CN116756513B - 一种塔架式抽油机数据滤波算法 - Google Patents
一种塔架式抽油机数据滤波算法 Download PDFInfo
- Publication number
- CN116756513B CN116756513B CN202310816783.XA CN202310816783A CN116756513B CN 116756513 B CN116756513 B CN 116756513B CN 202310816783 A CN202310816783 A CN 202310816783A CN 116756513 B CN116756513 B CN 116756513B
- Authority
- CN
- China
- Prior art keywords
- data
- state
- time
- pumping unit
- algorithm
- 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
- 238000001914 filtration Methods 0.000 title claims abstract description 48
- 238000005086 pumping Methods 0.000 title claims abstract description 43
- 239000002245 particle Substances 0.000 claims abstract description 37
- 238000005457 optimization Methods 0.000 claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 46
- 238000000034 method Methods 0.000 claims description 28
- 238000005259 measurement Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 16
- 230000005284 excitation Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 230000000739 chaotic effect Effects 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research 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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (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)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及数据滤波领域,一种塔架式抽油机数据滤波算法,包括:步骤S1,获取塔架式抽油机的非线性状态空间方程,并对所述非线性状态空间方程进行线性化处理以获取空间状态方程;步骤S2,根据卡尔曼滤波算法EFK递推公式以及所述空间状态方程对滤波器的原始数据进行数据预处理;步骤S3,采用改进的粒子群优化算法对扩展卡尔曼滤波超参数进行优化以获取扩展卡尔曼滤波优化算法,并将所述滤波器的原始卡尔曼滤波算法替换为所述扩展卡尔曼滤波优化算法以获取优化滤波器;步骤S4,将经过数据预处理的原始数据输入所述优化滤波器以对经过数据预处理的原始数据进行滤波。本发明通过数据预处理,最大化保留数据样本的真实性。
Description
技术领域
本发明涉及数据滤波领域,尤其涉及一种塔架式抽油机数据滤波算法。
背景技术
随着科学技术的发展,对塔架式抽油机相关数据测量方法的精确度和准确度也在逐步提高,目前已有一系列针对抽油机数据滤波方法的研究。其中,李太福等在基于无迹卡尔曼滤波的抽油机参数优化方法一文中提出针对抽油机的数据滤波算法,大大减小了干扰数据对测量结果的影响,还可通过调整滤波参数从而在不同干扰条件下保持较高的测量精确度。但是这种算法误差依赖于滤波器参数的选取,参数选择不当会造成较大的检测误差,系统的稳定性及准确性都将受到较大影响。王建等设计了一种针对抽油机的专用滤波能馈装置及控制方法,提供了一种数字化、智能化的用于对抽油机变频器制动再生能量的回馈装置,兼顾有源滤波,无功补偿,三相不平衡校正等电能质量治理作用,实现绿色环保、节能降耗的功能。但这种方法不如卡尔曼滤波算法准确,存在较大误差。
