【技术实现步骤摘要】
本专利技术涉及抽油机工况诊断，尤其涉及一种基于动态聚类的电功图工况分析方法。
技术介绍
1、抽油机工况诊断方法广泛应用的是基于示功图的诊断技术，特别是结合人工智能方法对示功图进行分析以实现工况识别。虽然此技术在油井生产中已显示出相对较好的效果，但仍存在显著的局限性：
2、1、数据采集设备实时监测能力不足：示功图数据的采集依赖于高成本的设备，这些设备的安装往往需要停机操作，导致故障无法及时发现和处理，可能造成设备损坏或生产损失从而对日常生产活动造成干扰。
3、2、传统诊断方法人工分析：早期的示功图分析主要依赖人工，通过经验和示功图的特征来判断井下工况。虽然这种方法在一定程度上有效，但受限于分析人员的经验和技能，诊断结果的准确性和一致性难以保证。
4、3、阻尼系数的影响：阻尼系数对示功图分析尤为关键，其不准确性会影响泵示功图计算所得特征参数的精度，从而降低工况识别的效果。
5、4、电动机电参数测量方便，数据获取精确度高、可靠性好、成本低，是实现抽油机系统长期在线监测的重要参数，具有明显的应用优势。因此研究人员对基于电功图的工况诊断识别技术展开了一系列的研究。这种工况诊断技术在油井生产中取得了一定的成效，但仍存在以下显著的局限性：
6、（1）缺乏智能化和自动化的诊断模型： 目前的电功图故障诊断多采用传统的分析方法，缺乏基于机器学习和人工智能的智能诊断模型，难以实现自动化的故障识别和预警。
7、（2）当前电参数信号特征提取方法还相对单一，主要停留于机理分析和专家经验
8、（3）与一般的图像识别不同，油田电功图具有图像简单、特征点少的特点，直接以传统电功图图像输入算法，在一定程度上导致特征利用率不高、数据计算量大。
9、（4）适应性和鲁棒性有待提高： 抽油机工作环境复杂多变，不同工况下电功图特征可能发生显著变化。现有的诊断方法在适应性和鲁棒性方面不足，可能导致在不同工况下诊断准确性不稳定。
技术实现思路
1、有鉴于此，本专利技术实施例提供了一种基于动态聚类的电功图工况分析方法，用以解决现有电功图工况识别精度较低、诊断准确性不稳定的问题。
2、本专利技术采用的技术方案是：
3、本专利技术提供了一种基于动态聚类的电功图工况分析方法，包括：
4、采集抽油机的实测电功图数据，对实测电功图数据进行预处理，并依据预处理后的电功图数据绘制出电功图；
5、对电功图进行时域分析，从所述电功图中提取出抽油机工作时的时域特征向量s；
6、对电功图进行频域分析，从所述电功图中提取出抽油机工作时的频域特征向量p；
7、将时域特征向量s和频域特征向量p组合得到工况识别特征向量，利用预设动态聚类方法对工况识别特征向量进行动态聚类，得到抽油机工况的诊断结果，并基于预设动态聚类方法构建电功图工况识别模型。
8、进一步地，所述采集抽油机的实测电功图数据，对实测电功图数据进行预处理，并依据预处理后的电功图数据绘制出电功图，包括：
9、利用安装在抽油机光杆悬点处的sgt-2000型智能电功仪获得的抽油井电功率数据和时间数据；
10、对抽油井电功率数据和时间数据进行数据清洗，并对数据清洗后的数据进行归一化处理，基于归一化处理后的电功图数据绘制出对应的二值图像，得到抽油机的电功图。
11、进一步地，所述对电功图进行时域分析，从所述电功图中提取出抽油机工作时的时域特征向量s，包括：
12、对电功图中的电功率信号进行时域分析，分别计算出电功率信号的平均功率值、均方根值、方差、标准差、峰值因子、均值波形因子、峰度因子和偏度因子，将平均功率值、均方根值、方差、标准差、峰值因子、均值波形因子、峰度因子和偏度因子组合得到时域特征向量；
13、其中，，表示电功率信号在整个采样周期内的平均功率值，表示电功率信号的总采样点数；表示在第n个时间点采集的电功率信号值；
14、，表示电功率信号的均方根值；
15、，表示电功率信号的方差；
16、，表示电功率信号的标准差；
17、，表示电功率信号的峰值因子，表示电功率信号在整个采样周期内的最大值；
18、，表示电功率信号的均值波形因子；
19、，表示电功率信号的峰度因子；
20、，表示电功率信号的偏度因子。
21、进一步地，所述对电功图进行频域分析，从所述电功图中提取出抽油机工作时的频域特征向量p，包括：
