CN114021620B - 基于bp神经网络特征提取的电潜泵故障诊断方法 - Google Patents
基于bp神经网络特征提取的电潜泵故障诊断方法 Download PDFInfo
- Publication number
- CN114021620B CN114021620B CN202111186706.8A CN202111186706A CN114021620B CN 114021620 B CN114021620 B CN 114021620B CN 202111186706 A CN202111186706 A CN 202111186706A CN 114021620 B CN114021620 B CN 114021620B
- Authority
- CN
- China
- Prior art keywords
- neural network
- model
- fault diagnosis
- feature extraction
- submersible pump
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 38
- 238000003745 diagnosis Methods 0.000 title claims abstract description 35
- 238000000605 extraction Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 238000004519 manufacturing process Methods 0.000 claims abstract description 13
- 238000012795 verification Methods 0.000 claims abstract description 8
- 238000009825 accumulation Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000003129 oil well Substances 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了基于BP神经网络特征提取的电潜泵故障诊断方法,涉及油田机械采油技术领域,其技术方案要点是:1)通过不同的电潜泵传感器收集生产数据,即获得原始数据;其中,所述原始数据为连续采集的时间序列数据,由正常阶段、累积阶段和故障阶段三个部分组成;2)对原始数据进行预处理,得验证集、训练集和测试集;3)基于BP神经网络,构建及训练BP神经网络故障诊断模型,所述BP神经网络故障诊断模型包括输入层、隐层和输出层;4)采用步骤2)中的测试集对步骤3)中的目标模型进行评估。该电潜泵故障诊断方法可以对电潜泵的故障进行自动检测和分类,利用BP神经网络对特征提取后的样本数据进行故障诊断,实现对故障的早期检测。
Description
技术领域
本发明涉及油田机械采油技术领域,更具体地说,它涉及基于BP神经网络特征提取的电潜泵故障诊断方法。
背景技术
电潜泵是一种重要的采油设备,目前被广泛用于提高海上油井的产量。电潜泵系统具有多机组关联性强的结构特点。在复杂多变的地质构造和油井条件下工作时,电潜泵故障率较高,尤其是在深海油井中。一旦电潜泵发生故障,不仅会带来巨大的经济损失,还会严重影响正常生产。对生产数据的分析可以帮助工人采取预防措施,避免或推迟电潜泵故障,降低发生最严重故障的概率。
电潜泵的早期故障排除大多依赖于专家或技术人员的经验判断,但往往由于专家自身压力、心理因素、自身知识水平等原因,做出的决策分析与实际情况大相径庭,导致误判电潜泵故障类型,增加维护成本,因此亟需提出一种基于BP神经网络的电潜泵故障诊断新方法,实现对故障的早期检测。
发明内容
本发明的目的是提供基于BP神经网络特征提取的电潜泵故障诊断方法,通过该电潜泵故障诊断方法可以对电潜泵的故障进行自动检测和分类,并且利用BP神经网络对特征提取后的样本数据进行故障诊断,实现对故障的早期检测;同时能够确保对故障分类的准确率。
本发明的上述技术目的是通过以下技术方案得以实现的:基于BP神经网络特征提取的电潜泵故障诊断方法,具体包括以下步骤:
1)通过不同的电潜泵传感器收集生产数据,即获得原始数据;其中,所述原始数据为连续采集的时间序列数据,由正常阶段、累积阶段和故障阶段三个部分组成;
2)对原始数据进行预处理,得验证集、训练集和测试集,具体方法为:
A、使用时间滑动窗口在原始数据中不断选择一个长度为N天的N个样本,用于后续的特征提取;
B、从N个样本中提取f个特征,并将所有长度为N的样本转化为一个12×f的矩阵;
C、对全部特征进行标准化,将每一列的值范围将通过归一化达到[0,1];
3)基于BP神经网络,构建及训练BP神经网络故障诊断模型,所述BP神经网络故障诊断模型包括输入层、隐层和输出层,具体方法为:
A、采用步骤2)中的训练集对BP神经网络故障诊断模型的输入层、隐层和输出层的参数进行初始化,并进行误差计算和小批量梯度下降更新参数,并判断i<epochs是否成立,若i<epochs不成立,则得训练后的模型;若i<epochs成立,则再次进行上述步骤;
B、采用不使用特征提取的数据训练BP神经网络模型,得不使用特征提取数据训练模型,并将不使用特征提取数据训练模型与步骤A中训练后的模型进行对比;
C、采用步骤2)中的验证集重新进行步骤A的训练,对步骤A中的训练后的模型进行验证;
D、通过步骤A、步骤B和步骤C得目标模型;
4)采用步骤2)中的测试集对步骤3)中的目标模型进行评估。
进一步地,步骤3)中,验证集、训练集和测试集需逐列拉伸到(12f,1)的形状后作为模型的输入。
进一步地:所述步骤2)中的N个样本为一个N×12的矩阵;且f个特征分别是均值、最小值、最大值、方差、标准差、偏度、峰度、第一十分位数、中值和第三四分位数。
进一步地:所述步骤3)中的BP神经网络故障诊断模型中,采用以下几组数值执行网格搜索:
batch size=[4,8,16,32,64,128],
epochs=[100,150,200,250,300,350,400,450,500],
learning rate=[0.01,0.005,0.0005,0.0001]。
综上所述,本发明具有以下有益效果:
1、通过该电潜泵故障诊断方法可以对电潜泵的故障进行自动检测和分类;
2、利用BP神经网络对特征提取后的样本数据进行故障诊断,实现对故障的早期检测,同时能够确保对故障分类的准确率。
附图说明
图1是本发明实施例中基于BP神经网络特征提取的电潜泵故障诊断方法的步骤流程图;
图2是本发明实施例中基于BP神经网络特征提取的电潜泵故障诊断方法的BP算法训练过程图;
图3是本发明实施例中基于BP神经网络特征提取的电潜泵故障诊断方法在网格搜索中不同学习率的训练效果;
图4是本发明实施例中基于BP神经网络特征提取的电潜泵故障诊断方法在不同学习率的没有进行特征提取的网格搜索训练结果;
图5是本发明实施例中基于BP神经网络特征提取的电潜泵故障诊断方法的测试集在不同配置的准确率;
图6是本发明实施例中基于BP神经网络特征提取的电潜泵故障诊断方法在不同超参数组合的运行时间;
图7是本发明实施例中基于BP神经网络特征提取的电潜泵故障诊断方法的测试集分类结果图。
具体实施方式
以下结合附图1-7对本发明作进一步详细说明。
实施例:基于BP神经网络特征提取的电潜泵故障诊断方法,如图1所示,具体步骤如下:
1)通过不同的电潜泵传感器收集生产数据,即获得原始数据;其中,所述原始数据为连续采集的时间序列数据,由正常阶段、累积阶段和故障阶段三个部分组成;
2)对原始数据进行预处理,得验证集、训练集和测试集,具体方法为:
A、使用时间滑动窗口在原始数据中不断选择一个长度为N天的N个样本,用于后续的特征提取;
B、从N个样本中提取f个特征,并将所有长度为N的样本转化为一个12×f的矩阵;
C、对全部特征进行标准化,将每一列的值范围将通过归一化达到[0,1];
3)基于BP神经网络,构建及训练BP神经网络故障诊断模型,所述BP神经网络故障诊断模型包括输入层、隐层和输出层,具体方法为:
A、采用步骤2)中的训练集对BP神经网络故障诊断模型的输入层、隐层和输出层的参数进行初始化,并进行误差计算和小批量梯度下降更新参数,并判断i<epochs是否成立,若i<epochs不成立,则得训练后的模型;若i<epochs成立,则再次进行上述步骤;
B、采用不使用特征提取的数据训练BP神经网络模型,得不使用特征提取数据训练模型,并将不使用特征提取数据训练模型与步骤A中训练后的模型进行对比;
C、采用步骤2)中的验证集重新进行步骤A的训练,对步骤A中的训练后的模型进行验证;
D、通过步骤A、步骤B和步骤C得目标模型;
4)采用步骤2)中的测试集对步骤3)中的目标模型进行评估。
步骤3)中,验证集、训练集和测试集需逐列拉伸到(12f,1)的形状后作为模型的输入。