中国专利CN109063629A提供了一种识别抽油机电参数曲线上抽油机下死点位置的方法,包括数据采集:利用电参数采集装置,采集抽油机工作周期内的运行参数,得到各电参数据,并存储记录;数据处理:将周期性的电参数据运用数据滤波算法进行滤波处理,得到平整的电参曲线;数据比对:将多组电参曲线进行对比,最终确定电参曲线下死点的位置;该发明通过对电参曲线的处理从而直接识别电参曲线上抽油机下死点的位置,无需单独增加下死点检测的硬件设备,但是,采集数据存在异常值导致不利于塔架式抽油机实时检测系统的稳定性及准确性的问题。
发明内容
为此,本发明提供一种塔架式抽油机数据滤波算法,能够解决采集数据存在异常值,扩展卡尔曼滤波系参数设置不当,不利于塔架式抽油机实时检测系统的稳定性及准确性的问题。
为实现上述目的,本发明提供塔架式抽油机数据滤波算法,包括:
步骤S1,获取塔架式抽油机的非线性状态空间方程,并对非线性状态空间方程进行线性化处理以获取空间状态方程;
步骤S2,根据卡尔曼滤波算法EFK递推公式以及所述空间状态方程对滤波器的原始数据进行数据预处理;
步骤S3,采用改进的粒子群优化算法对扩展卡尔曼滤波超参数进行优化以获取扩展卡尔曼滤波优化算法,并将所述滤波器的原始卡尔曼滤波算法替换为所述扩展卡尔曼滤波优化算法以获取优化滤波器,其中,将改进的粒子群优化算法记为IPSO算法;
步骤S4,将经过数据预处理的原始数据输入所述优化滤波器以对经过数据预处理的原始数据进行滤波。
进一步地,所述步骤S1包括:
步骤S11,建立塔架式抽油机的系统模型并选取状态变量以获取所述非线性状态空间方程;
步骤S12,当对所述系统模型的某一状态进行估计时,对所述非线性状态空间方程中所述状态的前一状态的估计值做实时的泰勒近似以获取所述空间状态方程,其中,略去泰勒近似结果中高于两阶的高阶项。
进一步地,在所述步骤S2中,所述原始数据为各传感器测量的抽油机相关参数的时间序列数据,包括振动传感器获取的振动信号、温度传感器获取的温度以及压力传感器获取的压力;
所述数据预处理的步骤包括筛选整合、预测、增益矩阵以及测量更新,其中,
预测公式为
增益矩阵公式为
测量更新公式为
式中,为状态变量x在第k时刻的预测值,/>为状态变量x在第k-1时刻的预测值,Ak为第k时刻的状态转移矩阵,uk为第k时刻的输入向量,/>为第k时刻的状态预测误差的协方差矩阵,/>为第k-1时刻的状态预测误差的协方差矩阵,R为测量噪声协方差,/>为第k时刻的状态转移矩阵预测残差的协方差矩阵,K为卡尔曼增益矩阵,Ck为第k时刻的观测矩阵/>为第k时刻的观测矩阵预测残差的协方差矩阵,Q为过程激励噪声协方差,/>为状态变量x在第k时刻的更新值,zk为第k时刻的输出向量,/>为第k时刻的状态预测误差的协方差矩阵的更新值,I为单位矩阵。
进一步地,所述扩展卡尔曼滤波优化算法的具体公式为:
其中,f为状态函数,h为观测函数,ωk为第k时刻的状态噪声,nk为第k时刻的观测噪声。
进一步地,当获取某一抽油机相关参数的时间序列数据时,根据时间序列数据的数据量以及时间序列数据的连续性对时间序列数据进行筛选整合,其中,
若所述时间序列数据的数据量小于等于最小预设数据量,保留全部的时间序列数据;
若所述时间序列数据的数据量大于最小预设数据量,且时间序列数据中的数据中断次数小于预设中断次数,保留全部的时间序列数据;
若所述时间序列数据的数据量大于最小预设数据量,且时间序列数据中的数据中断次数大于等于预设中断次数,按照连续时长由大到小依次提取时间序列数据中的各段序列数据,直至各段序列数据的总时长大于等于最小预设数据量,并按照提取的各段序列数据的时间顺序将提取的各段序列数据整合成新的时间序列数据。
进一步地,所述预设中断次数N=[T/(1.2×△tmin)],式中,T为原始的时间序列数据的总时长,△tmin为原始的时间序列数据中的单段序列数据最小连续时长,[T/(1.2×△tmin)]表示对T/(1.2×△tmin)进行取整。
进一步地,所述步骤S3中,所述扩展卡尔曼滤波超参数包括过程激励噪声协方差Q以及测量噪声协方差R,步骤S3包括:
步骤S31,设定若干自定义参数,初始化种群中各粒子的位置和速度;
步骤S32,采用所述IPSO算法的适应度函数以确定粒子的最优解,设定离散频率点的最大采样点数,根据测量方程的预测值与测量值实时计算绝对误差累计以获取粒子适应度值;
步骤S33,计算各粒子的位置协方差矩阵;
步骤S34,根据所述位置协方差矩阵以及最大迭代次数判断是否继续进行迭代求解,若满足迭代结束条件,停止迭代输出最优解;若不满足迭代结束条件,继续进行迭代操作,直到满足迭代结束条件,输出最优过程激励噪声协方差以及最优测量噪声协方差。
进一步地,所述迭代结束条件为达到最大迭代次数,或各粒子的位置协方差矩阵均大于等于种群全局极值。