22、对电功图中的电功率信号进行频域分析，分别计算出电功率信号的振动能量、频谱方差、频谱偏度、频谱峰度、质心频率、频谱标准偏差和频带中心，将振动能量、频谱方差、频谱偏度、频谱峰度、质心频率、频谱标准偏差和频带中心组合得到频域特征向量，
23、其中，，表示电功率信号的总能量；为频谱线数量，表示通过傅里叶变换得到的频谱中的数据点数量；表示电功率信号在频域的第个频谱值，表示该频率上的幅值；
24、，表示电功率信号的频谱方差；
25、，表示电功率信号的频谱偏度；
26、，表示电功率信号的频谱峰度；
27、，表示电功率信号的质心频率，为频谱线的频率值，表示该频谱线对应的频率；
28、，表示电功率信号的频谱标准偏差；
29、，表示电功率信号的频带中心。
30、进一步地，所述将时域特征向量s和频域特征向量p组合得到工况识别特征向量，利用预设动态聚类方法对工况识别特征向量进行动态聚类，得到抽油机工况的诊断结果，包括：
31、将时域特征向量s和频域特征向量p组合在一起得到工况识别特征向量，利用预设动态聚类方法对工况识别特征向量进行动态聚类，找到最优的聚类中心，根据最终动态聚类结果解释得到抽油机的工况状态。
32、进一步地，所述预设动态聚类方法包括：
33、随机生成一个初始解，作为当前局部最小值的起点，并设置连续拒绝计数器，最大连续拒绝次数，用于判断是否继续局部最优搜索；容许误差，用于判断收敛性；
34、对于当前局部最小值，生成一个随机扰动向量，使新的起始点为：；随机扰动向量，其中，是一个步长系数，是服从正态分布的随机向量；
35、使用序列二次规划算法对新的候选点开始进行局部最优搜索，以求解局部最小化问题，得到新的局部最小值；
36、判断局部最小值是否优于当前局部最小值，若局部最小值优于当前局部最小值，则将局部最小值作为新的局部最优解；若当前局部最小值优于局部最小值y，则保持当前局部最小值为当前局部最优解；
37、将局部最小值作为全局优化的候选解，并在达到全局最优时输出最终的局部最小值作为全局最优本文档来自技高网...
【技术保护点】
1.一种基于动态聚类的电功图工况分析方法，其特征在于，包括：
2.根据权利要求1所述的基于动态聚类的电功图工况分析方法，其特征在于，所述采集抽油机的实测电功图数据，对实测电功图数据进行预处理，并依据预处理后的电功图数据绘制出电功图，包括：
3.根据权利要求1所述的基于动态聚类的电功图工况分析方法，其特征在于，所述对电功图进行时域分析，从所述电功图中提取出抽油机工作时的时域特征向量S，包括：
4.根据权利要求1所述的基于动态聚类的电功图工况分析方法，其特征在于，所述对电功图进行频域分析，从所述电功图中提取出抽油机工作时的频域特征向量P，包括：
5.根据权利要求1所述的基于动态聚类的电功图工况分析方法，其特征在于，所述将时域特征向量S和频域特征向量P组合得到工况识别特征向量，利用预设动态聚类方法对工况识别特征向量进行动态聚类，得到抽油机工况的诊断结果，包括：
6.根据权利要求1所述的基于动态聚类的电功图工况分析方法，其特征在于，所述预设动态聚类方法包括：
7.根据权利要求6所述的基于动态聚类的电功图工况分析方法，
8.根据权利要求6所述的基于动态聚类的电功图工况分析方法，其特征在于，所述判断局部最小值是否优于当前局部最小值，包括：
...【技术特征摘要】
1.一种基于动态聚类的电功图工况分析方法，其特征在于，包括：
2.根据权利要求1所述的基于动态聚类的电功图工况分析方法，其特征在于，所述采集抽油机的实测电功图数据，对实测电功图数据进行预处理，并依据预处理后的电功图数据绘制出电功图，包括：
3.根据权利要求1所述的基于动态聚类的电功图工况分析方法，其特征在于，所述对电功图进行时域分析，从所述电功图中提取出抽油机工作时的时域特征向量s，包括：
4.根据权利要求1所述的基于动态聚类的电功图工况分析方法，其特征在于，所述对电功图进行频域分析，从所述电功图中提取出抽油机工作时的频域特征向量p，包括：
5.根据权利要求1所述的基...
【专利技术属性】
技术研发人员：刘星宇，蒋能记，孟鑫，胡泽，王晓君，李磊，向安宇，石强，汪敏，牟强，仝迪，覃拓，陈黎斌，覃飞，陈雅萍，
申请(专利权)人：西南石油大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。