CN110298399B - 基于Freeman链码和矩特征融合的抽油井故障诊断方法 - Google Patents
基于Freeman链码和矩特征融合的抽油井故障诊断方法 Download PDFInfo
- Publication number
- CN110298399B CN110298399B CN201910564750.4A CN201910564750A CN110298399B CN 110298399 B CN110298399 B CN 110298399B CN 201910564750 A CN201910564750 A CN 201910564750A CN 110298399 B CN110298399 B CN 110298399B
- Authority
- CN
- China
- Prior art keywords
- indicator diagram
- moment
- indicator
- chain code
- order
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供基于Freeman链码和矩特征融合的抽油井故障诊断方法,涉及抽油井故障诊断技术领域;该方法首先收集油田有杆泵抽油井示功图的历史数据,然后通过Freeman链码和矩特征融合的方法对示功图进行特征提取;利用改进的人工蜂群算法对支持向量机的参数进行优化,最后利用优化的支持向量机对提取的特征进行识别分类;本发明方法有效地改善了链码直方图只考虑了链码的统计特性而没有考虑链码的空间分布特征的缺点,对传统的人工蜂群算法进行了改进,使得步长在算法初期较长加快收敛速度,在算法后期步长较短增加精度,进而实现对示功图提供的故障进行快速而准确的诊断。
Description
技术领域
本发明涉及抽油井故障诊断技术领域,尤其涉及一种基于Freeman链码和矩特征融合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。示功图是分析抽油系统井下故障的主要手段。在通过分析示功图判断抽油井井下工况时,一个重要的问题是找到准确的特征提取方法,提取出的特征值是否准确对于后续示功图的分类识别非常重要。目前示功图特征提取的方法有,Fourier描述子、面积法,网格法,矢量法提取图形的几何特征、Freeman链码等。但单纯地使用Freeman链码进行抽油机井故障诊断效果并不是很好。
目前对有杆泵抽油井故障诊断技术的研究的方法是将专家系统、模糊理论、人工神经网络、支持向量机等智能诊断算法应用在示功图的模式识别中,通过对示功图进行特征提取再进行分类识别达到故障诊断的目的。这些方法的应用都取得了较好的结果。传统的支持向量机方法在使用过程中可能会耗时过长。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足,提供一种基于Freeman链码和矩特征融合的抽油井故障诊断方法,实现对抽油井故障的诊断。
为解决上述技术问题,本发明所采取的技术方案是:基于Freeman链码和矩特征融合的抽油井故障诊断方法,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;
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;
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;
由步骤3中得到的示功图的质心坐标,构造的示功图各阶中心矩,如下公式所示:
计算得到的各阶中心矩为:
μ00=m00,μ10=0,μ01=0
μ11=m11-x0m01=m11-y0m10
μ20=m20-x0m10
μ02=m02-x0m01
μ30=m30-3x0m20+2x0 2m10
μ03=m03-3y0m02+2y0 2m01
μ12=m12-2y0m11-x0m02+2y0 2m10
μ21=m21-2x0m11-x0m02+2x0 2m01
其中,m20、m02、m11均为示功图图像在平面R2上的二阶矩;m03、m30、m12、m21均为示功图图像在平面R2上的三阶矩;μ00为示功图的零阶中心矩;μ10、μ01均为示功图的一阶中心矩;μ02、μ20、μ11均为示功图的二阶中心矩;μ03、μ30、μ12、μ21均为示功图的三阶中心矩;零阶矩和零阶中心矩表示示功图曲线的长度;一阶矩m10、m01用来确定示功图曲线的灰度重心;二阶中心矩μ02、μ20、μ11称为惯性矩,用来衡量示功图曲线的大小和方向;三阶中心矩μ03和μ30表示图形的不对称性,用来衡量关于均值分布的偏差程度,μ03表示示功图曲线关于垂直轴线不对称度量;
