基于半监督极限学习机的抽油机故障诊断方法研究

摘要

抽油机井在故障工况下运行会导致油田生产效率降低等问题，进而影响油田的经济效益。因此，实时监控抽油机井的运行状况对油田安全高效地生产具有重要的意义。近年来，数字油田建设取得显著进展，构建了完善的抽油机实时测控数据采集系统，为基于数据挖掘的抽油机故障诊断提供了有利条件。与传统示功图方法仅利用位移和载荷数据不同，本文立足于抽油机多源实时测控数据的深入挖掘分析，针对抽油机数据中存在的数据量庞大、非线性关联、数据标注比例低等问题，开展基于半监督极限学习机的故障诊断研究。主要工作如下： 首先，在对抽油机工作原理以及典型故障工况进行简单介绍的基础上，本文采用小波包变换方法对抽油机实测数据进行信号特征提取，将不同层次的小波包能量谱作为特征信息，用于建立抽油机故障诊断系统。 其次，针对传统极限学习机（ELM）算法非线性分类器的参数优化问题，讨论了一种基于差分进化极限学习机（DE-ELM）的故障分类算法。该算法利用差分进化算法的全局优化能力，对ELM网络的输入层参数进行智能优化。针对差分进化极限学习机手动选择试验向量的生成策略及其关联控制参数的问题，研究了自适应差分进化极限学习机算法（SaDE-ELM），通过自适应选择试验向量生成策略及相关控制参数，获取最优结果。在标准数据集上的仿真结果表明DE-ELM和SaDE-ELM算法具有比传统ELM算法更好的分类性能。 然后，进一步考虑ELM算法未利用未标注数据的问题，提出一种融合Tri-Training训练机制和自适应差分进化ELM（SaDE-ELM）的半监督ELM故障分类方法Tri-SaDE-ELM算法。该方法采用SaDE-ELM算法设计三个基分类器，基于Tri-Training机制对三个不同的基分类器进行协同训练，充分利用无标注数据信息提升故障分类正确率。在标准数据集上的仿真结果表明半监督ELM算法具有更好的模式分类性能。 最后，结合油区抽油机井现场实测数据开展应用分析研究。本文综合考虑示功图数据和电参数数据，应用不同的ELM算法构建分类器诊断抽油机实测数据的故障类型。工业数据应用结果表明，本文提出的Tri-SaDE-ELM算法能够充分利用未标注数据，提供更好的故障识别效果。

目录

声明

第1章 绪论

1.1 课题背景

1.2 国内外研究现状

1.2.1 抽油机故障诊断方法研究现状

1.2.2 极限学习机研究现状

1.2.3 半监督学习方法研究现状

1.3 目前研究中存在的问题分析

1.4 论文主要内容与结构

第2章 抽油机运行原理分析与过程数据特征提取

2.1 游梁式抽油机结构及运行原理

2.2 常见故障分析

2. 理论示功图分析

2.3 基于小波包的特征提取

2.3.1 小波包变换

2.3.2 小波包能量法在抽油机运行信号特征提取中的应用

2.4 本章小结

第3章 极限学习机及其改进算法的研究

3.1 极限学习机

3.2 差分进化极限学习机

3.2.1 差分进化算法

3.2.2 差分进化极限学习机

3.3 自适应差分进化极限学习机

3.4 仿真分析

3.5 本章小结

第4章 基于Tri-SaDE-ELM的半监督分类算法

4.1 协同训练概述

（1） 自学习算法

（2）Co-Training算法

（3）Tri-Training算法

4.2 基于Tri-Traning的Tri-SaDE-ELM算法

4.3 仿真分析

4.4 本章小结

第5章 基于油区现场数据的方法应用分析

5.1 油区现场数据采集及整理

5.1.1 位移载荷数据采集

5.1.2 电功率采集

5.1.3 抽油机实测数据整理

5.2 抽油机故障诊断应用分析

（1） 监督算法与半监督算法故障诊断性能比较

（2） 半监督算法故障诊断性能比较

（3） Tri-SaDE-ELM算法在不同数据集诊断性能比较

（4） Tri-SaDE-ELM算法在固定标记数据集时的故障诊断性能

（5） Tri-SaDE-ELM算法运用于总数据集的类别识别率

5.3 本章小结

结论与展望

参考文献

攻读硕士学位期间取得的学术成果

致谢