所述步骤2)中的N个样本为一个N×12的矩阵;且f个特征分别是均值、最小值、最大值、方差、标准差、偏度、峰度、第一十分位数、中值和第三四分位数。
所述步骤3)中的BP神经网络故障诊断模型中,采用以下几组数值执行网格搜索:
batch size=[4,8,16,32,64,128],
epochs=[100,150,200,250,300,350,400,450,500],
learning rate=[0.01,0.005,0.0005,0.0001]。
在本实施例中,在步骤1)中收集的生产数据分别是日常液体、日产油、日产水量、日产气体、气油比、油气比、水气比、含水率、井口温度、油压、泵电流和折算日产气量;电潜泵的故障事件分为四种,分别是电机三相不平衡、管柱漏失、过载停泵和欠载停泵,每一种故障事件均为连续采集的时间序列数据。
在步骤2)中得到的N个样本是一个N×12的矩阵,其中12是参数的个数。对于N个样本的每个生产参数X=[X1,X2,...,XN],将从中提取f个特征,最后所有长度为N的样本将被转化为一个12×f的矩阵;在步骤3)中BP神经网络可以学习和存储大量的输入-输出映射模式,无需预先描述这种映射关系的数学方程。由于它是从特征维度到决策维度的映射,因此可以解决电潜泵故障分类问题,它的学习规则是利用梯度下降的方法,通过反向传播连续调整网络的权重,以最小化网络误差的平方和。
在本实施例中,由于BP算法只接受一维数据,因此处理过后的数据集需要逐列拉伸到(12f,1)的形状作为模型的输入,其中模型有五类网络输出,包括正常和积累阶段,训练集在BP模型的训练过程如图2所示。训练完成后,将测试集输入到被训练过的模型中,并使用训练过程中最后更新的参数。
为了证实本发明的方法的有效性,在本实施中对不使用特征提取数据的BP模型进行了同样的操作,其结果如图4所示。从图3和图4中,可以发现,本发明提出的方法与不使用特征提取的模型相比,在整体性能上更加强大。
为了验证该模型的有效性,我们使用准确率(ACC)来评估它,其中ACC等于正确的分类数量除以所有样本的量;考虑到不同数量的隐藏层会影响模型的效率,本实施例中,选择三个隐藏层,它们都有128个神经元。每个隐藏层后面都使用非线性激活函数“relu”,以避免梯度消失或爆炸性问题;此外,在最后一个隐藏层的后面,采用dropout=0.5来减少模型的过拟合。输出层使用“softmax”进行分类;我们通过以下几组数值执行网格搜索:batchsize=[4,8,16,32,64,128],epochs=[100,150,200,250,300,350,400,450,500]和learning rate=[0.01,0.005,0.0005,0.0001]。
因此,可以从交叉验证的网格搜索的训练精度结果中得到以下两个重要信息,一方面是调整的参数批处理量和学习率可以将准确率从75%提高到96%,而且模型的效果并没有随着epochs的增加而发生明显变化,并且,测试集被应用于不同的参数配置中,以评估用epochs=200来训练模型的分类性能,其准确率如图5所示,并选择epochs=200作为模型的最终参数。另一方面是每个参数的最佳值都集中在图像的中间部分这也证明提出的搜索范围是适当的。
此外,考虑到模型在测试集中不同参数组合的准确性很接近,我们引入了运行时间(Tall)来选择最佳参数集,其中Tall等于训练时间加上测试时间,单位为秒(s)。如图6所示,影响Tall的主要因素是batch size的大小。根据图3所示,learning rate=0.0005的模型与其他数值相比,具有更优越的识别效果。因此,基于计算效率的考虑,最终选择超参数组:epochs=200、batch size=64和learning rate=0.0005配置的目标模型。
最后,引入了混淆矩阵来说明模型在测试集上的分类结果。如图7所示,这表明该模型能够成功地识别几乎所有的异常事件,这也证明了该模型的有效性。
本具体实施例仅仅是对本发明的解释,其并不是对本发明的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本发明的权利要求范围内都受到专利法的保护。
Claims (1)
1.基于BP神经网络特征提取的电潜泵故障诊断方法,其特征是:具体包括以下步骤:
1)通过不同的电潜泵传感器收集生产数据,得到原始数据;其中,所述原始数据为连续采集的时间序列数据,由正常阶段、累积阶段和故障阶段三个部分组成;
2)对步骤1)所述原始数据进行预处理,得到验证集、训练集和测试集,所述预处理的具体方法为:
A、使用时间滑动窗口在原始数据中不断选择一个长度为N天的N个样本,用于后续的特征提取;
