} x_{1} + b_{N}) \\ G (w_{1} x_{2} + b_{1}) & G (w_{2} x_{2} + b_{2}) & . . . & G (w_{N} x_{2} + b_{N},) \\ . & . & . \\ . & . & . . . & . \\ . & . & . \\ G (w_{1} x_{Q} + b_{1}) & G (w_{2} x_{Q} + b_{2}) & . . . & G (w_{N} x_{Q} + b_{N}) \end{matrix}]}_{Q \times N};

步骤S208：按公式β＝(λI+H^TH)^-1H^TT计算输出权重β，其中输入样本(x_i,t_i)，T表示输入样本中t的矩阵；t₁,t₂……t_Q与输出矩阵中的x₁、x₂……x_Q是一致是对应的；

步骤S209：将由激励函数G(x)、输入权重w_i、偏置b_i和输出权重β组成的包括输入层、隐含层和输出层的模型作为所述预设运行状态模型。

在上述构建的RWELM的基础上，图1的步骤S103中所述将所述分类特征向量输入至RWELM，经所述RWELM运算后输出运行状态包括：

计算所述分类特征向量对应的隐含层矩阵

其中，

\tilde{H} (w_{1}, w_{2}, . . ., w_{N}, b_{1}, b_{2}, . . ., b_{N}, {\tilde{x}}_{1}, {\tilde{x}}_{2}, . . ., {\tilde{x}}_{R}) = {[\begin{matrix} G (w_{1} {\tilde{x}}_{1} + b_{1}) & G (w_{2} {\tilde{x}}_{1} + b_{2}) & . . . & G (w_{N} {\tilde{x}}_{1} + b_{N}) \\ G (w_{1} {\tilde{x}}_{2} + b_{1}) & G (w_{2} {\tilde{x}}_{2} + b_{2}) & . . . & G (w_{N} {\tilde{x}}_{2} + b_{N},) \\ . & . & . \\ . & . & . . . & . \\ . & . & . \\ G (w_{1} {\tilde{x}}_{r} + b_{1}) & G (w_{2} {\tilde{x}}_{R} + b_{2}) & . . . & G (w_{N} {\tilde{x}}_{R} + b_{N}) \end{matrix}]}_{R \times N};

其中，表示目标灰度图像的多个特征向量，R表示目标灰度图像的目标特征向量的数量。

将目标特征向量对应的隐含层矩阵乘积输出权值矩阵，获得所述RWELM的输出运行状态，

RWELM的输出为标签式向量，通过标签式向量即可得知目标灰度图像对应的运行状态。

如图3所示，图1的步骤S102对所述目标灰度图像进行二值化处理后得到目标示功图矩阵包括：

步骤S301：利用全局阈值法确定进行二值化处理时的阈值；

目标灰度图像为各个像素的集合，为了区别目标灰度图像中的目标图像和背景图像，采用阈值对目标灰度图像进行分割，分了目标图像和背景图像的分割较为合理，采用全局阈值法确定阈值。

确定阈值的过程包括：获取抽油泵示功图的目标灰度图像，并确定阈值范围；计算目标图像和背景图像的类间方差，所述阈值将所述目标灰度图像分为目标图像和背景图像；在所述阈值范围内遍历阈值，当所述类间方差最大时确定当前阈值为所需阈值。

选全局阈值法中Otsu法(大津法)取最佳阈值，该方法的基本思想是：设阈值将图像分割成两组，一组灰度对应目标，另一组灰度对应背景，则通过使两组灰度值的类内方差最小，两组的类间方差最大来确定最佳的阈值。

步骤S302：针对所述目标灰度图像每个像素，将像素值大于所述阈值的修改为1，将像素值小于所述阈值的修改为0，获得目标示功图矩阵。

在确定阈值后，对目标灰度图像进行二值化处理，将每个像素与阈值进行对比，若像素对应的像素值大于阈值，则说明该像素点是目标图像，将该像素的像素值修改为1；若像素对应的像素值小于阈值，则说明该像素点是背景图像，将该像素对应的像素值修改为0。将目标灰度图像中各个像素均按照上述方法进行处理，从而得到目标示功图矩阵。

下面介绍本发明的具体实施例：

a、划分有杆抽油泵的运行状态。将抽油泵运行状态划分为正常、液击、供液不足、气体影响、油井出砂、油井结蜡、油管漏失、油杆断脱、泵断脱、游动阀漏失、固定阀漏失、活塞拔出泵共十二种运行状态，其中后十一种状态为不同类型的故障状态。

b：通过示功仪或其他示功图绘制设备，取得抽油泵的示功图数据作为数据样本。

c：对示功图样本进行预处理：先对示功图进行二值化处理，选全局阈值法中Otsu法(大津法)取最佳阈值进行二值化处理。对于灰度图像，记t为目标与背景的分割阈值，目标像素数占图像比例为w₀，平均灰度为μ₀，背景像素数占图像比例为w₁，平均灰度为μ₁，则图像的总平均灰度为：μ＝w₀(t)μ₀(t)+w₁(t)μ₁(t)，目标像素与背景像素的类间方差为：g＝w₀(μ₀-μ)²+w₁(μ₁-μ)²，从最小灰度值到最大灰度值遍历t，当使得类间方差g最大时的t，即为分割的最佳阈值。

然后细化，去除不必要的示功图粗细信息，节省内存，便于从示功图中提取细节信息，从而提高计算示功图运行状态信息的速度。所谓细化，就是从原图中去掉一些点，但仍保持原来的形状。选用常用的Hildith细化算法对二值化处理后的示功图进行细化，从而将示功图的二值点阵信息转换为矢量信息，并确定其图元。

d：利用矩特征提取方法提取示功图的七个不变矩。

一副数字图像f(x,y)的二维(p+q)阶矩定义为：其中，p,q＝0、1、2…，求和在跨越图像的所有空间坐标x,y的值上进行，相应得中心矩定义为：

μ_{pq} = \underset{x}{Σ} \underset{y}{Σ} {(x - \overset{&OverBar;}{x})}^{p} {(y - \overset{&OverBar;}{y})}^{q} f (x, y),

其中，

\overset{&OverBar;}{x} = \frac{μ_{10}}{m_{100}}, \overset{&OverBar;}{y} = \frac{μ_{01}}{m_{00}},

m₀₀为二维图像模式f(x,y)在平面R²上的(p+q)阶矩定义，μ_pq为中心距定义；

归一化(p+q)阶中心矩定义为：

其中，p,q＝0,1,2,…。

其中，p+q＝2,3,…。

对任意一幅图像都存在着对平移、缩放、镜像和旋转都不敏感的7个二维不变矩，而这些不变矩可以用下列的公式推出：

φ₁＝η₂₀+η₀₂

φ_{2} = {(η_{20} - η_{02})}^{2} + 4 η_{11}^{2}

φ₃＝(η₃₀-3η₁₂)²+(3η₂₁-η₀₃)²

φ₄＝(η₃₀+η₁₂)²+(η₂₁+η₀₃)²

根据上述七个式子计算得示功图的7个不变矩数值，构成每幅示功图的分类统计特征向量其中η_pq表示归一化后(p+q)阶中心矩；

然后，将所得的特征向量按照进行归一化处理，得运行状态识别的特征输入向量为

e：采用[1]、[2]、…[N]的标签式向量作为抽油泵各种运行状态下的改进极限学习机的目标向量，N根据具体运行状态确定，本发明确定为12。

f：按照上述预处理，输入、输出特征向量的确定方法，选取抽油泵在各种运行状态下的样本数据。

g：将有杆抽油泵的12种运行状态下的样本数据按设定的约3:2比例分为训练样本数据集和测试样本数据集。所述的训练样本数据集为(x_i,t_i)，其中，x_i＝[x_i1,x_i2,…,x_in]^T∈Rⁿ，t_i＝[t_im]∈R^m，n为特征向量的维数，m为划分的有杆抽油泵的运行状态标签数。

确定有杆抽油泵的改进极限学习机运行状态识别模型的输入层的节点数量、隐含层的节点数量、隐层调节参数、输出层的节点数量，选取抽油泵的改进的极限学习机运行状态诊断模型的激励函数g(x)。

输入层节点数为特征向量的维数，特征向量的输入模式为[x₁ x₂ x₃x₄ x₅ x₆ x₇]，为7维，因此输入层节点数为7。输出层节点数为划分的有杆抽油泵的运行状态数，划分的有杆抽油泵运行状态为12种，故输出层节点数为12。用交叉验证方法寻找最佳隐层调节参数λ和隐层节点数N组合，最终选为λ为0.5，N N为14。激励函数选用Morlet小波函数：

h：以训练样本数据作为极限学习机的输入，进行抽油泵的改进极限学习机运行状态识别模型的学习；步骤h中进一步包括下列步骤：

步骤h1：随机赋值输入权重向量w_i w_i以及偏置b_i b_i，i＝1,2,…,Ni＝1,2,…,N，NN为隐层节点数；

步骤h2：计算对应训练样本数据的隐层输出矩阵H；其中，

H (w_{1}, w_{2}, . . ., w_{N}, b_{1}, b_{2}, . . ., b_{N}, x_{1}, x_{2}, . . ., x_{Q}) = {[\begin{matrix} G (w_{1} x_{1} + b_{1}) & G (w_{2} x_{1} + b_{2}) & . . . & G (w_{N} x_{1} + b_{N}) \\ G (w_{1} x_{2} + b_{1}) & G (w_{2} x_{2} + b_{2}) & . . . & G (w_{N} x_{2} + b_{N},) \\ . & . & . \\ . & . & . . . & . \\ . & . & . \\ G (w_{1} x_{Q} + b_{1}) & G (w_{2} x_{Q} + b_{2}) & . . . & G (w_{N} x_{Q} + b_{N}) \end{matrix}]}_{Q \times N};

步骤h3：计算输出权重β＝(λI+H^TH)^-1H^TT；

其中，

β = {[β_{1}^{T}, β_{2}^{T}, . . ., β_{N}^{T}]}^{T},

T = {[t_{1}^{T}, t_{2}^{T}, . . ., t_{Q}^{T}]}^{T} .

步骤g：采用测试样本数据对改进极限学习机RWELM抽油泵故障诊断模型进行验证。

所述步骤g包括以下步骤：

步骤g1：计算对应测试样本数据的隐含层输出矩阵其中，

\tilde{H} (w_{1}, w_{2}, . . ., w_{N}, b_{1}, b_{2}, . . ., b_{N}, {\tilde{x}}_{1}, {\tilde{x}}_{2}, . . ., {\tilde{x}}_{R}) = {[\begin{matrix} G (w_{1} {\tilde{x}}_{1} + b_{1}) & G (w_{2} {\tilde{x}}_{1} + b_{2}) & . . . & G (w_{N} {\tilde{x}}_{1} + b_{N}) \\ G (w_{1} {\tilde{x}}_{2} + b_{1}) & G (w_{2} {\tilde{x}}_{2} + b_{2}) & . . . & G (w_{N} {\tilde{x}}_{2} + b_{N},) \\ . & . & . \\ . & . & . . . & . \\ . & . & . \\ G (w_{1} {\tilde{x}}_{r} + b_{1}) & G (w_{2} {\tilde{x}}_{R} + b_{2}) & . . . & G (w_{N} {\tilde{x}}_{R} + b_{N}) \end{matrix}]}_{R \times N};

步骤g2：计算极限学习机的输出

步骤g3：以改进极限学习机的输出标签代号对应的运行状态为诊断结果；

综上所述，本发明已有的油井示功仪设备或者其他示功图数据采集设备，建立基于改进极限学习机的有杆抽油泵运行状态诊断系统，可以及时发现井下抽油泵的运行状态和运行状态，为抽油泵检修计划安排和运行状态定位提供依据，并能及时排除运行状态，保证油井计划产出量。本诊断模型克服传统极限学习机的过学习和不稳定问题，提高了其泛化性能，稳定性，速度快，准确率高。

如图4所示，本发明提供了一种抽油泵运行状态识别装置，包括：

获取单元100，用于获取抽油泵示功图的目标灰度图像；

预处理单元200，用于对所述目标灰度图像进行二值化处理后得到目标示功图矩阵，利用矩特征提取方法提取所述目标示功图矩阵的多个不变矩，并将所述多个不变矩作为所述抽油泵示功图的目标特征向量；

输出单元300，用于将所述目标特征向量输入至正则小波极限学习机RWELM，经所述RWELM运算后输出运行状态，所述RWELM为预先经训练样本训练后得到的、以抽油泵示功图的特征向量为输入、以抽油泵的运行状态为输出的模型，其中所述RWELM的输入层与隐含层之间的激励函数为小波函数，所述隐含层的调节参数和隐含层的节点数量为利用交叉验证法确定的。

优选的，如图4所示，本发明提供的抽油泵运行状态识别装置还包括：

构建模型单元400，用于确定RWELM输入层和输出层的节点数量，并利用交叉验证法得到隐含层的调节参数和隐含层的节点数量，设定输入层与隐含层之间的激励函数为小波函数，其中，输入层的节点数量与多个不变矩数量一致，输出层的节点数量与抽油泵运行状态的数量一致；随机生成所述输入层与所述隐含层之间的输入权重向量及偏置；获取训练样本，所述训练样本包括抽油泵示功图的训练灰度图像及在该训练灰度图像下抽油泵的训练运行状态，对所述训练灰度图像进行二值化处理后，利用矩特征提取方式提取所述训练灰度图像的多个不变矩，并将所述多个不变矩作为所述训练灰度图像的训练特征向量；将训练特征向量输入所述RWELM，经所述激励函数、输入权重和所述偏置运算后得到所述隐含层的训练输出矩阵；按预设输出权重公式计算输出权重；将由激励函数、输入权重、偏置和输出权重组成的包括输入层、隐含层和输出层的模型重新确定所述RWELM。

本实施例方法所述的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算设备可读取存储介质中。基于这样的理解，本发明实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一台计算设备(可以是个人计算机，服务器，移动计算设备或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims

1.一种抽油泵运行状态识别方法，其特征在于，包括：

获取抽油泵示功图的目标灰度图像；

2.如权利要求1所述的方法，其特征在于，所述RWELM的构建过程包括：

按预设输出权重公式计算输出权重；

3.如权利要求2所述的方法，其特征在于，所述将所述目标特征向量输入至正则小波极限学习机RWELM，经所述RWELM运算后输出运行状态包括：

4.如权利要求2所述的方法，其特征在于，所述RWELM的构建过程还包括：

5.如权利要求2所述的方法，其特征在于，所述利用交叉验证法得到隐含层的调节参数和隐含层的节点数量包括：

6.如权利要求4所述的方法，其特征在于，对所述目标灰度图像进行二值化处理后得到目标示功图矩阵包括：根据抽油泵所有示功图的不同特点，划分抽油泵的12个运行状态；

7.如权利要求1所述的方法，其特征在于，对所述目标灰度图像进行二值化处理后得到目标示功图矩阵包括：

利用全局阈值法确定进行二值化处理时的阈值；

8.如权利要求7所述的方法，其特征在于，所述利用全局阈值法确定进行二值化处理时的阈值包括：

获取抽油泵示功图的目标灰度图像，并确定阈值范围；

9.一种抽油泵运行状态识别装置，其特征在于，包括：

获取单元，用于获取抽油泵示功图的目标灰度图像；

10.如权利要求9所述的装置，其特征在于，还包括：