进一步地,在所述步骤S31中,所述自定义参数包括:粒子群初始参数,种群规模、所述最大迭代次数、学习因子、最大惯性权值、最小惯性权值、控制系数、粒子聚集度判定值以及混沌搜索半径,其中,粒子群初始参数通过混沌变量初始化获取。
进一步地,所述步骤S34中,所述扩展卡尔曼滤波优化算法的迭代公式为:
其中,R’为所述空间状态方程的测量噪声协方差,Q’为空间状态方程的过程激励噪声协方差。
与现有技术相比,本发明的有益效果在于,通过简单的数据预处理,有效过滤错误数据,最大化保留数据样本的真实性,并有效提高数据处理速度。结合改进的粒子群算法具有较强的宏观搜索能力和鲁棒性、操作简单、优化效率高、能很好的适用于对塔架式抽油机测量数据进行滤波操作等优点。引入IPSO算法对扩展卡尔曼滤波算法进行改进,用以获得扩展卡尔曼滤波的最优过程激励噪声协方差以及最优测量噪声协方差,以提高数据精确度和准确性。
尤其,分段Logistic混沌映射具有较强寻优能力,能够提高PSO算法种群的多样性和粒子搜素遍历性;取改进粒子群算法优化后的超参数来定义卡尔曼滤波的超参数值,在此基础上,对预处理后的数据进行滤波操作,得到滤波后的测量数据,能够提高数据精确度和准确性。
附图说明
图1为发明实施例塔架式抽油机数据滤波算法流程图;
图2为发明实施例获取优化滤波器的方法流程图;
图3为发明实施例扩展卡尔曼滤波优化算法流程图。
具体实施方式
为了使本发明的目的和优点更加清楚明白,下面结合实施例对本发明作进一步描述;应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非在限制本发明的保护范围。
需要说明的是,在本发明的描述中,术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系,这仅仅是为了便于描述,而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,还需要说明的是,在本发明的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域技术人员而言,可根据具体情况理解上述术语在本发明中的具体含义。
请参阅图1所示,其为本发明实施例塔架式抽油机数据滤波算法流程图,包括:
步骤S1,获取塔架式抽油机的非线性状态空间方程,并对所述非线性状态空间方程进行线性化处理以获取空间状态方程;
步骤S2,根据卡尔曼滤波算法EFK递推公式以及所述空间状态方程对滤波器的原始数据进行数据预处理;
步骤S3,采用改进的粒子群优化算法对扩展卡尔曼滤波超参数进行优化以获取扩展卡尔曼滤波优化算法,并将所述滤波器的原始卡尔曼滤波算法替换为所述扩展卡尔曼滤波优化算法以获取优化滤波器,其中,将改进的粒子群优化算法记为IPSO算法;
步骤S4,将经过数据预处理的原始数据输入所述优化滤波器以对经过数据预处理的原始数据进行滤波。
具体而言,本实施例中通过建立塔架式抽油机的系统模型并选取状态变量获取非线性状态空间方程,当对所述系统模型的某一状态进行估计时,对所述非线性状态空间方程中所述状态的前一状态的估计值做实时的泰勒近似以获取所述空间状态方程,其中,略去泰勒近似结果中高于两阶的高阶项。
具体而言,滤波器的原始数据为各传感器测量的抽油机相关参数的时间序列数据,本实施例优选振动传感器获取的振动信号、温度传感器获取的温度以及压力传感器获取的压力。
具体而言,数据预处理的步骤包括筛选整合、预测、增益矩阵以及测量更新,当获取某一抽油机相关参数的时间序列数据时,根据时间序列数据的数据量以及时间序列数据的连续性对时间序列数据进行筛选整合,其中,
若时间序列数据的数据量小于等于最小预设数据量,保留全部的时间序列数据;
若时间序列数据的数据量大于最小预设数据量,且时间序列数据中的数据中断次数小于预设中断次数,保留全部的时间序列数据;
若时间序列数据的数据量大于最小预设数据量,且时间序列数据中的数据中断次数大于等于预设中断次数,按照连续时长由大到小依次提取时间序列数据中的各段序列数据,直至各段序列数据的总时长大于等于最小预设数据量,并根据提取的各段序列数据的时间顺序将提取的各段序列数据整合成新的时间序列数据。
具体而言,本实施例中最小预设数据量通过时间序列数据的总时长量化,本实施例不对最小预设数据量进行具体限定。
具体而言,预设中断次数N=[T/(1.2×△tmin)],式中,T为原始的时间序列数据的总时长,△tmin为原始的时间序列数据中的单段序列数据最小连续时长,[T/(1.2×△tmin)]表示对T/(1.2×△tmin)进行取整。
具体而言,本实施例优选原始的时间序列数据中的单段序列数据最小连续时长△tmin=17min。