为抵消尺度变化对中心距的影响,利用零阶中心矩μ00对各阶中心矩进行归一化处理,得到归一化的各阶中心矩:
然后用示功图的二阶中心矩和三阶中心矩导出下面7个不变矩组Φ1到Φ7表示的特征向量,它们在示功图图像平移、旋转、比例变化时保持不变:
Φ1=η20+η02
Ф2=(η20-η02)2+4η11 2
Φ3=(η20-3η12)2+3(η21-η03)2
Φ4=(η30+η12)2+(η21+η03)2
Φ5=(η30+3η12)(η30+η12)[(η30+η12)2-3(η21+η03)2]+(3η21-η03)(η21+η03)[3(η30+η12)2-(η21+η03)2]
Φ6=(η20-η02)[(η30+η21)2-3(η21+η03)2]+4η11(η30+η12)(η21+η03)2
Φ7=(3η21-η03)(η30+η12)[(η30+η12)2-3(η21+η03)2]+(3η12-η03)(η21+η03)[3(η30+η12)2-(η21+η03)2]
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ψ1,ψ2,...,ψ8;
在示功图边界曲线上选取一点作为起点,记录起点坐标,然后按照顺时针的方向,以八连通的方式开始搜索下一个边界像素点,找到之后记录方向编码,然后重复以上步骤,得到一组由0到8组成的序列,即Freeman链码;然后统计某一方向的链码在整个链码串中出现的频率,得到链码直方图,将得到的链码直方图中的八个元素作为特征向量,如下公式所示:
Ψ=[ψ1,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:
φl=[Φl1,Φl2,...,Φl7,ψl1,ψl2,...,ψ1l8]
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5.2.1:初始化蜜源数量、最大迭代次数、雇佣蜂停滞次数这些算法参数;
利用如下公式随机生成一组含有S个解的初始蜂群,每个解xi=(xi1,xi2,...xid)是一个d维向量:
步骤5.2.2:每只雇佣蜂搜索新的蜜源并计算其对应的适应度值,若新的蜜源优于旧的蜜源,则更新蜜源,否则不更新;
所述雇佣蜂搜索新蜜源的方法如下公式所示:
其中,k∈{1,2,...,S}且k≠i,j∈{1,2,...,d}都是随机选取的,是搜索到的新的解,iter是当前迭代次数,cycle是预设的最大迭代次数,-2*(iter/cycle)为迭代步长;
步骤5.2.3:计算每只雇佣蜂被选中的概率,如下公式所示:
其中,pi是每只雇佣蜂被选中的概率,fi是第i个解的函数值,fiti是第i个解的函数值对应的适应度值;
步骤5.2.4:跟随蜂根据5.2.3中的概率选择蜜源,并采用5.2.2中雇佣蜂搜索新蜜源的方法搜索新的蜜源,若新的蜜源优于旧的蜜源,则更新蜜源,否则不更新;
步骤5.2.5:根据每只雇佣蜂的停滞次数,判断是否有需要放弃的蜜源,若停滞次数等于设定的最大停滞次数,则该雇佣蜂转变为侦查蜂,并用5.2.1中的公式产生一个新的蜜源来代替被丢弃的蜜源;
步骤5.2.6:本次的迭代完成,比较所有蜜源对应的适应度大小,记录最优蜜源;
步骤5.2.7:如果蜜源数量达到了预期的目标或者迭代次数达到了预设值,则停止算法,否则重新执行步骤5.2.2;
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。
采用上述技术方案所产生的有益效果在于:本发明提供的基于Freeman链码和矩特征融合的抽油井故障诊断方法,有利于利用计算机对有杆泵抽油机井进行故障诊断,并且其准确率和稳定性得到了保障。本发明方法基于Freeman链码与不变矩融合对示功图进行准确的特征提取,有效地改善了链码直方图只考虑了链码的统计特性而没有考虑链码的空间分布特征的缺点,利用改进的人工蜂群优化算法得到的参数使得支持向量机在特征分类方面的准确性和稳定性得到了优化。
附图说明
图1为本发明实施例提供的基于Freeman链码和矩特征融合的抽油井故障诊断方法的流程图;
图2为本发明实施例提供的将示功图平均分为四个子区间的示意图,其中,(a)为第一个子区间,(b)为第二个子区间,(c)为第三个子区间,(d)为第四个子区间;
图3为本发明实施例提供的八方向Freeman链码示意图;
图4为本发明实施例提供的改进的人工蜂群算法的流程图;
图5为本发明实施例提供的人工蜂群算法改进前后的迭代步长对比曲线图;