B、从N个样本中提取f个特征,并将所有长度为N的样本转化为一个12×f的矩阵;
C、对全部特征进行标准化,将每一列的值范围通过归一化达到[0,1];
3)基于BP神经网络,构建及训练BP神经网络故障诊断模型,所述BP神经网络故障诊断模型包括输入层、隐层和输出层,具体方法为:
S1、采用步骤2)中的训练集对BP神经网络故障诊断模型的输入层、隐层和输出层的参数进行初始化,并进行误差计算和小批量梯度下降更新参数,并判断i<epochs是否成立,若i<epochs不成立,则得到训练后的模型;若i<epochs成立,则再次进行上述步骤;
S2、采用不使用特征提取的数据训练BP神经网络模型,得到不使用特征提取的数据训练模型,并将不使用特征提取的数据训练模型与步骤S1中训练后的模型进行对比;
S3、采用步骤2)中的验证集重新进行步骤S1的训练,对步骤S1中的训练后的模型进行验证;
S4、通过步骤S1、步骤S2和步骤S3得到目标模型;
4)采用步骤S2中的测试集对步骤S3中的目标模型进行评估;
所述步骤2)中的N个样本为一个N×12的矩阵;且f个特征分别是均值、最小值、最大值、方差、标准差、偏度、峰度、第一十分位数、中值和第三四分位数;
所述步骤3)中,验证集、训练集和测试集需逐列拉伸到(12f,1)的形状后作为模型的输入;
所述步骤3)中的BP神经网络故障诊断模型中,采用以下数值执行网格搜索:
batch size=[4,8,16,32,64,128],
epochs=[100,150,200,250,300,350,400,450,500],
learning rate=[0.01,0.005,0.0005,0.0001]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111186706.8A CN114021620B (zh) | 2021-10-12 | 2021-10-12 | 基于bp神经网络特征提取的电潜泵故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111186706.8A CN114021620B (zh) | 2021-10-12 | 2021-10-12 | 基于bp神经网络特征提取的电潜泵故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114021620A CN114021620A (zh) | 2022-02-08 |
CN114021620B true CN114021620B (zh) | 2024-04-09 |
Family
ID=80055656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111186706.8A Active CN114021620B (zh) | 2021-10-12 | 2021-10-12 | 基于bp神经网络特征提取的电潜泵故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114021620B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115163513B (zh) * | 2022-06-02 | 2024-02-23 | 北京和利时系统集成有限公司 | 一种地铁潜污泵的故障诊断方法和装置 |
CN117697764B (zh) * | 2024-02-05 | 2024-04-30 | 青岛哈尔滨工程大学创新发展中心 | 潜器作业用柔性机械臂的故障诊断系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109708907A (zh) * | 2018-11-30 | 2019-05-03 | 浙江胄天科技股份有限公司 | 一种基于包络信息的设备故障特征提取方法 |
CN110470481A (zh) * | 2019-08-13 | 2019-11-19 | 南京信息工程大学 | 基于bp神经网络的发动机故障诊断方法 |
CN113139335A (zh) * | 2021-04-09 | 2021-07-20 | 郑州宥新算法智能科技有限公司 | 一种基于bp神经网络的轨道电路故障智能诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109933881A (zh) * | 2019-03-06 | 2019-06-25 | 武汉大学 | 一种基于优化深度信念网络的电力电子电路故障诊断方法 |
-
2021
- 2021-10-12 CN CN202111186706.8A patent/CN114021620B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109708907A (zh) * | 2018-11-30 | 2019-05-03 | 浙江胄天科技股份有限公司 | 一种基于包络信息的设备故障特征提取方法 |
CN110470481A (zh) * | 2019-08-13 | 2019-11-19 | 南京信息工程大学 | 基于bp神经网络的发动机故障诊断方法 |
CN113139335A (zh) * | 2021-04-09 | 2021-07-20 | 郑州宥新算法智能科技有限公司 | 一种基于bp神经网络的轨道电路故障智能诊断方法 |
Non-Patent Citations (1)
Title |
---|
基于RBF神经网络与模糊评价的滚动轴承退化状态定量评估;周建民 等;机械设计与研究;20191220(第06期);第123-129页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114021620A (zh) | 2022-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109555566B (zh) | 一种基于lstm的汽轮机转子故障诊断方法 | |
CN114021620B (zh) | 基于bp神经网络特征提取的电潜泵故障诊断方法 | |
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN112036042B (zh) | 一种基于变分模态分解的动力设备异常检测方法及系统 | |
CN109489977B (zh) | 基于KNN-AdaBoost的轴承故障诊断方法 | |
CN112508105B (zh) | 一种采油机故障检测与检索方法 | |
CN113865868B (zh) | 基于时频域表达的滚动轴承故障诊断方法 | |
CN108875771A (zh) | 一种基于稀疏高斯伯努利受限玻尔兹曼机和循环神经网络的故障分类模型及方法 | |
CN110399986B (zh) | 一种泵站机组故障诊断系统的生成方法 | |
CN112949196B (zh) | 一种基于残差神经网络的抽油机井故障诊断方法及系统 | |
CN113177537B (zh) | 一种旋转机械设备的故障诊断方法及系统 | |
CN112766301B (zh) | 一种采油机示功图相似性判断方法 | |
CN114492642A (zh) | 一种多尺度元深度残差收缩网络的机械故障在线诊断方法 | |
CN106441843A (zh) | 一种旋转机械故障波形识别方法 | |
CN114708675A (zh) | 基于dae的电潜泵故障诊断方法、系统、终端及介质 | |
CN111737993B (zh) | 一种配电网设备的故障缺陷文本提取设备健康状态方法 | |
CN117037841A (zh) | 基于层级过渡网络的声学信号层级空化强度识别方法 | |
CN116541771A (zh) | 一种基于多尺度特征融合的非平衡样本轴承故障诊断方法 | |
CN110530631A (zh) | 一种基于混合分类器的齿轮单类型故障检测方法 | |
CN116204825A (zh) | 一种基于数据驱动的生产线设备故障检测方法 | |
CN110348510A (zh) | 一种基于深水油气钻井过程阶段性特征的数据预处理方法 | |
CN114120043A (zh) | 一种基于生产动态数据和示功图检测异常抽油井的方法 | |
CN113191556A (zh) | 一种核电Loca事件故障预测与诊断方法 | |
CN114417704A (zh) | 一种基于改进栈式自编码的风电机组发电机健康评估方法 | |
Chen et al. | Prediction and classification of faults in electric submersible pumps |
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 |