CN109057776A - 一种基于改进鱼群算法的抽油井故障诊断方法 - Google Patents

一种基于改进鱼群算法的抽油井故障诊断方法 Download PDF

Info

Publication number
CN109057776A
CN109057776A CN201810717992.8A CN201810717992A CN109057776A CN 109057776 A CN109057776 A CN 109057776A CN 201810717992 A CN201810717992 A CN 201810717992A CN 109057776 A CN109057776 A CN 109057776A
Authority
CN
China
Prior art keywords
function
value
indicator card
formula
weight
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810717992.8A
Other languages
English (en)
Inventor
高宪文
王佳运
魏晶亮
李翔宇
郑博元
王明顺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northeastern University China
Original Assignee
Northeastern University China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Northeastern University China filed Critical Northeastern University China
Priority to CN201810717992.8A priority Critical patent/CN109057776A/zh
Publication of CN109057776A publication Critical patent/CN109057776A/zh
Pending legal-status Critical Current

Links

Classifications

    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B47/00—Survey of boreholes or wells
    • E21B47/008—Monitoring of down-hole pump systems, e.g. for the detection of "pumped-off" conditions
    • E21B47/009—Monitoring of walking-beam pump systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Geology (AREA)
  • Mining & Mineral Resources (AREA)
  • Geophysics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Fluid Mechanics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出一种基于改进鱼群算法的抽油井故障诊断方法，属于抽油井故障诊断领域。用已知故障类型的有杆泵抽油机井示功图进行预处理，将预处理后的示功图用深度信念网络方法提取特征，用支持向量机的分类函数，对深度信念网络方法提取的特征进行分类，计算出已知故障类型的分类函数值，并用改进的鱼群算法对支持向量机分类函数的参数进行优化，根据支持向量机对深度信念网络提取的特征进行分类计算，得到待诊断故障类型的示功图针对每种故障的分类函数值，分类函数值最大的，则待诊断故障类型的示功图就分到哪一种故障中，本发明避免了人工权值、偏置预设时的不确定性，有利于提高对深度信念网络提取特征进行分类的准确性，并提高了收敛的速度。