图6为为本发明实施例提供的采用改进前后的人工蜂群算法对支持向量机进行优化后的的有杆泵抽油故障诊断结果图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
本实施例中,基于Freeman链码和矩特征融合的抽油井故障诊断方法,如图1所示,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;
本实施例中,选取1600张有杆泵抽油井示功图进行实验测试。在这1600张示功图中,包含了共计8中不同工况下的示功图。其中,1200张作为已知故障类型的有杆泵抽油井示功图,余下400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,如图2所示;
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;
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;
由步骤3中得到的示功图的质心坐标,构造的示功图各阶中心矩,如下公式所示:
计算得到的各阶中心矩为:
μ00=m00,μ10=0,μ01=0
μ11=m11-x0m01=m11-y0m10
μ20=m20-x0m10
μ02=m02-x0m01
μ30=m30-3x0m20+2x0 2m10
μ03=m03-3y0m02+2y0 2m01
μ12=m12-2y0m11-x0m02+2y0 2m10
μ21=m21-2x0m11-x0m02+2x0 2m01
其中,m20、m02、m11均为示功图图像在平面R2上的二阶矩;m03、m30、m12、m21均为示功图图像在平面R2上的三阶矩;μ00为示功图的零阶中心矩;μ10、μ01均为示功图的一阶中心矩;μ02、μ20、μ11均为示功图的二阶中心矩;μ03、μ30、μ12、μ21均为示功图的三阶中心矩;零阶矩和零阶中心矩表示示功图曲线的长度;一阶矩m10、m01用来确定示功图曲线的灰度重心;二阶中心矩μ02、μ20、μ11称为惯性矩,用来衡量示功图曲线的大小和方向;三阶中心矩μ03和μ30表示图形的不对称性,用来衡量关于均值分布的偏差程度,μ03表示示功图曲线关于垂直轴线不对称度量;
为抵消尺度变化对中心距的影响,利用零阶中心矩μ00对各阶中心矩进行归一化处理,得到归一化的各阶中心矩:
然后用示功图的二阶中心矩和三阶中心矩导出下面7个不变矩组Ф1到Φ7表示的特征向量,它们在示功图图像平移、旋转、比例变化时保持不变:
Φ1=η20+η02
Φ2=(η20-η02)2+4η11 2
Φ3=(η20-3η12)2+3(η21-η03)2
Φ4=(η30+η12)2+(η21+η03)2
Ф5=(η30+3η12)(η30+η12)[(η30+η12)2-3(η21+η03)2]+(3η21-η03)(η21+η03)[3(η30+η12)2-(η21+η03)2]
Φ6=(η20-η02)[(η30+η21)2-3(η21+η03)2]+4η11(η30+η12)(η21+η03)2
Φ7=(3η21-η03)(η30+η12)[(η30+η12)2-3(η21+η03)2]+(3η12-η03)(η21+η03)[3(η30+η12)2-(η21+η03)2]
步骤4.2:用如图3所示的八方向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ψ1,ψ2,...,ψ8;
在示功图边界曲线上选取一点作为起点,记录起点坐标,然后按照顺时针的方向,以八连通的方式开始搜索下一个边界像素点,找到之后记录方向编码,然后重复以上步骤,得到一组由0到8组成的序列,即Freeman链码;然后统计某一方向的链码在整个链码串中出现的频率,得到链码直方图,将得到的链码直方图中的八个元素作为特征向量,如下公式所示:
Ψ=[ψ1,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:
φl=[Φl1,Φl2,...,Фl7,ψl1,ψl2,...,ψ1l8]
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;
本实施例中,采用的归一化公式如下所示:
其中,ω′为归一化后的特征向量,ω为Ω中的各个特征向量,ωmax是Ω中的各特征向量的最大值,ωmin是Ω中的各特征向量的最小值;
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:利用如图4所示的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5.2.1:初始化蜜源数量、最大迭代次数、雇佣蜂停滞次数这些算法参数;