具体而言,本实施例中扩展卡尔曼滤波超参数包括过程激励噪声协方差Q以及测量噪声协方差R。
请参阅图2所示,其为本发明实施例获取优化滤波器的方法流程图,步骤S3包括:
步骤S31,设定若干自定义参数,初始化种群中各粒子的位置和速度,其中,定义参数包括:粒子群初始参数,种群规模、所述最大迭代次数、学习因子、最大惯性权值、最小惯性权值、控制系数、粒子聚集度判定值以及混沌搜索半径;
步骤S32,采用所述IPSO算法的适应度函数以确定粒子的最优解,设定离散频率点的最大采样点数,根据测量方程的预测值与测量值实时计算绝对误差累计以获取粒子适应度值;
步骤S33,计算各粒子的位置协方差矩阵;
步骤S34,根据所述位置协方差矩阵以及最大迭代次数判断是否继续进行迭代求解,若满足迭代结束条件,停止迭代输出最优解;若不满足迭代结束条件,继续进行迭代操作,直到满足迭代结束条件,输出最优过程激励噪声协方差以及最优测量噪声协方差。
具体而言,粒子群初始参数通过混沌变量初始化获取。
具体而言,本实施例中迭代结束条件为达到最大迭代次数,或各粒子的位置协方差矩阵均大于等于种群全局极值。
具体而言,分段Logistic混沌映射具有较强寻优能力,能够提高PSO算法种群的多样性和粒子搜素遍历性。
具体而言,本发明通过简单的数据预处理,有效过滤错误数据,最大化保留数据样本的真实性,并有效提高数据处理速度。结合改进的粒子群算法具有较强的宏观搜索能力和鲁棒性、操作简单、优化效率高、能很好的适用于对塔架式抽油机测量数据进行滤波操作等优点。引入IPSO算法对扩展卡尔曼滤波算法进行改进,用以获得扩展卡尔曼滤波的最优Q、R值,以提高数据精确度和准确性。
为使本发明的技术方案,目的及效果更加明确,清楚,下面将对本发明实施的技术方案进一步进行完整,清楚的描述。
在前文的处理基础上,根据扩展卡尔曼滤波的理论基础,对预处理过后的数据进行卡尔曼滤波操作,根据上一时刻的估计结果预测下一时刻的值,成为先验。首先,若系统的状态方程和观测方程分别为:
上式中,定义k-1时刻的状态变量为xk-1,其对应的协方差为k时刻(即当前时刻)的状态变量为xk,该公式用上一时刻的状态xk-1,来估计当前时刻的状态xk;通过预估当前时刻k的状态xk和当前时刻k的观测变量vk,来计算当前时刻k的观测值zk。
具体而言,数据预处理的步骤包括筛选整合、预测、增益矩阵以及测量更新,其中,
预测公式为:
增益矩阵公式为:
测量更新公式为:
式中,为状态变量x在第k时刻的预测值,/>为状态变量x在第k-1时刻的预测值,Ak为第k时刻的状态转移矩阵,uk为第k时刻的输入向量,/>为第k时刻的状态预测误差的协方差矩阵,/>为第k-1时刻的状态预测误差的协方差矩阵,R为测量噪声协方差,/>为第k时刻的状态转移矩阵预测残差的协方差矩阵,K为卡尔曼增益矩阵,Ck为第k时刻的观测矩阵/>为第k时刻的观测矩阵预测残差的协方差矩阵,Q为过程激励噪声协方差,/>为状态变量x在第k时刻的更新值,zk为第k时刻的输出向量,/>为第k时刻的状态预测误差的协方差矩阵的更新值,I为单位矩阵。
在卡尔曼滤波的基础上,能够得到扩展卡尔曼滤波优化算法的计算公式,扩展卡尔曼滤波通过泰勒展开来解决非线性情况的问题,具体公式为:
其中,是展开后得到的一阶偏导项,在展开过程中省略了次数较高的项,将状态估计方程转化为近似的线性方程;f为状态函数,h为观测函数,ωk为第k时刻的状态噪声,nk为第k时刻的观测噪声。
对比原始的卡尔曼滤波算法,扩展卡尔曼滤波优化算法的迭代过程如下:
其中,R’和Q’为线性化后状态方程对应的新的协方差。
具体而言,取改进粒子群算法优化后的超参数Q和R值来定义卡尔曼滤波的超参数值,在此基础上,对预处理后的数据进行滤波操作,得到滤波后的测量数据,以提高数据精确度和准确性。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述仅为本发明的优选实施例,并不用于限制本发明;对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种塔架式抽油机数据滤波算法,其特征在于,包括:
步骤S1,获取塔架式抽油机的非线性状态空间方程,并对非线性状态空间方程进行线性化处理以获取空间状态方程;
步骤S2,根据卡尔曼滤波算法EFK递推公式以及所述空间状态方程对滤波器的原始数据进行数据预处理,所述原始数据为各传感器测量的抽油机相关参数的时间序列数据,包括振动传感器获取的振动信号、温度传感器获取的温度以及压力传感器获取的压力;
步骤S3,采用改进的粒子群优化算法对扩展卡尔曼滤波超参数进行优化以获取扩展卡尔曼滤波优化算法,并将所述滤波器的原始卡尔曼滤波算法替换为所述扩展卡尔曼滤波优化算法以获取优化滤波器,其中,将改进的粒子群优化算法记为IPSO算法;