Description

一种基于改进鱼群算法的抽油井故障诊断方法
技术领域
本发明属于抽油井故障诊断领域，具体涉及一种基于改进鱼群算法的抽油井故障诊断方法。
背景技术
有杆泵抽油机井示功图是有杆泵抽油系统工作状况的集中体现。诊断示功图是判断有杆抽油系统工况最快捷的途径。传统示功图诊断主要依靠人工观测，但由于人工观测容易受到各种主观因素的影响。因此在诊断结果上不可避免的会存在各种干扰因素，不能保证分析结果的准确性和稳定性。此外，人工分析的效率很低，这与石油生产的高效要求相悖。
随着计算机、通信等技术的不断更新换代，利用计算机代替人工已是大势所趋。考虑到示功图对于油井工况反应的重要性，并且要保证诊断的准确性和稳定性，采用有效的方法对示功图进行分析和诊断已为该领域研究的重点和难点。利用计算机对示功图进行分析，关键在于提取有效的特征，进行准确的分类。目前对于示功图的特征提取方法主要是利用其面积、方向、纹理、灰度等方面，例如矩特征，这种方法计算量大，且易受噪声影响从而导致识别率低，造成信息丢失；方向梯度直方图，这种方法在描述生成过程冗长从而导致速度慢，而由于梯度性质的问题，对噪声也相当敏感。而21世纪以来，深度学习得到了迅猛的发展，无监督学习在图像特征提取方面大放异彩。所以本发明选择深度信念网络作为特征提取的方法。在分类器的选择上，传统的神经网络作为分类器，容易陷入局部最优，而训练样本的好坏对神经网络的影响很大，而且神经网络模型一般采用的是经验风险最小化原则，网络泛化能力较差。由于支持向量机是基于结构风险最小化原则，泛化能力好；以统计学理论为基础，所求解的是基于有限样本的最优解而非样本趋近于无穷多的时的最优解，且支持向量机算法最终可以转化为凸优化问题，因此可以保证算法的全局最优性。在支持向量机的优化算法的选择上，人工鱼群算法无论是在准确性能上还是迭代次数上都明显的优于网格优化算法、蚁群优化算法、遗传算法等优化算法，所以我们选择人工鱼群算法作为支持向量机参数优化的方法，通过我们改进的非线性步长和非线性视野可以更加快速的寻找到最为优秀的支持向量机参数。
发明内容
针对现有技术的不足，本发明提出一种基于改进鱼群算法的抽油井故障诊断方法，包括如下步骤：
步骤1：获取M个已知故障类型的有杆泵抽油机井示功图，得到M组位移与载荷的像素对(si,pi)，其中，si为第i个测量点位移；pi为第i个测量点的载荷；
步骤2：将M个已知故障类型的有杆泵抽油机井示功图进行预处理，包括步骤2.1和步骤2.2；
步骤2.1：将M个已知故障类型的有杆泵抽油机井示功图进行二值化处理：
其中，si为第i个测量点位移；pi为第i个测量点的载荷；(xi,yi)为第i个点的坐标；smax为位移最大值；smin为位移最小值；pmax为载荷最大值；pmin为载荷最小值，二值化后得到M组坐标值(xi,yi)；
步骤2.2：将二值化后的M个已知故障类型的有杆泵抽油机井示功图进行归一化处理,得到一维向量A；
步骤3：用深度信念网络方法DBN(Deep Belief Network)提取M个预处理后的示功图特征，包括步骤3.1～步骤3.5；
步骤3.1：将步骤2得到的一维向量x，作为深度信念网络的输入进行初始化；
步骤3.2：人工设定参数：隐层神经元数、学习率ε、隐层层数j，通过可见层状态v得到隐层状态h的激活概率，通过隐层状态h得到可见层状态v的激活概率，如公式|(3)和(4)所示：
p(hj＝1|v；θ)＝sigmoid(bj+∑iviwij) (3)
p(vi＝1|h；θ)＝sigmoid(ai+∑jhjwij) (4)
其中，θ为参数集合，包含bj，ai，wij；bj为隐层偏置；ai为可见层偏置；wij为连接权值；hj为第j个隐层状态；vi为第i个可见层状态； 其中e≈2.7183；∑iviωij所有可见层状态与权值相乘后的相加；∑jhjwij为所有隐层状态与权值相乘后的相加；p为激活概率,初始值v1为步骤2得出的一维向量x；
步骤3.3：利用k步对比散度算法，通过可见层的激活概率使得这一层的权值和偏置得到更新；
对任意v执行k步Gibbs采样，其中第t步先后执行：
利用p(h|v(t-1)；θ)，根据公式(5)，采样出h(t-1)；
利用p(v|h(t-1)；θ)，根据公式(6),采样出v(t)；
其中，δ∈[0,1]为采样时产生的一个服从均匀分布随机数；p为激活概率；t为当前步数，t-1为前一步数；h为隐层状态；v为可见层状态；
从而得到更新后调整公式的权值Δwij、可见层偏置Δai和隐层偏置Δbj：
Δwij＝ε(<vihj>data-<vihj>recon) (7)
Δai＝ε(<vi>data-<vi>recon) (8)
Δbj＝ε(<hj>data-<hj>recon) (9)
其中，ε为学习率；<·>data为符合训练样本的概率分布时的期望；<·>recon为重构模型下定义的期望；
步骤3.4从而，得到无监督学习的权值w′ij＝wij+Δwij和偏置b′j＝bj+Δbij；
步骤3.5：用得到的权值和偏置计算出w′×x+b′作为下一次深度信念网络的输入，根据隐层层数j的设置，重复j次步骤3.1～3.4构建深度信念网络的初始化，得到每次迭代后的无监督学习的权w′和偏置b′；
步骤3.6：利用BP(Back Propagation)神经网络进行误差反向传播就得到有监督学习后的权值和偏置w″＝w′ij+Δw′ij和b″＝b′j+Δb′j，其中，Δw′ij为反向传播后的权值，Δb′j为反向传播后的偏置，从而得到深度信念网络提取示功图的特征：w″×x+b″,其中，w″有监督学习后的权值，b″有监督学习后的偏置，x为步骤2预处理后得到的一维向量；
所述BP神经网络反向传播的过程如下：设置训练步长、训练次数、学习率、网络输出激活函数；定义平方和误差函数如下：
其中，Ep为第p个样本的平方和误差函数；j为隐层层数；k为第k个神经元；yk为第k个神经元的输出；y′k为第k个神经元的目标值；∑·表示进行求和；
之后利用求得的误差并根据无监督学习得到的权值w′ij和偏置b′j可以得到反向传播后的权值Δw′ij和偏置Δb′j的调整公式：
其中，η为更新的步长；为误差对权值求取得偏导数；表示误差对偏置求取得偏导数；根据无监督学习得到的权值w′ij、偏置b′j与反向传播后的权值Δw′ij、偏置Δb′j，得到有监督学习后的权值和偏置w″＝w′ij+Δw′ij和b″＝b′+Δb′ij
步骤4：用支持向量机的分类函数，对深度信念网络方法提取的特征进行分类，用分类函数进行计算，计算出已知故障类型的分类函数值，并用改进的鱼群算法对支持向量机分类函数的参数进行优化，包括步骤4.1～4.4
步骤4.1：利用深度信念网络提取得到的特征作为支持向量机的输入；
步骤4.2：支持向量机的核函数采用如下核函数；
RBF(Radial Basis Function)核函数：
其中K(·)为核函数；x为核函数的输入；z为核函数的中心；σ为函数的宽度参数；exp(x)为指数函数ex，其中e≈2.7183，||·||为范数；
步骤4.3：对步骤3中深度信念网络方法提取的特征进行分类计算，在利用支持向量机进行多个故障分类问题时，对每个故障用(14)式进行求解，可以得到分类函数；
其中，i为所需法向量的个数；C为惩罚因子；ωi为分类的法向量；ξi为松弛变量；k(x)为核函数；Bi为支持向量机分类偏置；y为目标值；(·)T为矩阵转置；s.t.为约束条件，||·||为范数；
由公式(14)导出分类函数的计算公式为：
Class(x)＝max((ωi)Tk(x)+Bi) (15)
其中，Class(x)为计算故障的函数值；k(x)为核函数，；ωi为训练得到的分类法向量；Bi为训练得到的偏置，max(·)为求括号中的最大值；
步骤4.4：利用改进的鱼群算法(Artificial Fish-Swarm Algorithm,AFSA)对支持向量机RBF(Radial Basis Function)核函数的σ宽度参数和惩罚因子C进行优化，以达到最优，包括步骤4.4.1～4.4.6：
步骤4.4.1：人工鱼的当前状态为Xi，将支持向量机核函数的σ宽度参数和惩罚因子C作为参数对(σ,C)赋值给Xi，设定目标函数Y为公式(15)中Class(x)，人工给出人工鱼群的种群规模、初始位置、拥挤因子、尝试次数，并且将改进的非线性视野、非线性步长作为设置参数输入；
在改进的非线性视野上，我们选取：
在改进的非线性步长方面我们选取：
其中：k为当前迭代步数，maxnum为最大迭代次数，α、β为选取的递进参数；exp(x)为指数函数ex，其中e≈2.7183；
步骤4.4.2：计算每条人工鱼Xi的目标函数Yi取最大的作为Yc，将Yc对应的Xi作为Xc；
步骤4.4.3：记录人工鱼的当前状态Xi，并在其视野范围内随机选取另一个状态Xj,
Xj＝Xi+Visual*Rand() (18)
根据公式(22)分别计算Xi与Xj的目标函数值Yi与Yj，若Yj大于Yi，则目标函数值用Yj取代Yi，则向Xj移动，即用如下公式(19)，计算后一个状态t+1的Xi值，即其中，Visual用公式(16)计算得到；
其中，Step用公式(15)计算得到，Rand()是产生随机数的一个随机函数；t为当前状态，t+1为后一状态；
若Yj不大于Yi，继续在其视野范围内选择另一状态Xj，若达到尝试次数Try-number，仍没找到满足要求的Xj，则执行随机行为：
其中，t为当前状态，t+1为后一状态，Visual由公式(14)计算得出，Rand()是产生随机数的一个随机函数；
步骤4.4.4：人工鱼探索当前目标函数值Yi，为其视野范围内的伙伴数目N、中心位置Xc及中心函数Yc，若符合如下公式(21)：
Yc/N>δYi (21)
则表明中心位置状态较优，且不存在拥挤，则向中心位置移动：
其中，rand()是产生随机数的一个随机函数；t为当前状态，t+1为后一状态；
若不符合公式(21)，将后一状态值作为当前状态值，进行下一次迭代，执行步骤4.3.3；
步骤4.4.5：计算所有人工鱼通过计算所得到的得到所有人工鱼的目标函数将函数值最大的替换给Yc，将Yc对应的作为Xc；
步骤4.4.6：达到了迭代maxnum次数上限，则停止算法，输出迭代后结果，即迭代到最后的Yc对应的Xi，即优化后的支持向量机核函数的σ宽度参数和惩罚因子C；否则，将后一状态值作为当前状态值Xi，按照步骤4.3.3进行下一次迭代；
步骤5：根据支持向量机对深度信念网络提取的特征进行分类计算，得到待诊断故障类型的示功图针对每种故障的分类函数值，分类函数值最大的，则待诊断故障类型的示功图就分到哪一种故障中；
步骤5.1：获取待诊断故障类型的有杆泵抽油机井示功图；
步骤5.2：待诊断故障类型的有杆泵抽油机井示功图进行预处理，方法同步骤2.1～步骤2.2；
步骤5.3：用深度信念网络方法提取预处理后的待诊断故障类型的有杆泵抽油机示功图特征；提取特征方法同步骤3.1～步骤3.5；
步骤5.4：将步骤4.4计算得出的核函数的σ宽度参数和惩罚因子C代入分类函数公式(15)，计算待诊断故障类型的示功图针对每种故障分类函数值，分类函数值最大的，则待诊断故障类型的示功图就分到哪一种故障中。
有益效果：
1，本发明利用深度信念网络进行特征提取，采用无监督预训练的权值和偏置避免了人工权值、偏置预设时的不确定性，并且有效避免了陷入局部最优的缺陷；
2，并利用BP神经网络进行反向传播调整权值和偏置有利于后续分类的准确性；
3，最后利用支持向量机进行故障分类，有利于提高对深度信念网络提取特征进行分类的准确性；
4，本发明提出支持向量机中参数的确定采用改进的人工鱼群算法，一般鱼群算法中视野和步长是由人工给定的一个经验值，不同领域中经验值是不同的，本发明结合示功图用深度信念网络提取的特征，找到了一种改进的非线性视野和非线性步长，使得该鱼群算法在本领域中具有快速收敛性，也提高了精细搜索的能力。由于鱼群算法在开始部分需要全局范围内的搜索，而当迭代到后期的时候找到了最优解的大致位置时，需要的是增加局部搜索能力。这样随着搜索的进行，视野和步长的逐渐减小可以对最优解附近的区域进行更加精细的搜素，这样也有利于提高收敛的速度，本发明找到的改进的非线性视野和改进的非线性步长，是负的幂指数函数，两者配合，正好满足鱼群算法后期加强局部搜索能力，既可以准确地找到最优解，又可以提高收敛速度。
附图说明：
图1为本发明具体实施方案的流程图；
图2为预处理流程图；
图3为深度信念网络方法流程图；
图4为利用改进的人工鱼群算法对支持向量机进行参数寻优流程图；
图5为非线性步长曲线图；
图6为非线性视野曲线图；
图7为已知故障示功图归一化后一维向量部分截图；