利用如下公式随机生成一组含有S个解的初始蜂群,每个解xi=(xi1,xi2,...xid)是一个d维向量:
步骤5.2.2:每只雇佣蜂搜索新的蜜源并计算其对应的适应度值,若新的蜜源优于旧的蜜源,则更新蜜源,否则不更新;
所述雇佣蜂搜索新蜜源的方法如下公式所示:
其中,k∈{1,2,...,S}且k≠i,j∈{1,2,...,d}都是随机选取的,是搜索到的新的解,iter是当前迭代次数,cycle是预设的最大迭代次数,-2*(iter/cycle)为迭代步长,人工蜂群算法改进前后,迭代步长的对比如图5所示,图中虚线为改进后的迭代步长,实线为改进前的迭代步长;
步骤5.2.3:计算每只雇佣蜂被选中的概率,如下公式所示:
其中,pi是每只雇佣蜂被选中的概率,fi是第i个解的函数值,fiti是第i个解的函数值对应的适应度值;
步骤5.2.4:跟随蜂根据5.2.3中的概率选择蜜源,并采用5.2.2中雇佣蜂搜索新蜜源的方法搜索新的蜜源,若新的蜜源优于旧的蜜源,则更新蜜源,否则不更新;
步骤5.2.5:根据每只雇佣蜂的停滞次数,判断是否有需要放弃的蜜源,若停滞次数等于设定的最大停滞次数,则该雇佣蜂转变为侦查蜂,并用5.2.1中的公式产生一个新的蜜源来代替被丢弃的蜜源;
步骤5.2.6:本次的迭代完成,比较所有蜜源对应的适应度大小,记录最优蜜源;
步骤5.2.7:如果蜜源数量达到了预期的目标或者迭代次数达到了预设值,则停止算法,否则重新执行步骤5.2.2;
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。
本实施例中,将待诊断故障类型的示功图特征向量输入通过改进的人工蜂群算法优化的支持向量机中,得到的有杆泵抽油机井故障诊断结果如图6所示。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (5)
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:
φl=[Φl1,Φl2,...,Φl7,ψl1,ψl2,...,ψ1l8]
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。
3.根据权利要求2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:所述步骤4.1的具体方法为:
由步骤3中得到的示功图的质心坐标,构造的示功图各阶中心矩如下公式所示:
计算得到的各阶中心矩为:
μ00=m00,μ10=0,μ01=0
μ11=m11-X0m01=m11-y0m10
μ20=m20-x0m10
μ02=m02-x0m01
μ30=m30-3x0m20+2x0 2m10
μ03=m03-3y0m02+2y0 2m01
μ12=m12-2y0m11-x0m02+2y0 2m10
μ21=m21-2x0m11-x0m02+2x0 2m01
其中,m20、m02、m11均为示功图图像在平面R2上的二阶矩;m03、m30、m12、m21均为示功图图像在平面R2上的三阶矩;μ00为示功图的零阶中心矩;μ10、μ01均为示功图的一阶中心矩;μ02、μ20、μ11均为示功图的二阶中心矩;μ03、μ30、μ12、μ21均为示功图的三阶中心矩;零阶矩和零阶中心矩表示示功图曲线的长度;一阶矩m10、m01用来确定示功图曲线的灰度重心;二阶中心矩μ02、μ20、μ11称为惯性矩,用来衡量示功图曲线的大小和方向;三阶中心矩μ03和μ30表示图形的不对称性,用来衡量关于均值分布的偏差程度,μ03表示示功图曲线关于垂直轴线不对称度量;
为抵消尺度变化对中心距的影响,利用零阶中心矩μ00对各阶中心矩进行归一化处理,得到归一化的各阶中心矩:
然后用示功图的二阶中心矩和三阶中心矩导出下面7个不变矩组Φ1到Φ7表示的特征向量,它们在示功图图像平移、旋转、比例变化时保持不变:
Φ1=η20+η02
Φ2=(η20-η02)2+4η11 2
Φ3=(η20-3η12)2+3(η21-η03)2
Φ4=(η30+η12)2+(η21+η03)2
Φ5=(η30+3η12)(η30+η12)[(η30+η12)2-3(η21+η03)2]+(3η21-η03)(η21+η03)[3(η30+η12)2-(η21+η03)2]
Φ6=(η20-η02)[(η30+η21)2-3(η21+η03)2]+4η11(η30+η12)(η21+η03)2
Φ7=(3η21-η03)(η30+η12)[(η30+η12)2-3(η21+η03)2]+(3η12-η03)(η21+η03)[3(η30+η12)2-(η21+η03)2]。