步骤S4,将经过数据预处理的原始数据输入所述优化滤波器以对经过数据预处理的原始数据进行滤波;
所述步骤S3中,所述扩展卡尔曼滤波超参数包括过程激励噪声协方差Q以及测量噪声协方差R,步骤S3包括:
步骤S31,设定若干自定义参数,初始化种群中各粒子的位置和速度;
步骤S32,采用所述IPSO算法的适应度函数以确定粒子的最优解,设定离散频率点的最大采样点数,根据测量方程的预测值与测量值实时计算绝对误差累计以获取粒子适应度值;
步骤S33,计算各粒子的位置协方差矩阵;
步骤S34,根据所述位置协方差矩阵以及最大迭代次数判断是否继续进行迭代求解,若满足迭代结束条件,停止迭代输出最优解;若不满足迭代结束条件,继续进行迭代操作,直到满足迭代结束条件,输出最优过程激励噪声协方差以及最优测量噪声协方差;
在所述步骤S31中,所述自定义参数包括:粒子群初始参数,种群规模、所述最大迭代次数、学习因子、最大惯性权值、最小惯性权值、控制系数、粒子聚集度判定值以及混沌搜索半径,其中,粒子群初始参数通过混沌变量初始化获取。
2.根据权利要求1所述的塔架式抽油机数据滤波算法,其特征在于,所述步骤S1包括:
步骤S11,建立塔架式抽油机的系统模型并选取状态变量以获取所述非线性状态空间方程;
步骤S12,当对所述系统模型的某一状态进行估计时,对所述非线性状态空间方程中所述状态的前一状态的估计值做实时的泰勒近似以获取所述空间状态方程,其中,略去泰勒近似结果中高于两阶的高阶项。
3.根据权利要求1所述的塔架式抽油机数据滤波算法,其特征在于,
所述数据预处理的步骤包括筛选整合、预测、增益矩阵以及测量更新,其中,
预测公式为:
增益矩阵公式为:
测量更新公式为:
式中,为状态变量x在第k时刻的预测值,/>
为状态变量x在第k-1时刻的预测值,Ak为第k时刻的状态转移矩阵,uk为第k时刻的输入向量,为第k时刻的状态预测误差的协方差矩阵,/>为第k-1时刻的状态预测误差的协方差矩阵,R为测量噪声协方差,/>为第k时刻的状态转移矩阵预测残差的协方差矩阵,K为卡尔曼增益矩阵,Ck为第k时刻的观测矩阵,/>为第k时刻的观测矩阵预测残差的协方差矩阵,Q为过程激励噪声协方差,/>为状态变量x在第k时刻的更新值,zk为第k时刻的输出向量,/>为第k时刻的状态预测误差的协方差矩阵的更新值,I为单位矩阵。
4.根据权利要求3所述的塔架式抽油机数据滤波算法,其特征在于,所述扩展卡尔曼滤波优化算法的具体公式为:
其中,f为状态函数,h为观测函数,ωk为第k时刻的状态噪声,nk为第k时刻的观测噪声。
5.根据权利要求3所述的塔架式抽油机数据滤波算法,其特征在于,当获取某一抽油机相关参数的时间序列数据时,根据时间序列数据的数据量以及时间序列数据的连续性对时间序列数据进行筛选整合,其中,
若所述时间序列数据的数据量小于等于最小预设数据量,保留全部的时间序列数据;
若所述时间序列数据的数据量大于最小预设数据量,且时间序列数据中的数据中断次数小于预设中断次数,保留全部的时间序列数据;
若所述时间序列数据的数据量大于最小预设数据量,且时间序列数据中的数据中断次数大于等于预设中断次数,按照连续时长由大到小依次提取时间序列数据中的各段序列数据,直至各段序列数据的总时长大于等于最小预设数据量,并按照提取的各段序列数据的时间顺序将提取的各段序列数据整合成新的时间序列数据。
6.根据权利要求5所述的塔架式抽油机数据滤波算法,其特征在于,所述预设中断次数N=[T/(1.2×△tmin)],式中,T为原始的时间序列数据的总时长,△tmin为原始的时间序列数据中的单段序列数据最小连续时长,[T/(1.2×△tmin)]表示对T/(1.2×△tmin)进行取整。
7.根据权利要求6所述的塔架式抽油机数据滤波算法,其特征在于,所述迭代结束条件为达到最大迭代次数,或各粒子的位置协方差矩阵均大于等于种群全局极值。
8.根据权利要求7所述的塔架式抽油机数据滤波算法,其特征在于,所述步骤S34中,所述扩展卡尔曼滤波优化算法的迭代公式为:
其中,R’为所述空间状态方程的测量噪声协方差,Q’为空间状态方程的过程激励噪声协方差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310816783.XA CN116756513B (zh) | 2023-07-05 | 2023-07-05 | 一种塔架式抽油机数据滤波算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310816783.XA CN116756513B (zh) | 2023-07-05 | 2023-07-05 | 一种塔架式抽油机数据滤波算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116756513A CN116756513A (zh) | 2023-09-15 |