图8为待诊断故障示功图归一化后一维向量部分截图；
图9为深度信念网络特征提取部分截图；
具体实施方式：
下面将结合本发明中的具体附图，对本发明一种基于改进鱼群算法的抽油井故障诊断方法做进一步说明。
所述一种基于改进鱼群算法的抽油井故障诊断方法，如图1所示，具体步骤包括步骤1～5：
步骤1：获取M个已知故障类型的有杆泵抽油机井示功图，得到M组位移与载荷的像素对(si,pi)，其中，si为第i个测量点位移；pi为第i个测量点的载荷，本实验每张示功图取64×64个像素对；
本发明中，一共选取了1440张示功图进行了实验测试。在这1440张示功图中，我们包含了共计8种不同工况下的示功图，8种工况为正常工况、供液不足、气体影响、固定阀漏失、泵下碰、油井出砂、油稠、游动阀漏失。其中选取1080张作为已知故障类型的有杆泵抽油井示功图，余下360张示功图为待诊断故障类型的有杆泵抽油机井示功图。
步骤2：将获取的1080张有杆泵抽油机井每张示功图进行预处理，如图2所示。
步骤2.1：将获取的1080个已知故障类型的有杆泵抽油机井示功图进行二值化处理：标准二值化所用到的公式为：
其中，si为第i个测量点位移；pi为第i个测量点的载荷；(xi,yi)为第i个点的坐标；smax为位移最大值；smin为位移最小值；pmax为载荷最大值；pmin为载荷最小值，二值化后得到64×64个坐标值(xi,yi)；
例如，在某一示功图中，smin＝0，smax＝2.39，pmax＝45.54，pmin＝27.48，则某一点si＝1.5，pi＝40.58的第i个像素值为1的坐标位置应该为(40.539749,46.6976744)。
步骤2.2：将二值化后的1080张已知故障类型的有杆泵抽油机井每张示功图进行归一化处理,得到一维向量，该一维向量为1×4096,维，如图7所示，图中横坐标表示一维向量的维数，纵坐标表示示功图张数；
步骤3：用深度信念网络方法DBN(Deep Belief Network)提取1080张已知故障类型预处理后的示功图特征，如图3所示；
步骤3.1：将步骤2得到的一维向量，作为深度信念网络的输入进行初始化；
步骤3.2：人工设定参数：隐层神经元数[32 100 100 100]、学习率ε为0.05、隐层层数为4，，通过可见层状态v得到隐层状态h的激活概率，通过隐层状态h得到可见层状态v的激活概率，如公式|(3)和(4)所示：
其中，θ为参数集合，包含bj，ai，wij；bj为隐层偏置；ai为可见层偏置；eij为连接权值；hj为第j个隐层状态；vi为第i个可见层状态； 其中e≈2.7183；∑iviωij所有可见层状态与权值相乘后的相加；∑jhjwij为所有隐层状态与权值相乘后的相加；p为激活概率,初始值v1为步骤2得出的一维向量；初始值w00为32×4096阶的零矩阵，b0为32×1阶的零矩阵，a0为4096×1阶的零矩阵；
步骤3.3：利用k步对比散度算法，一般k＝2，通过可见层的激活概率使得这一层的权值和偏置得到更新。
对任意v执行k步Gibbs采样，其中第t步先后执行：
利用p(h|v(t-1)；θ)，根据公式(5)，采样出h(t-1)；
利用p(v|h(t-1)；θ)，根据公式(6)，采样出v(t)；
其中，δ∈[0,1]为采样时产生的一个服从均匀分布随机数；p为激活概率；t为当前步数，t-1为前一步数；h为隐层状态；v为可见层状态。
从而得到更新后调整公式的权值Δwij、可见层偏置Δai和隐层偏置Δbj：
Δwij＝ε(<vihj>data-<vihj>recon) (7)
Δai＝ε(<vi>data-<vi>recon) (8)
Δbj＝ε(<hj>data-<hj>recon) (9)
其中，ε学习率为0.05；<·>data为符合训练样本的概率分布时的期望；<·>recon为重构模型下定义的期望；
步骤3.4从而，得到无监督学习的权值w′ij＝wij+Δwij和偏置b′＝bj+Δbij。
步骤3.5：根据隐层层数j的设置，j＝4,重复4次步骤3.1～3.4构建深度信念网络的初始化——贪婪学习算法，得到无监督学习的权w′和偏置b′；
步骤3.6：利用BP(Back Propagation)神经网络进行误差反向传播就得到有监督学习后的权值和偏置wij″＝w′ij+Δw′ij和bj″＝b′j+Δb′ij，从而得到深度信念网络DBN(Deep Belief Network)提取的特征。
在BP神经网络反向传播的过程中，设置训练步长为10，训练一批样本个数，训练次数为110，需要进行反向传播的次数，定义平方和误差函数如下：
其中，Ep为第p个样本的平方和误差函数；j为隐层层数，j＝4；k为第k个神经元；yk为第k个神经元的输出；y′k为第k个神经元的目标值；∑·表示进行求和。
之后利用求得的误差并根据无监督学习得到的权值w′ij和偏置b′j可以得到反向传播后的权值Δw′ij和偏置Δb′j的调整公式：
其中，η为更新的步长，η＝0.5；为误差对权值求取得偏导数；表示误差对偏置求取得偏导数。根据无监督学习得到的权值w′ij、偏置b′j与反向传播后的权值Δw′ij、偏置Δb′j，得到有监督学习后的权值和偏置w″＝w′ij+Δw′ij和b″＝b′+Δb′ij
从而，得到用深度信念网络方法提取示功图特征：w″×X+b″,其中，w″有监督学习后的权值，b″有监督学习后的偏置，X为步骤2预处理后得到的一维向量，如图9所示，图中横坐标表示提取特征一维向量的维数，纵坐标表示示功图张数。
步骤4：用支持向量机的分类函数，对深度信念网络方法提取的特征进行分类，用分类函数进行计算，计算出已知故障类型的分类函数值，并用改进的鱼群算法对支持向量机分类函数的参数进行优化，包括步骤4.1～4.4，
步骤4.1：利用深度信念网络提取得到的特征作为支持向量机的输入；
步骤4.2：支持向量机的核函数采用如下核函数；
RBF(Radial Basis Function)核函数：
其中K(·)为核函数；x为核函数的输入，这里x就是步骤3深度信念网络提取得到的特征；z为核函数的中心；σ为函数的宽度参数；exp(x)为指数函数ex，其中e≈2.7183，||·||为范数；
步骤4.3：对步骤3中深度信念网络方法提取的特征进行分类计算，在利用支持向量机进行多个故障分类问题时，对每个故障用(14)式进行求解，可以得到分类函数；
其中，i为所需法向量的个数；C为惩罚因子；ωi为分类的法向量；ξi为松弛变量；k(x)为核函数；Bi为支持向量机分类偏置；y为目标值；(·)T为矩阵转置；s.t.为约束条件，||·||为范数；
由公式(14)导出分类函数的计算公式为：
Class(x)＝max((ωi)Tk(x)+Bi) (15)
其中，Class(x)为计算故障的函数值；k(x)为核函数，；ωi为训练得到的分类法向量；Bi为训练得到的偏置，max(·)为求括号中的最大值；
步骤4.4；利用改进的鱼群算法(Artificial Fish-Swarm Algorithm,AFSA)对支持向量机RBF(Radial Basis Function)核函数的σ宽度参数和惩罚因子C进行优化，以达到最优，包括步骤4.4.1～4.4.6，如图4所示：
步骤4.4.1：人工鱼的当前状态为Xi，将支持向量机核函数的σ宽度参数和惩罚因子C作为参数对(σ,C)赋值给Xi，设定目标函数Y为公式(15)中Class(x)，人工给出人工鱼群的种群规模N＝50、拥挤因子δ＝0.3、尝试次数Try-number＝20，最大迭代次数maxnum＝100，并且将改进的非线性视野、非线性步长作为设置参数输入；
在改进的非线性视野上，我们选取，如图6所示，横坐标为迭代次数，k；纵坐标为视野，Visual：
在改进的非线性步长方面我们选取，如图5所示，横坐标为迭代次数，k；纵坐标为步长，Step：
其中：k为当前迭代步数，maxnum为最大迭代次数，maxnum＝100，α、β为选取的递进参数,α＝1，β＝30；exp(x)为指数函数ex，其中e≈2.7183。
一般鱼群算法中视野和步长是由人工给定的一个经验值，不同领域中经验值是不同的，本发明结合示功图用深度信念网络提取的特征，找到了一种改进的非线性视野和非线性步长，使得该鱼群算法在本领域中具有快速收敛性，也提高了精细搜索的能力。由于鱼群算法在开始部分需要全局范围内的搜索，而当迭代到后期的时候找到了最优解的大致位置时，需要的是增加局部搜索能力。这样随着搜索的进行，视野和步长的逐渐减小可以对最优解附近的区域进行更加精细的搜素，这样也有利于提高收敛的速度，本发明找到的改进的非线性视野和改进的非线性步长，是负的幂指数函数，两者配合，正好满足鱼群算法后期加强局部搜索能力，即可以准确地找到最优解，又可以提高收敛速度。
步骤4.4.2：计算每条人工鱼Xi的目标函数Yi取最大的作为Yc，将Yc对应的Xi作为Xc；
步骤4.4.3：记录人工鱼的当前状态Xi，并在其视野范围内随机选取另一个状态Xj,
Xj＝Xi+Visual*Rand() (18)
根据公式(22)分别计算Xi与Xj的目标函数值Yi与Yj，若Yj大于Yi，则目标函数值用Yj取代Yi，则向Xj移动，即用如下公式(19)，计算后一个状态t+1的Xi值，即其中，Visual用公式(16)计算得到；
其中，Step用公式(15)计算得到，Rand()是产生随机数的一个随机函数；t为当前状态，t+1为后一状态；
若Yj不大于Yi，继续在其视野范围内选择另一状态Xj，若达到尝试次数Try-number，仍没找到满足要求的Xj，则执行随机行为：
其中，t为当前状态，t+1为后一状态，Visual由公式(14)计算得出，Rand()是产生随机数的一个随机函数；
步骤4.4.4：人工鱼探索当前目标函数值Yi，为其视野范围内的伙伴数目N、中心位置Xc及中心函数Yc，若符合如下公式(21)：
Yc/N>δYi (21)
则表明中心位置状态较优，且不存在拥挤，则向中心位置移动：
其中，rand()是产生随机数的一个随机函数；t为当前状态，t+1为后一状态；
若不符合公式(21)，将后一状态值作为当前状态值，进行下一次迭代，执行步骤4.3.3；
步骤4.4.5：计算所有人工鱼通过计算所得到的得到所有人工鱼的目标函数将函数值最大的替换给Yc，将Yc对应的作为Xc；
步骤4.4.6：达到了迭代maxnum次数上限，则停止算法，输出迭代后结果，即迭代到最后的Yc对应的Xi，即优化后的支持向量机核函数的σ宽度参数和惩罚因子C；否则，将后一状态值作为当前状态值Xi，按照步骤4.3.3进行下一次迭代；
本实验中计算的结果为：宽度参数σ为0.1311,惩罚因子C为5.9011。
步骤5：根据支持向量机对深度信念网络提取的特征进行分类计算，得到待诊断故障类型的360张示功图针对每种故障的分类函数值，分类函数值最大的，则待诊断故障类型的示功图就分到哪一种故障中；
步骤5.1：获取待诊断故障类型的有杆泵抽油机井示功图；
步骤5.2：待诊断故障类型的有杆泵抽油机井示功图进行预处理，方法同步骤2.1～步骤2.2，如图8所示，图中横坐标表示一维向量的维数，纵坐标表示示功图张数；
步骤5.3：用深度信念网络方法提取预处理后的待诊断故障类型的有杆泵抽油机示功图特征；提取特征方法同步骤3.1～步骤3.5；
步骤5.4：将步骤4.4计算得出的核函数的σ宽度参数和惩罚因子C代入分类函数公式(15)，计算待诊断故障类型的示功图针对每种故障分类函数值，分类函数值最大的，则待诊断故障类型的示功图就分到哪一种故障中。
具体解释公式(15)的使用方法：由于我们定义的故障为8种，设为A、B、C、D、E、F、G、H，(即正常工况、供液不足、气体影响、固定阀漏失、泵下碰、油井出砂、油稠、游动阀漏失)在支持向量机二分类的过程中，我们组合(A，B)、(A，C)、(A，D)、……、(G，H)得到共28个训练结果，然后采取投票的方式，得到一组结果。
投票是这样的：
初始值设置为：A＝B＝C＝D＝E＝F＝G＝H＝0，
(A，B)-Class(x)，如果判断为A，则A＝A+1；否则B＝B+1；
(A，C)-Class(x)，如果判断为A，则A＝A+1；否则C＝C+1；
……
(G，H)-Class(x)，如果判断为G，则G＝G+1；否则H＝H+1；
其中，判断为A的方法为：将步骤5.3中深度信念网络方法提取的特征，即x，输入到Class(x)中，如果Class(x)>0，就判断为A，反之就是B
最终选择A～H中数值最大的那个作为该故障所在的类别。
实验结果：
本发明实施方案利用深度信念网络进行特征提取，对人工鱼群算法进行了改进，即对支持向量机核函数参数进行优化，从而对提取的特征进行故障诊断，准确率可以达到91％。

Claims (5)

1.一种基于改进鱼群算法的抽油井故障诊断方法，其特征在于包括如下步骤：
步骤1：获取M个已知故障类型的有杆泵抽油机井示功图，得到M组位移与载荷的像素对(si,pi)，其中，si为第i个测量点位移；pi为第i个测量点的载荷；
步骤2：将M个已知故障类型的有杆泵抽油机井示功图进行预处理；
步骤3：用深度信念网络方法提取M个预处理后的示功图特征；
步骤4：用支持向量机的分类函数，对深度信念网络方法提取的特征进行分类，用分类函数进行计算，计算出已知故障类型的分类函数值，并用改进的鱼群算法对支持向量机分类函数的σ宽度参数和惩罚因子C进行优化，所述改进的鱼群算法指视野和步长两个参数分别用两个负指数函数代替；
步骤5：待诊断的示功图诊断故障的方法为：根据支持向量机对深度信念网络提取的特征进行分类计算，得到待诊断故障类型的示功图针对每种故障的分类函数值，分类函数值最大的，则待诊断故障类型的示功图就分到哪一种故障中。
2.根据权利要求1所述一种基于改进鱼群算法的抽油井故障诊断方法，其特征在于，步骤2中预处理方法包括步骤2.1和步骤2.2：
步骤2.1：将M个已知故障类型的有杆泵抽油机井示功图进行二值化处理：
其中，si为第i个测量点位移；pi为第i个测量点的载荷；(xi，yi)为第i个点的坐标；smax为位移最大值；smin为位移最小值；pmax为载荷最大值；pmin为载荷最小值，二值化后得到M组坐标值(xi,yi)；
步骤2.2：将二值化后的M个已知故障类型的有杆泵抽油机井示功图进行归一化处理,得到一维向量x。
3.根据权利要求1所述一种基于改进鱼群算法的抽油井故障诊断方法，其特征在于，步骤3中用深度信念网络方法提取M个预处理后的示功图特征，包括步骤3.1～步骤3.6：
步骤3.1：将步骤2得到的一维向量x，作为深度信念网络的输入进行初始化；
步骤3.2：人工设定参数：隐层神经元数、学习率ε、隐层层数j，通过可见层状态v得到隐层状态h的激活概率，通过隐层状态h得到可见层状态v的激活概率，如公式|(3)和(4)所示：
其中，θ为参数集合，包含bj，ai，wij；bj为隐层偏置；ai为可见层偏置；wij为连接权值；hj为第j个隐层状态；vi为第i个可见层状态；其中e≈2.7183；Σiviωij所有可见层状态与权值相乘后的相加；∑jhjwij为所有隐层状态与权值相乘后的相加；p为激活概率,初始值v1为步骤2得出的一维向量x；
步骤3.3：利用k步对比散度算法，通过可见层的激活概率使得这一层的权值和偏置得到更新；
对任意v执行k步Gibbs采样，其中第t步先后执行：
利用p(h|v(t-1)；θ)，根据公式(5)，采样出h(t-1)；
利用p(v|h(t-1)；θ)，根据公式(6),采样出v(t)；
其中，δ∈[0，1]为采样时产生的一个服从均匀分布随机数；p为激活概率；t为当前步数，t-1为前一步数；h为隐层状态；v为可见层状态；
从而得到更新后调整公式的权值Δwij、可见层偏置Δai和隐层偏置Δbj：
Δwij＝ε(<vihj>data-<vihj>recon) (7)
Δai＝ε(<vi>data-<vi>recon) (8)
Δbj＝ε(<hj>data-<hj>recon) (9)
其中，ε为学习率；<·>data为符合训练样本的概率分布时的期望；<·>recon为重构模型下定义的期望；
步骤3.4从而，得到无监督学习的权值w′ij＝wij+Δwij和偏置b′j＝bj+Δbij；
步骤3.5：用得到的权值和偏置计算出w′×x+b′作为下一次深度信念网络的输入，根据隐层层数j的设置，重复j次步骤3.1～3.4构建深度信念网络的初始化，得到每次迭代后的无监督学习的权w′和偏置b′；
步骤3.6：利用BP神经网络进行误差反向传播就得到有监督学习后的权值和偏置w″＝w′ij+Δw′ij和b″＝b′j+Δb′j，其中，Δw′ij为反向传播后的权值，Δb′j为反向传播后的偏置，从而得到深度信念网络提取示功图的特征：w″×x+b″,其中，w″有监督学习后的权值，b″有监督学习后的偏置，x为步骤2预处理后得到的一维向量；
所述BP神经网络反向传播的过程如下：设置训练步长、训练次数、学习率、网络输出激活函数；定义平方和误差函数如下：
其中，Ep为第p个样本的平方和误差函数；j为隐层层数；k为第k个神经元；yk为第k个神经元的输出；y′k为第k个神经元的目标值；∑·表示进行求和；
之后利用求得的误差并根据无监督学习得到的权值w′ij和偏置b′j可以得到反向传播后的权值Δw′ij和偏置Δb′j的调整公式：
其中，η为更新的步长；为误差对权值求取得偏导数；表示误差对偏置求取得偏导数；根据无监督学习得到的权值w′ij、偏置b′j与反向传播后的权值Δw′ij、偏置Δb′j，得到有监督学习后的权值和偏置w″＝w′ij+Δw″ij和b″＝b′+Δb′ij。
4.根据权利要求1所述一种基于改进鱼群算法的抽油井故障诊断方法，其特征在于，用支持向量机的分类函数计算，并用改进的鱼群算法对支持向量机分类函数的σ宽度参数和惩罚因子C进行优化，包括步骤4.1～4.4：
步骤4.1：利用深度信念网络提取得到的特征作为支持向量机的输入；
步骤4.2：支持向量机的核函数采用如下核函数；
RBF核函数：
其中K(·)为核函数；x为核函数的输入；z为核函数的中心；σ为函数的宽度参数；exp(x)为指数函数ex，其中e≈2.7183，||·||为范数；
步骤4.3：对步骤3中深度信念网络方法提取的特征进行分类计算，在利用支持向量机进行多个故障分类问题时，对每个故障用(14)式进行求解，可以得到分类函数；
其中，i为所需法向量的个数；C为惩罚因子；ωi为分类的法向量；ξi为松弛变量；k(x)为核函数；Bi为支持向量机分类偏置；y为目标值；(·)T为矩阵转置；s.t.为约束条件，||·||为范数；
由公式(14)导出分类函数的计算公式为：
Class(x)＝max((ωi)Tk(x)+Bi) (15)
其中，Class(x)为计算故障的函数值；k(x)为核函数，；ωi为训练得到的分类法向量；Bi为训练得到的偏置，max(·)为求括号中的最大值；
步骤4.4：利用改进的鱼群算法对支持向量机RBF核函数的σ宽度参数和惩罚因子C进行优化，以达到最优，包括步骤4.4.1～4.4.6：
步骤4.4.1：人工鱼的当前状态为Xi，将支持向量机核函数的σ宽度参数和惩罚因子C作为参数对(σ,C)赋值给Xi，设定目标函数Y为公式(15)中Class(x)，人工给出人工鱼群的种群规模、初始位置、拥挤因子、尝试次数，并且将改进的非线性视野、非线性步长作为设置参数输入；
在改进的非线性视野上，我们选取：
在改进的非线性步长方面我们选取：
其中：k为当前迭代步数，maxnum为最大迭代次数，α、β为选取的递进参数；exp(x)为指数函数ex，其中e≈2.7183；
步骤4.4.2：计算每条人工鱼Xi的目标函数Yi取最大的作为Xc，将Yc对应的Xi作为Xc；
步骤4.4.3：记录人工鱼的当前状态Xi，并在其视野范围内随机选取另一个状态Xj,
Xj＝Xi+Visual*Rand() (18)
根据公式(22)分别计算Xi与Xj的目标函数值Yi与Yj，若Yj大于Yi，则目标函数值用Yj取代Yi，则向Xj移动，即用如下公式(19)，计算后一个状态t+1的Xi值，即其中，Visual用公式(16)计算得到；
其中，Step用公式(15)计算得到，Rand()是产生随机数的一个随机函数；t为当前状态，t+1为后一状态；
若Yj不大于Yi，继续在其视野范围内选择另一状态Xj，若达到尝试次数Try-number，仍没找到满足要求的Xj，则执行随机行为：
其中，t为当前状态，t+1为后一状态，Visual由公式(14)计算得出，Rand()是产生随机数的一个随机函数；
步骤4.4.4：人工鱼探索当前目标函数值Yi，为其视野范围内的伙伴数目N、中心位置Xc及中心函数Yc，若符合如下公式(21)：
Yc/N＞δYi (21)
则表明中心位置状态较优，且不存在拥挤，则向中心位置移动：
其中，rand()是产生随机数的一个随机函数；t为当前状态，t+1为后一状态；
若不符合公式(21)，将后一状态值作为当前状态值，进行下一次迭代，执行步骤4.3.3；
步骤4.4.5：计算所有人工鱼通过计算所得到的Xi t+1，得到所有人工鱼的目标函数Yi t+1，将函数值最大的Yi t+1替换给Yc，将Yc对应的Xi t+1作为Xc；
步骤4.4.6：达到了迭代maxnum次数上限，则停止算法，输出迭代后结果，即迭代到最后的Yc对应的Xi，即优化后的支持向量机核函数的σ宽度参数和惩罚因子C；否则，将后一状态值作为当前状态值Xi，按照步骤4.3.3进行下一次迭代。
5.根据权利要求1所述一种基于改进鱼群算法的抽油井故障诊断方法，其特征在于，步骤5中待诊断的示功图诊断故障的方法，具体流程包括步骤5.1～步骤5.4：
步骤5.1：获取待诊断故障类型的有杆泵抽油机井示功图；
步骤5.2：待诊断故障类型的有杆泵抽油机井示功图进行预处理，方法同步骤2.1～步骤2.2；
步骤5.3：用深度信念网络方法提取预处理后的待诊断故障类型的有杆泵抽油机示功图特征；提取特征方法同步骤3.1～步骤3.5；
步骤5.4：将步骤4.4计算得出的核函数的σ宽度参数和惩罚因子C代入分类函数公式(15)，计算待诊断故障类型的示功图针对每种故障分类函数值，分类函数值最大的，则待诊断故障类型的示功图就分到哪一种故障中。
CN201810717992.8A 2018-07-03 2018-07-03 一种基于改进鱼群算法的抽油井故障诊断方法 Pending CN109057776A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810717992.8A CN109057776A (zh) 2018-07-03 2018-07-03 一种基于改进鱼群算法的抽油井故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810717992.8A CN109057776A (zh) 2018-07-03 2018-07-03 一种基于改进鱼群算法的抽油井故障诊断方法

Publications (1)

Publication Number Publication Date
CN109057776A true CN109057776A (zh) 2018-12-21

Family

ID=64818460

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810717992.8A Pending CN109057776A (zh) 2018-07-03 2018-07-03 一种基于改进鱼群算法的抽油井故障诊断方法

Country Status (1)

Country Link
CN (1) CN109057776A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110132626A (zh) * 2019-05-20 2019-08-16 西南石油大学 一种基于多尺度卷积神经网络的抽油机故障诊断方法
CN110808581A (zh) * 2019-10-25 2020-02-18 浙江工业大学 一种基于dbn-svm的主动配电网电能质量预测方法
CN111379555A (zh) * 2018-12-29 2020-07-07 中国石油天然气股份有限公司 抽油机井的故障诊断方法及装置
CN111681319A (zh) * 2020-06-09 2020-09-18 福州市极化律网络科技有限公司 基于鱼群算法的多用户虚拟世界探索方法及存储介质
CN111827982A (zh) * 2019-04-17 2020-10-27 中国石油天然气集团有限公司 钻井溢流漏失工况预测方法及装置
CN112577664A (zh) * 2019-09-30 2021-03-30 北京国双科技有限公司 传感器故障检测方法、装置及相关产品
CN113850320A (zh) * 2021-09-24 2021-12-28 沈阳理工大学 基于改进支持向量机回归算法的变压器故障检测方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105243460A (zh) * 2015-11-12 2016-01-13 重庆大学 一种基于改进人工鱼群算法的输电塔塔腿辅材拓扑结构优化方法
CN105590032A (zh) * 2016-02-18 2016-05-18 淮阴师范学院 一种基于参数辨识的光伏组件mppt算法
WO2016077127A1 (en) * 2014-11-11 2016-05-19 Massachusetts Institute Of Technology A distributed, multi-model, self-learning platform for machine learning
CN106097307A (zh) * 2016-05-26 2016-11-09 安徽工业大学 一种基于人工鱼群算法的圆形工件检测方法
DE102016212751A1 (de) * 2015-07-17 2017-01-19 Honda Motor Co., Ltd. Abbiegevorhersagen
CN106409288A (zh) * 2016-06-27 2017-02-15 太原理工大学 一种利用变异鱼群算法优化的svm进行语音识别的方法
CN107038475A (zh) * 2017-03-22 2017-08-11 中国人民解放军信息工程大学 一种基于人工鱼群算法的自适应随机共振系统和方法
CN107147152A (zh) * 2017-06-15 2017-09-08 广东工业大学 新能源配电网多类型有功无功源协同优化配置方法及系统
CN108037758A (zh) * 2017-11-30 2018-05-15 重庆邮电大学 一种基于改进afsa的移动机器人路径规划方法
CN108133257A (zh) * 2016-11-30 2018-06-08 钛能科技股份有限公司 一种基于人工鱼群算法的泵站优化方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016077127A1 (en) * 2014-11-11 2016-05-19 Massachusetts Institute Of Technology A distributed, multi-model, self-learning platform for machine learning
DE102016212751A1 (de) * 2015-07-17 2017-01-19 Honda Motor Co., Ltd. Abbiegevorhersagen
CN105243460A (zh) * 2015-11-12 2016-01-13 重庆大学 一种基于改进人工鱼群算法的输电塔塔腿辅材拓扑结构优化方法
CN105590032A (zh) * 2016-02-18 2016-05-18 淮阴师范学院 一种基于参数辨识的光伏组件mppt算法
CN106097307A (zh) * 2016-05-26 2016-11-09 安徽工业大学 一种基于人工鱼群算法的圆形工件检测方法
CN106409288A (zh) * 2016-06-27 2017-02-15 太原理工大学 一种利用变异鱼群算法优化的svm进行语音识别的方法
CN108133257A (zh) * 2016-11-30 2018-06-08 钛能科技股份有限公司 一种基于人工鱼群算法的泵站优化方法
CN107038475A (zh) * 2017-03-22 2017-08-11 中国人民解放军信息工程大学 一种基于人工鱼群算法的自适应随机共振系统和方法
CN107147152A (zh) * 2017-06-15 2017-09-08 广东工业大学 新能源配电网多类型有功无功源协同优化配置方法及系统
CN108037758A (zh) * 2017-11-30 2018-05-15 重庆邮电大学 一种基于改进afsa的移动机器人路径规划方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
CHUN-BO LIU，HUI-JIN WANG，ZHI-PING LUO，XIU-QIN YU，LI-HUA LIU: "《QoS Multicast Routing Problem Based on Artificial Fish-Swarm Algorithm》", 《2009 FIRST INTERNATIONAL WORKSHOP ON EDUCATION TECHNOLOGY AND COMPUTER SCIENCE》 *
刘胜等: "《智能预报技术及其在船舶工程中的应用》", 30 November 2015 *
姚凌波，戴月明，王艳: "《反向自适应高斯变异的人工鱼群算法》", 《计算机工程与应用》 *
张晓丽: "《改进鱼群算法在云计算任务调度中的应用》", 《电子设计工程》 *
李鹏辉: "《基于深度学习的油井功图智能识别》", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》 *
王联国，洪毅，赵付青，余冬梅: "《一种改进的人工鱼群算法》", 《计算机工程》 *
陈广州，汪家权，李传军，鲁祥友: "《一种改进的人工鱼群算法及其应用》", 《系统工程》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111379555A (zh) * 2018-12-29 2020-07-07 中国石油天然气股份有限公司 抽油机井的故障诊断方法及装置
CN111379555B (zh) * 2018-12-29 2023-05-26 中国石油天然气股份有限公司 抽油机井的故障诊断方法及装置
CN111827982A (zh) * 2019-04-17 2020-10-27 中国石油天然气集团有限公司 钻井溢流漏失工况预测方法及装置
CN110132626A (zh) * 2019-05-20 2019-08-16 西南石油大学 一种基于多尺度卷积神经网络的抽油机故障诊断方法
CN112577664A (zh) * 2019-09-30 2021-03-30 北京国双科技有限公司 传感器故障检测方法、装置及相关产品
CN110808581A (zh) * 2019-10-25 2020-02-18 浙江工业大学 一种基于dbn-svm的主动配电网电能质量预测方法
CN111681319A (zh) * 2020-06-09 2020-09-18 福州市极化律网络科技有限公司 基于鱼群算法的多用户虚拟世界探索方法及存储介质
CN111681319B (zh) * 2020-06-09 2024-02-13 福州市极化律网络科技有限公司 基于鱼群算法的多用户虚拟世界探索方法及存储介质
CN113850320A (zh) * 2021-09-24 2021-12-28 沈阳理工大学 基于改进支持向量机回归算法的变压器故障检测方法

Similar Documents

Publication Publication Date Title
CN109057776A (zh) 一种基于改进鱼群算法的抽油井故障诊断方法
CN111160268B (zh) 一种基于多任务学习的多角度sar目标识别方法
CN108805167B (zh) 一种基于Laplace函数约束的稀疏深度置信网络图像分类方法
CN108229571B (zh) 基于kpca算法与深度信念网络的苹果表面病变图像识别方法
CN110287985B (zh) 一种基于带变异粒子群算法的可变拓扑结构的深度神经网络图像识别方法
CN107545279A (zh) 基于卷积神经网络与加权核特征分析的图像识别方法
CN114881106A (zh) 一种基于mpa-svm的变压器故障诊断方法及装置
CN113378910B (zh) 一种基于纯净标签的电磁信号调制类型识别的中毒攻击方法
Lei et al. Robust deep kernel-based fuzzy clustering with spatial information for image segmentation
CN112001436A (zh) 一种基于改进的极限学习机的水质分类方法
Goyal et al. Disease detection in potato leaves using an efficient deep learning model
CN117034060A (zh) 基于ae-rcnn的洪水分级智能预报方法
Nayem et al. Detection and Identification of Rice Pests Using Memory Efficient Convolutional Neural Network
CN114036947B (zh) 一种半监督学习的小样本文本分类方法和系统
CN115859115A (zh) 一种基于高斯分布的智能重采样技术
CN113269024B (zh) 顾及极化统计特性的非监督域自适应网络极化sar地物分类方法及设备
CN108647653A (zh) 一种智能sar雷达陆地坦克目标识别系统
Thangarasa et al. Self-paced learning with adaptive deep visual embeddings
Gao et al. Classification Method of Rape Root Swelling Disease Based on Convolution Neural Network
Karanjgaokar et al. Comparison of classification methodologies for predicting the stages of diabetic retinopathy
Liu et al. Coding Method Based on Fuzzy C-Means Clustering for Spiking Neural Network With Triangular Spike Response Function
Klemmer et al. Sxl: Spatially explicit learning of geographic processes with auxiliary tasks
CN116405368B (zh) 一种高维不平衡数据条件下的网络故障诊断方法、系统
Awad et al. Improving Resnet-9 Generalization Trained on Small Datasets
Dhas et al. Fine-tuning MobileNetV3 with different weight optimization algorithms for classification of denoised blood cell images using convolutional neural network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20181221