4.根据权利要求3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:所述步骤4.2的具体方法为
在示功图边界曲线上选取一点作为起点,记录起点坐标,然后按照顺时针的方向,以八连通的方式开始搜索下一个边界像素点,找到之后记录方向编码,然后重复以上步骤,得到一组由0到8组成的序列,即Freeman链码;然后统计某一方向的链码在整个链码串中出现的频率,得到链码直方图,将得到的链码直方图中的八个元素作为特征向量,如下公式所示:
Ψ=[ψ1,ψ2,...,ψ8]。
5.根据权利要求4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5.2.1:初始化蜜源数量、最大迭代次数、雇佣蜂停滞次数这些算法参数;
利用如下公式随机生成一组含有S个解的初始蜂群,每个解xi=(xi1,xi2,...xid)是一个d维向量:
步骤5.2.2:每只雇佣蜂搜索新的蜜源并计算其对应的适应度值,若新的蜜源优于旧的蜜源,则更新蜜源,否则不更新;
所述雇佣蜂搜索新蜜源的方法如下公式所示:
步骤5.2.3:计算每只雇佣蜂被选中的概率,如下公式所示:
其中,pi是每只雇佣蜂被选中的概率,fi是第i个解的函数值,fiti是第i个解的函数值对应的适应度值;
步骤5.2.4:跟随蜂根据5.2.3中的概率选择蜜源,并采用5.2.2中雇佣蜂搜索新蜜源的方法搜索新的蜜源,若新的蜜源优于旧的蜜源,则更新蜜源,否则不更新;
步骤5.2.5:根据每只雇佣蜂的停滞次数,判断是否有需要放弃的蜜源,若停滞次数等于设定的最大停滞次数,则该雇佣蜂转变为侦查蜂,并用5.2.1中的公式产生一个新的蜜源来代替被丢弃的蜜源;
步骤5.2.6:本次的迭代完成,比较所有蜜源对应的适应度大小,记录最优蜜源;
步骤5.2.7:如果蜜源数量达到了预期的目标或者迭代次数达到了预设值,则停止算法,否则重新执行步骤5.2.2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910564750.4A CN110298399B (zh) | 2019-06-27 | 2019-06-27 | 基于Freeman链码和矩特征融合的抽油井故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910564750.4A CN110298399B (zh) | 2019-06-27 | 2019-06-27 | 基于Freeman链码和矩特征融合的抽油井故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110298399A CN110298399A (zh) | 2019-10-01 |
CN110298399B true CN110298399B (zh) | 2022-11-25 |
Family
ID=68029077
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910564750.4A Active CN110298399B (zh) | 2019-06-27 | 2019-06-27 | 基于Freeman链码和矩特征融合的抽油井故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110298399B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705657B (zh) * | 2019-11-21 | 2022-08-30 | 北京交通大学 | 一种质子交换膜燃料电池系统的模式识别故障诊断方法 |
CN114444620B (zh) * | 2022-04-08 | 2022-07-22 | 中国石油大学(华东) | 一种基于生成式对抗神经网络的示功图故障诊断方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3915284A (en) * | 1973-11-23 | 1975-10-28 | Bendix Corp | Automatic object routing system |
WO2017197626A1 (zh) * | 2016-05-19 | 2017-11-23 | 江南大学 | 改进人工蜂群优化的极限学习机方法 |
CN107644127A (zh) * | 2017-09-08 | 2018-01-30 | 西安工程大学 | 基于imabc优化支持向量机的变压器故障诊断方法 |