CN116756513B true CN116756513B (zh) | 2024-02-13 |
Family
ID=87958886
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310816783.XA Active CN116756513B (zh) | 2023-07-05 | 2023-07-05 | 一种塔架式抽油机数据滤波算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116756513B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117493775B (zh) * | 2023-12-29 | 2024-05-14 | 北京华龙通科技有限公司 | 数据链的相对导航方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105045941A (zh) * | 2015-03-13 | 2015-11-11 | 重庆科技学院 | 基于无迹卡尔曼滤波的抽油机参数优化方法 |
CN108872870A (zh) * | 2018-06-21 | 2018-11-23 | 浙江工业大学 | 一种基于粒子群优化扩展卡尔曼滤波算法的锂电池soc估算方法 |
CN111938641A (zh) * | 2020-08-14 | 2020-11-17 | 河北工业大学 | 一种优化自适应扩展卡尔曼滤波生物电阻抗成像方法 |
CN112327166A (zh) * | 2020-10-21 | 2021-02-05 | 合肥工业大学 | 基于分数阶平方根无迹卡尔曼滤波的锂电池soc估计方法 |
CN114718514A (zh) * | 2021-01-06 | 2022-07-08 | 中国石油化工股份有限公司 | 基于功率加权预测的抽油机直流母线群控算法 |
CN116317771A (zh) * | 2023-02-20 | 2023-06-23 | 湘潭大学 | 一种永磁同步电机低高速切换的无位置传感器控制方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130246006A1 (en) * | 2012-03-13 | 2013-09-19 | King Fahd University Of Petroleum And Minerals | Method for kalman filter state estimation in bilinear systems |
CN105046326B (zh) * | 2015-03-13 | 2019-04-19 | 重庆科技学院 | 基于功图主元分析的抽油机参数优化方法 |
IT202000024874A1 (it) * | 2020-10-21 | 2022-04-21 | St Microelectronics Srl | Metodo e dispositivo per la stima del tempo di volo |
-
2023
- 2023-07-05 CN CN202310816783.XA patent/CN116756513B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105045941A (zh) * | 2015-03-13 | 2015-11-11 | 重庆科技学院 | 基于无迹卡尔曼滤波的抽油机参数优化方法 |
CN108872870A (zh) * | 2018-06-21 | 2018-11-23 | 浙江工业大学 | 一种基于粒子群优化扩展卡尔曼滤波算法的锂电池soc估算方法 |
CN111938641A (zh) * | 2020-08-14 | 2020-11-17 | 河北工业大学 | 一种优化自适应扩展卡尔曼滤波生物电阻抗成像方法 |
CN112327166A (zh) * | 2020-10-21 | 2021-02-05 | 合肥工业大学 | 基于分数阶平方根无迹卡尔曼滤波的锂电池soc估计方法 |
CN114718514A (zh) * | 2021-01-06 | 2022-07-08 | 中国石油化工股份有限公司 | 基于功率加权预测的抽油机直流母线群控算法 |
CN116317771A (zh) * | 2023-02-20 | 2023-06-23 | 湘潭大学 | 一种永磁同步电机低高速切换的无位置传感器控制方法 |
Non-Patent Citations (4)
Title |
---|
Extended Kalman filter aoolication for high-noise cancelation in control telemetry channels of oil electric submersible pump;Parviz Ail-Zade 等;《Journal of petroleum science and engineering》;第110卷;第109-118页 * |
Online parameter identification of rice transplanter model based on IPSO-EFK algorithm;Yibo Li 等;《Agticultutal Engineeting》;第61卷(第2期);第25-34页 * |
基于改进的粒子群优化扩展卡尔曼滤波算法的 锂电池模型参数辨识与荷电状态估计;项宇 等;《兵工学报》;第35卷(第10期);第1659-1666页 * |
抽油机用永磁同步电动机的参数在线辨识方法;韩书臣;王世刚;;电机技术(第06期);第5-11页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116756513A (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116756513B (zh) | 一种塔架式抽油机数据滤波算法 | |
CN109740661B (zh) | 一种基于模糊评估的油井动液面自适应预测方法 | |
CN104932488A (zh) | 一种模型预测控制性能评估与诊断方法 | |
CN116237817B (zh) | 基于物联网的五轴联动数控机床智能监测系统 | |
CN108074015B (zh) | 一种风电功率超短期预测方法及系统 | |
CN111639842B (zh) | 一种设备健康评估方法、评估系统以及设备健康预测方法 | |
CN112380992B (zh) | 一种加工过程监控数据准确性评估与优化方法及装置 | |
CN115828170B (zh) | 一种基于掘进机电控数据的故障检测方法 | |
CN115931055A (zh) | 一种基于大数据分析的农村供水运行诊断方法及系统 | |
CN113006188A (zh) | 一种基于lstm神经网络的挖掘机分阶段功率匹配方法 | |
CN115130495A (zh) | 一种滚动轴承故障预测方法及系统 | |
CN112757053A (zh) | 基于功率和振动信号的模型融合刀具磨损监测方法及系统 | |
CN108804721B (zh) | 基于自适应无迹Kalman滤波与RBF神经网络的抽油机故障诊断方法 | |
CN113642801A (zh) | 一种基于lstm的绞吸挖泥船产量预测方法 | |
CN112100919B (zh) | 一种基于re-cf-ekf算法的滚动轴承剩余寿命预测方法 | |
CN112700039B (zh) | 一种火电厂负荷运行数据的稳态检测与提取方法 | |
CN113312587B (zh) | 基于arima预测和回归预测的传感器采集数据缺失值处理方法 | |
CN114490603A (zh) | 一种基于增量局部异常因子的机械流式数据清洗方法 | |
CN113283157A (zh) | 智能冲压压力机部件生命周期预测系统、方法、终端、介质 | |
CN105671596A (zh) | 一种铝电解槽单个阳极数学模型的确定方法 | |
CN113204831A (zh) | 一种船舶系统设备动态基线的设计方法 | |
CN113870458B (zh) | 结晶器振动装置振动性能退化数据构建方法 | |
Gong et al. | Research on prediction method of sensorless measurement of centrifugal pump operational state based on hybrid model | |
CN109670243A (zh) | 一种基于勒贝格空间模型的寿命预测方法 | |
CN110415844B (zh) | 基于动作关键时序的控制棒驱动机构性能评估方法及系统 |
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 |