CN108446562A (zh) * | 2018-03-27 | 2018-08-24 | 桂林电子科技大学 | 基于禁忌与人工蜂群双向优化支持向量机的入侵检测方法 |
-
2019
- 2019-06-27 CN CN201910564750.4A patent/CN110298399B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3915284A (en) * | 1973-11-23 | 1975-10-28 | Bendix Corp | Automatic object routing system |
WO2017197626A1 (zh) * | 2016-05-19 | 2017-11-23 | 江南大学 | 改进人工蜂群优化的极限学习机方法 |
CN107644127A (zh) * | 2017-09-08 | 2018-01-30 | 西安工程大学 | 基于imabc优化支持向量机的变压器故障诊断方法 |
CN108446562A (zh) * | 2018-03-27 | 2018-08-24 | 桂林电子科技大学 | 基于禁忌与人工蜂群双向优化支持向量机的入侵检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110298399A (zh) | 2019-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230186476A1 (en) | Object detection and instance segmentation of 3d point clouds based on deep learning | |
CN108122236B (zh) | 基于距离调制损失的迭代式眼底图像血管分割方法 | |
CN108681752B (zh) | 一种基于深度学习的图像场景标注方法 | |
CN110851645B (zh) | 一种基于深度度量学习下相似性保持的图像检索方法 | |
CN109784223B (zh) | 一种基于卷积神经网络的多时相遥感影像匹配方法及系统 | |
CN107633226B (zh) | 一种人体动作跟踪特征处理方法 | |
CN108446741B (zh) | 机器学习超参数重要性评估方法、系统及存储介质 | |
CN109543693B (zh) | 基于正则化标签传播的弱标注数据降噪方法 | |
CN109410238A (zh) | 一种基于PointNet++网络的枸杞识别计数方法 | |
CN110298399B (zh) | 基于Freeman链码和矩特征融合的抽油井故障诊断方法 | |
CN112470166B (zh) | 用于分割医学图像中的重叠细胞质的方法及系统 | |
CN109697236A (zh) | 一种多媒体数据匹配信息处理方法 | |
CN110866134A (zh) | 一种面向图像检索的分布一致性保持度量学习方法 | |
CN111754501B (zh) | 基于fcm算法的自适应土壤图像阴影检测方法 | |
CN114742564B (zh) | 一种融合复杂关系的虚假评论者群体检测方法 | |
CN115168326A (zh) | Hadoop大数据平台分布式能源数据清洗方法及系统 | |
CN114242178A (zh) | 基于梯度提升决策树的ERα拮抗剂的生物活性定量预测方法 | |
CN117079017A (zh) | 可信的小样本图像识别分类方法 | |
CN108304546B (zh) | 一种基于内容相似度和Softmax分类器的医学图像检索方法 | |
CN115240065A (zh) | 一种基于强化学习的无监督误匹配检测方法 | |
CN110750672B (zh) | 基于深度度量学习和结构分布学习损失的图像检索方法 | |
CN111178180B (zh) | 基于改进型蚁群算法的高光谱影像特征选择方法及装置 | |
Zuo et al. | Hierarchical Prompts for Rehearsal-free Continual Learning | |
CN115730100A (zh) | 一种轮毂图像检索方法及设备 | |
CN113283478A (zh) | 一种基于特征匹配的装配体多视角变化检测方法及设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |