一種抽油泵運行狀態(tài)識別方法及裝置制造方法
【專利摘要】本發(fā)明提供了一種抽油泵運行狀態(tài)識別方法及裝置，本發(fā)明將目標(biāo)灰度圖像的目標(biāo)特征向量輸入至RWELM中，經(jīng)RWELM運算后即可輸出運行狀態(tài)，以RWELM作為抽油泵運行狀態(tài)識別的模型，以示功圖和運行狀態(tài)作為訓(xùn)練數(shù)據(jù)對RWELM進行訓(xùn)練，在訓(xùn)練過程中將結(jié)構(gòu)風(fēng)險最小化理論引入RWELM中，即采用調(diào)節(jié)參數(shù)對隱含層進行調(diào)節(jié)，解決了傳統(tǒng)極限學(xué)習(xí)機過擬合問題，并且利用小波函數(shù)替代一般的隱含層激勵函數(shù)，解決了極限學(xué)習(xí)機的局部最優(yōu)的問題，具有診斷速度快、正確率高的優(yōu)勢?？梢詫⒈景l(fā)明嵌入到抽油泵運行狀態(tài)識別設(shè)備或系統(tǒng)中，能夠及時發(fā)現(xiàn)運行狀態(tài)與運行狀態(tài)，為抽油泵的運行狀態(tài)維修提供依據(jù)。
【專利說明】一種抽油泵運行狀態(tài)識別方法及裝置

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及自動化【技術(shù)領(lǐng)域】，尤其涉及一種抽油泵運行狀態(tài)識別方法及裝置。

【背景技術(shù)】
[0002] 抽油泵是油田抽油系統(tǒng)的重要設(shè)備，其運行狀態(tài)直接影響原油產(chǎn)量和系統(tǒng)安全水 平。目前，大部分油田還是利用示功儀測取示功圖，然后將測取的示功圖與典型運行狀態(tài)示 功圖進行人工對比分析，這需要豐富經(jīng)驗技術(shù)工人進行對比，得到的結(jié)果誤差比較大，工作 效率也較低。
[0003] 所以現(xiàn)在需要一種快智能識別運行狀態(tài)的方法，并將該方法嵌入到抽油泵運行狀 態(tài)識別設(shè)備或系統(tǒng)中，以便及時發(fā)現(xiàn)運行狀態(tài)與運行狀態(tài)，為抽油泵的運行狀態(tài)維修提供 依據(jù)。


【發(fā)明內(nèi)容】

[0004] 本發(fā)明提供了一種抽油泵運行狀態(tài)識別方法及裝置，本發(fā)明能夠嵌入到抽油泵運 行狀態(tài)識別設(shè)備或系統(tǒng)中，及時發(fā)現(xiàn)運行狀態(tài)與運行狀態(tài)，為抽油泵的運行狀態(tài)維修提供 依據(jù)。
[0005] 為了實現(xiàn)上述目的，本發(fā)明提供了以下技術(shù)手段：
[0006] -種抽油泵運行狀態(tài)識別方法，包括：
[0007] 獲取抽油泵示功圖的目標(biāo)灰度圖像；
[0008] 對所述目標(biāo)灰度圖像進行二值化處理后得到目標(biāo)示功圖矩陣，利用矩特征提取方 法提取所述目標(biāo)示功圖矩陣的多個不變矩，并將所述多個不變矩作為所述抽油泵示功圖的 目標(biāo)特征向量；
[0009] 將所述目標(biāo)特征向量輸入至正則小波極限學(xué)習(xí)機RWELM，經(jīng)所述RWELM運算后輸 出運行狀態(tài)，所述RWELM為預(yù)先經(jīng)訓(xùn)練樣本訓(xùn)練后得到的、以抽油泵示功圖的特征向量為 輸入、以抽油泵的運行狀態(tài)為輸出的模型，其中所述ELM的輸入層與隱含層之間的激勵函 數(shù)為小波函數(shù)，所述隱含層的調(diào)節(jié)參數(shù)和隱含層的節(jié)點數(shù)量為利用交叉驗證法確定的。
[0010] 優(yōu)選的，所述RWELM的構(gòu)建過程包括：
[0011] 確定RWELM輸入層和輸出層的節(jié)點數(shù)量，并利用交叉驗證法得到隱含層的調(diào)節(jié)參 數(shù)和隱含層的節(jié)點數(shù)量，設(shè)定輸入層與隱含層之間的激勵函數(shù)為小波函數(shù)，其中，輸入層的 節(jié)點數(shù)量與多個不變矩數(shù)量一致，輸出層的節(jié)點數(shù)量與抽油泵運行狀態(tài)的數(shù)量一致；
[0012] 隨機生成所述輸入層與所述隱含層之間的輸入權(quán)重向量及偏置；
[0013] 獲取訓(xùn)練樣本，所述訓(xùn)練樣本包括抽油泵示功圖的訓(xùn)練灰度圖像及在該訓(xùn)練灰度 圖像下抽油泵的訓(xùn)練運行狀態(tài)，對所述訓(xùn)練灰度圖像進行二值化處理后，利用矩特征提取 方式提取所述訓(xùn)練灰度圖像的多個不變矩，并將所述多個不變矩作為所述訓(xùn)練灰度圖像的 訓(xùn)練特征向量；
[0014] 將訓(xùn)練特征向量輸入所述RWELM，經(jīng)所述激勵函數(shù)、輸入權(quán)重和所述偏置運算后得 到所述隱含層的訓(xùn)練輸出矩陣；
[0015] 按預(yù)設(shè)輸出權(quán)重公式計算輸出權(quán)重；
[0016] 將由激勵函數(shù)、輸入權(quán)重、偏置和輸出權(quán)重組成的包括輸入層、隱含層和輸出層的 模型重新確定所述RWELM。
[0017] 優(yōu)選的，所述將所述目標(biāo)特征向量輸入至正則小波極限學(xué)習(xí)機RWELM，經(jīng)所述 RWELM運算后輸出運行狀態(tài)包括：
[0018] 將所述目標(biāo)特征向量輸入至所述RWELM中，經(jīng)所述激勵函數(shù)、輸入權(quán)重和所述偏 置運算后得到所述隱含層的目標(biāo)輸出矩陣；
[0019] 將所述目標(biāo)輸出矩陣與所述輸出權(quán)重的乘積作為輸出運行狀態(tài)。
[0020] 優(yōu)選的，所述RWELM的構(gòu)建過程還包括：
[0021] 根據(jù)抽油泵所有示功圖的不同特點，劃分抽油泵的多個運行狀態(tài)；
[0022] 獲取包含抽油泵所有運行狀態(tài)的多個示功圖的灰度圖像，并對多個示功圖的灰度 圖像進行預(yù)處理獲得多個示功圖矩陣，利用矩特征提取方法對每個示功圖矩陣進行特征提 取獲得多個不變矩，將所述多個不變矩作為每個示功圖矩陣對應(yīng)的特征向量組；
[0023] 將多個特征向量組作為RWELM的輸入向量，將1、2、3…N的標(biāo)簽式向量作為RWELM 的輸出向量，所述輸出向量表不與特征向量對應(yīng)的運行狀態(tài)。
[0024] 優(yōu)選的，所述利用交叉驗證法得到隱含層的調(diào)節(jié)參數(shù)和隱含層的節(jié)點數(shù)量包括：
[0025] 利用交叉驗證法確定隱含層的調(diào)節(jié)參數(shù)為0. 5,隱含層節(jié)點數(shù)量為14。
[0026] 優(yōu)選的，對所述目標(biāo)灰度圖像進行二值化處理后得到目標(biāo)示功圖矩陣包括：根據(jù) 抽油泵所有示功圖的不同特點，劃分抽油泵的12個運行狀態(tài)；
[0027] 利用矩特征提取方法對每個示功圖矩陣進行特征提取獲得多個不變矩包括：利用 矩特征提取方法對每個示功圖矩陣進行特征提取獲得7個不變矩。
[0028] 優(yōu)選的，對所述目標(biāo)灰度圖像進行二值化處理后得到目標(biāo)示功圖矩陣包括：
[0029] 利用全局閾值法確定進行二值化處理時的閾值；
[0030] 針對所述目標(biāo)灰度圖像每個像素，將像素值大于所述閾值的修改為1，將像素值小 于所述閾值的修改為〇,獲得目標(biāo)示功圖矩陣。
[0031] 優(yōu)選的，所述利用全局閾值法確定進行二值化處理時的閾值包括：
[0032] 獲取抽油泵示功圖的目標(biāo)灰度圖像，并確定閾值范圍；
[0033] 計算目標(biāo)圖像和背景圖像的類間方差，所述閾值將所述目標(biāo)灰度圖像分為目標(biāo)圖 像和背景圖像；
[0034] 在所述閾值范圍內(nèi)遍歷閾值，當(dāng)所述類間方差最大時確定當(dāng)前閾值為所需閾值。
[0035] -種抽油泵運行狀態(tài)識別裝置，包括：
[0036] 獲取單元，用于獲取抽油泵示功圖的目標(biāo)灰度圖像；
[0037] 預(yù)處理單元，用于對所述目標(biāo)灰度圖像進行二值化處理后得到目標(biāo)示功圖矩陣， 利用矩特征提取方法提取所述目標(biāo)示功圖矩陣的多個不變矩，并將所述多個不變矩作為所 述抽油泵示功圖的目標(biāo)特征向量；
[0038] 輸出單元，用于將所述目標(biāo)特征向量輸入至正則小波極限學(xué)習(xí)機RWELM，經(jīng)所述 RWELM運算后輸出運行狀態(tài)，所述RWELM為預(yù)先經(jīng)訓(xùn)練樣本訓(xùn)練后得到的、以抽油泵示功圖 的特征向量為輸入、以抽油泵的運行狀態(tài)為輸出的模型，其中所述RWELM的輸入層與隱含 層之間的激勵函數(shù)為小波函數(shù)，所述隱含層的調(diào)節(jié)參數(shù)和隱含層的節(jié)點數(shù)量為利用交叉驗 證法確定的。
[0039] 優(yōu)選的，還包括：
[0040] 構(gòu)建模型單元，用于確定RWELM輸入層和輸出層的節(jié)點數(shù)量，并利用交叉驗證法 得到隱含層的調(diào)節(jié)參數(shù)和隱含層的節(jié)點數(shù)量，設(shè)定輸入層與隱含層之間的激勵函數(shù)為小波 函數(shù)，其中，輸入層的節(jié)點數(shù)量與多個不變矩數(shù)量一致，輸出層的節(jié)點數(shù)量與抽油泵運行狀 態(tài)的數(shù)量一致；隨機生成所述輸入層與所述隱含層之間的輸入權(quán)重向量及偏置；獲取訓(xùn)練 樣本，所述訓(xùn)練樣本包括抽油泵示功圖的訓(xùn)練灰度圖像及在該訓(xùn)練灰度圖像下抽油泵的訓(xùn) 練運行狀態(tài)，對所述訓(xùn)練灰度圖像進行二值化處理后，利用矩特征提取方式提取所述訓(xùn)練 灰度圖像的多個不變矩，并將所述多個不變矩作為所述訓(xùn)練灰度圖像的訓(xùn)練特征向量；將 訓(xùn)練特征向量輸入所述RWELM，經(jīng)所述激勵函數(shù)、輸入權(quán)重和所述偏置運算后得到所述隱含 層的訓(xùn)練輸出矩陣；按預(yù)設(shè)輸出權(quán)重公式計算輸出權(quán)重；將由激勵函數(shù)、輸入權(quán)重、偏置和 輸出權(quán)重組成的包括輸入層、隱含層和輸出層的模型重新確定所述RWELM。
[0041] 本發(fā)明提供了一種抽油泵運行狀態(tài)識別方法及裝置，本發(fā)明將目標(biāo)灰度圖像的目 標(biāo)特征向量輸入至RWELM中，經(jīng)RWELM運算后即可輸出運行狀態(tài)，以RWELM作為抽油泵運行 狀態(tài)識別的模型，以示功圖和運行狀態(tài)作為訓(xùn)練數(shù)據(jù)對RWELM進行訓(xùn)練，在訓(xùn)練過程中將 結(jié)構(gòu)風(fēng)險最小化理論引入RWELM中，即采用調(diào)節(jié)參數(shù)對隱含層進行調(diào)節(jié)，解決了傳統(tǒng)極限 學(xué)習(xí)機過擬合問題，并且利用小波函數(shù)替代一般的隱含層激勵函數(shù)，克服了傳統(tǒng)極限學(xué)習(xí) 機的局部最優(yōu)的問題，并且可以實現(xiàn)多分類問題，具有診斷速度快、正確率高的優(yōu)勢。
[0042] 并且將本發(fā)明提供的方法嵌入到抽油泵運行狀態(tài)識別設(shè)備或系統(tǒng)中，能夠及時發(fā) 現(xiàn)運行狀態(tài)與運行狀態(tài)，為抽油泵的運行狀態(tài)維修提供依據(jù)。

【專利附圖】

【附圖說明】
[0043] 為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn) 有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本 發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以 根據(jù)這些附圖獲得其他的附圖。
[0044] 圖1為本發(fā)明實施例公開的一種抽油泵運行狀態(tài)識別方法的流程圖；
[0045] 圖2為本發(fā)明實施例公開的又一種抽油泵運行狀態(tài)識別方法的流程圖；
[0046] 圖3為本發(fā)明實施例公開的又一種抽油泵運行狀態(tài)識別方法的流程圖；
[0047] 圖4為本發(fā)明實施例公開的一種抽油泵運行狀態(tài)識別裝置的結(jié)構(gòu)圖示意圖。

【具體實施方式】
[0048] RWELM，Regularized Wavelet Extreme Learning Machine，正則小波極限學(xué)習(xí) 機；
[0049] RELM，Regularized Extreme Learning Machine，正則極限學(xué)習(xí)機。
[0050] 在研究過程中本申請發(fā)明人發(fā)現(xiàn)，可以構(gòu)建軸油泵的運行狀態(tài)模型并在運行狀態(tài) 模型的基礎(chǔ)上進行學(xué)習(xí)，以使運行狀態(tài)模型能夠輸出抽油泵的運行狀態(tài)。構(gòu)建運行狀態(tài)模 型的方式可以采用BP神經(jīng)網(wǎng)絡(luò)的方式，但BP神經(jīng)網(wǎng)絡(luò)診斷方法需要確定的網(wǎng)絡(luò)參數(shù)多，而 且具有需要多次迭代確定、搜索時間長、計算量大、易陷入局部最優(yōu)等缺點，不適宜在抽油 泵中進行運行狀態(tài)識別。
[0051] 發(fā)明人發(fā)現(xiàn)還可以采用支持向量機來構(gòu)建運行狀態(tài)模型，但支持向量機中懲罰因 子參數(shù)和核函數(shù)中的方差參數(shù)確定比較困難，此外抽油泵的運行狀態(tài)有多個，所以抽油泵 運行狀態(tài)診斷實質(zhì)為多分類問題，但支持向量機僅限于二分類問題，還需要通過一對一、一 對多或二叉樹等方法改進為多分類方法，不僅復(fù)雜度較大而且計算時間較長。所以現(xiàn)在需 要一種方法能夠構(gòu)建運行狀態(tài)模型，并且能夠克服以上兩種方式帶來的問題。
[0052] 下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完 整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。基于 本發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他 實施例，都屬于本發(fā)明保護的范圍。
[0053] 如圖1所示，本發(fā)明提供了一種抽油泵運行狀態(tài)識別方法，包括：
[0054] 步驟SlOl :獲取抽油泵示功圖的目標(biāo)灰度圖像；
[0055] 使用現(xiàn)有的示工儀或其他設(shè)備采集抽油泵的目標(biāo)灰度圖像，目標(biāo)灰度圖像實質(zhì)為 多個像素點組成的矩陣集合。
[0056] 步驟S102 :對所述目標(biāo)灰度圖像進行二值化處理后得到目標(biāo)示功圖矩陣，利用矩 特征提取方法提取所述目標(biāo)示功圖矩陣的多個不變矩，并將所述多個不變矩作為所述抽油 泵示功圖的目標(biāo)特征向量；
[0057] 由于示功圖目標(biāo)灰度圖像的像素點很多，若把所有像素點的像素值作為預(yù)測模型 的輸入，勢必使得預(yù)測模型的結(jié)構(gòu)異常龐大，不利于預(yù)測模型的訓(xùn)練和學(xué)習(xí)，同時也會影響 預(yù)測模型的訓(xùn)練速度和結(jié)果，為了便于后續(xù)處理，將目標(biāo)灰度圖像進行二值化處理獲得示 功圖矩陣。
[0058] 不變矩是圖像的一種統(tǒng)計特征，具有平移不變性、旋轉(zhuǎn)不變性和比例不變性，廣泛 應(yīng)用于圖像識別，所以本發(fā)明采用矩特征提取方法提取目標(biāo)示功圖的多個不變矩，多個不 變矩能夠表示該示功圖的統(tǒng)計特征，將多個不變矩組成目標(biāo)特征向量，用于后續(xù)對示功圖 的運行狀態(tài)進行識別。
[0059] 步驟S103 :將所述目標(biāo)特征向量輸入至正則小波極限學(xué)習(xí)機RWELM，經(jīng)所述RWELM 運算后輸出運行狀態(tài)，所述RWELM為預(yù)先經(jīng)訓(xùn)練樣本訓(xùn)練后得到的、以抽油泵示功圖的特 征向量為輸入、以抽油泵的運行狀態(tài)為輸出的模型，其中所述RWELM的輸入層與隱含層之 間的激勵函數(shù)為小波函數(shù)，所述隱含層的調(diào)節(jié)參數(shù)和隱含層的節(jié)點數(shù)量為利用交叉驗證法 確定的。
[0060] 由于RWELM為預(yù)先經(jīng)過訓(xùn)練樣本訓(xùn)練后得到的，以示功圖的特征向量為輸入、以 示功圖的運行狀態(tài)為輸出的模型，所以將目標(biāo)特征向量輸入至RWELM中，RWELM經(jīng)過運算后 即可輸出與目標(biāo)特征向量對應(yīng)的運行狀態(tài)。
[0061] 本發(fā)明采用RWELM作為預(yù)測抽油泵運行狀態(tài)的模型，RWELM中以小波函數(shù)作為隱 含層的激勵函數(shù)，由于小波函數(shù)是基于小波變換理論的函數(shù)，能夠有效提取輸入數(shù)據(jù)的局 部信息其構(gòu)成的網(wǎng)絡(luò)結(jié)構(gòu)，具有易適應(yīng)新數(shù)據(jù)、收斂速度快、能避免較大外推誤差等優(yōu)點， 因此，將小波函數(shù)作為網(wǎng)絡(luò)隱含層的激勵函數(shù)，能夠提高網(wǎng)絡(luò)對數(shù)據(jù)的局部處理能力。
[0062] 此外，本發(fā)明將結(jié)構(gòu)風(fēng)險最小化理論引入到極限學(xué)習(xí)機中來，構(gòu)造正則極限學(xué)習(xí) 機（Regularized Extreme Learning Machine, RELM)。所謂正則是指在標(biāo)準(zhǔn)誤差項的基礎(chǔ) 上增加了一個控制逼近函數(shù)光滑程度的項，也稱為正則化項。通過調(diào)節(jié)參數(shù)λ來調(diào)節(jié)結(jié)構(gòu) 風(fēng)險與經(jīng)驗風(fēng)險的比例，改善傳統(tǒng)極限學(xué)習(xí)機的過擬合問題，并提高傳統(tǒng)極限學(xué)習(xí)機的泛 化性能。本發(fā)明將結(jié)構(gòu)風(fēng)險最小化理論引入到極限學(xué)習(xí)機中，并用小波函數(shù)替代一般的隱 層激勵函數(shù)，構(gòu)造成正則小波極限學(xué)習(xí)機，即改進的極限學(xué)習(xí)機RWELM。
[0063] RWELM相對于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)和支持向量機而言，不存在學(xué)習(xí)率不恰當(dāng)、局部 最小化問題，而且RWELM無調(diào)整網(wǎng)絡(luò)參數(shù)，只需設(shè)定隱層神經(jīng)元個數(shù)，隨機生成輸入層與隱 層間的權(quán)值和隱層偏置，就可以計算出輸出權(quán)值，相比用梯度下降的神經(jīng)網(wǎng)絡(luò)而言，RWELM 具有更好的泛化性能。
[0064] 本發(fā)明提供了一種抽油泵運行狀態(tài)識別方法，本發(fā)明將目標(biāo)灰度圖像的目標(biāo)特征 向量輸入至RWELM中，經(jīng)RWELM運算后即可輸出運行狀態(tài)，以RWELM作為抽油泵運行狀態(tài)識 另IJ的模型，以示功圖和運行狀態(tài)作為訓(xùn)練數(shù)據(jù)對RWELM進行訓(xùn)練，在訓(xùn)練過程中將結(jié)構(gòu)風(fēng) 險最小化理論引入RWELM中，即采用調(diào)節(jié)參數(shù)對隱含層進行調(diào)節(jié)，解決了傳統(tǒng)極限學(xué)習(xí)機 過擬合問題，并且利用小波函數(shù)替代一般的隱含層激勵函數(shù)，克服了傳統(tǒng)極限學(xué)習(xí)機的局 部最優(yōu)的問題，并且可以實現(xiàn)多分類問題，具有診斷速度快、正確率高的優(yōu)勢。
[0065] 下面詳細介紹構(gòu)建RWELM的過程，如圖2所示，包括以下步驟：
[0066] 步驟S201 :根據(jù)抽油泵所有示功圖的不同特點，劃分抽油泵的多個運行狀態(tài)； [0067] 在具體應(yīng)用時，根據(jù)抽油泵所有示功圖的不同特點，劃分抽油泵的12個運行狀 態(tài)，將抽油泵運行狀態(tài)劃分為正常、液擊、供液不足、氣體影響、油井出砂、油井結(jié)蠟、油管 漏失、油桿斷脫、泵斷脫、游動閥漏失、固定閥漏失、活塞拔出泵共十二種運行狀態(tài)，其中后 i^一種狀態(tài)為不同的故障狀態(tài)。
[0068] 步驟S202 :獲取包含抽油泵所有運行狀態(tài)的多個示功圖的灰度圖像，并對多個示 功圖的灰度圖像進行預(yù)處理獲得多個示功圖矩陣，利用矩特征提取方法對每個示功圖矩陣 進行特征提取獲得多個不變矩，將所述多個不變矩作為每個示功圖矩陣對應(yīng)的特征向量 組；
[0069] 在具體實施時，本發(fā)明采用提取所有示功圖的七個不變矩，將每個示功圖的七個 不變矩作為該示功圖的特征向量組。
[0070] 步驟S203 :將多個特征向量組作為RWELM的輸入向量，將1、2、3…N的標(biāo)簽式向量 作為RWELM的輸出向量，所述輸出向量表不與特征向量對應(yīng)的運行狀態(tài)。
[0071] 將與每個示功圖對應(yīng)的運行狀態(tài)采用標(biāo)簽式向量表示，標(biāo)簽式向量較為簡單方 便，標(biāo)簽式向量的1、2、3···Ν分別對應(yīng)示功圖的12種運行狀態(tài)，通過標(biāo)簽式向量即可識別示 功圖的運行狀態(tài)。
[0072] 步驟S204 :確定RWELM輸入層和輸出層的節(jié)點數(shù)量，并利用交叉驗證法得到隱含 層的調(diào)節(jié)參數(shù)λ和隱含層的節(jié)點數(shù)量Ν，設(shè)定輸入層與隱含層之間的激勵函數(shù)為小波函數(shù) G(X)，其中，輸入層的節(jié)點數(shù)量Q與多個不變矩數(shù)量一致，輸出層的節(jié)點數(shù)量與抽油泵運行 狀態(tài)的數(shù)量一致；
[0073] RWELM中具有輸入層、隱含層和輸出層，其中輸入層的節(jié)點數(shù)量與多個不變矩的數(shù) 量一致，在本實施例將示功圖進行特征提取后得到的七個不變矩作為RWELM的輸入向量， 所以輸入層節(jié)點數(shù)量為7個。
[0074] 步驟S205 :隨機生成所述輸入層與所述隱含層之間的輸入權(quán)重向量Wi及偏置bp i = 1，2, "·，Ν，Ν為隱層節(jié)點數(shù)；
[0075] 步驟S206 :獲取訓(xùn)練樣本，所述訓(xùn)練樣本包括抽油泵示功圖的訓(xùn)練灰度圖像及在 該訓(xùn)練灰度圖像下抽油泵的運行狀態(tài)，對所述訓(xùn)練灰度圖像進行二值化處理后，利用矩特 征提取方式提取所述訓(xùn)練灰度圖像的多個不變矩，并將所述多個不變矩作為所述訓(xùn)練灰度 圖像的訓(xùn)練特征向量；
[0076] 步驟S207 :將訓(xùn)練特征向量輸入所述RWELM，計算得到所述隱含層的輸出矩陣H ;

【權(quán)利要求】
1. 一種抽油泵運行狀態(tài)識別方法，其特征在于，包括： 獲取抽油泵示功圖的目標(biāo)灰度圖像； 對所述目標(biāo)灰度圖像進行二值化處理后得到目標(biāo)示功圖矩陣，利用矩特征提取方法提 取所述目標(biāo)示功圖矩陣的多個不變矩，并將所述多個不變矩作為所述抽油泵示功圖的目標(biāo) 特征向量； 將所述目標(biāo)特征向量輸入至正則小波極限學(xué)習(xí)機RWELM，經(jīng)所述RWELM運算后輸出運 行狀態(tài)，所述RWELM為預(yù)先經(jīng)訓(xùn)練樣本訓(xùn)練后得到的、以抽油泵示功圖的特征向量為輸入、 以抽油泵的運行狀態(tài)為輸出的模型，其中所述ELM的輸入層與隱含層之間的激勵函數(shù)為小 波函數(shù)，所述隱含層的調(diào)節(jié)參數(shù)和隱含層的節(jié)點數(shù)量為利用交叉驗證法確定的。
2. 如權(quán)利要求1所述的方法，其特征在于，所述RWELM的構(gòu)建過程包括： 確定RWELM輸入層和輸出層的節(jié)點數(shù)量，并利用交叉驗證法得到隱含層的調(diào)節(jié)參數(shù)和 隱含層的節(jié)點數(shù)量，設(shè)定輸入層與隱含層之間的激勵函數(shù)為小波函數(shù)，其中，輸入層的節(jié)點 數(shù)量與多個不變矩數(shù)量一致，輸出層的節(jié)點數(shù)量與抽油泵運行狀態(tài)的數(shù)量一致； 隨機生成所述輸入層與所述隱含層之間的輸入權(quán)重向量及偏置； 獲取訓(xùn)練樣本，所述訓(xùn)練樣本包括抽油泵示功圖的訓(xùn)練灰度圖像及在該訓(xùn)練灰度圖像 下抽油泵的訓(xùn)練運行狀態(tài)，對所述訓(xùn)練灰度圖像進行二值化處理后，利用矩特征提取方式 提取所述訓(xùn)練灰度圖像的多個不變矩，并將所述多個不變矩作為所述訓(xùn)練灰度圖像的訓(xùn)練 特征向量； 將訓(xùn)練特征向量輸入所述RWELM，經(jīng)所述激勵函數(shù)、輸入權(quán)重和所述偏置運算后得到所 述隱含層的訓(xùn)練輸出矩陣； 按預(yù)設(shè)輸出權(quán)重公式計算輸出權(quán)重； 將由激勵函數(shù)、輸入權(quán)重、偏置和輸出權(quán)重組成的包括輸入層、隱含層和輸出層的模型 重新確定所述RWELM。
3. 如權(quán)利要求2所述的方法，其特征在于，所述將所述目標(biāo)特征向量輸入至正則小波 極限學(xué)習(xí)機RWELM，經(jīng)所述RWELM運算后輸出運行狀態(tài)包括： 將所述目標(biāo)特征向量輸入至所述RWELM中，經(jīng)所述激勵函數(shù)、輸入權(quán)重和所述偏置運 算后得到所述隱含層的目標(biāo)輸出矩陣； 將所述目標(biāo)輸出矩陣與所述輸出權(quán)重的乘積作為輸出運行狀態(tài)。
4. 如權(quán)利要求2所述的方法，其特征在于，所述RWELM的構(gòu)建過程還包括： 根據(jù)抽油泵所有示功圖的不同特點，劃分抽油泵的多個運行狀態(tài)； 獲取包含抽油泵所有運行狀態(tài)的多個示功圖的灰度圖像，并對多個示功圖的灰度圖像 進行預(yù)處理獲得多個示功圖矩陣，利用矩特征提取方法對每個示功圖矩陣進行特征提取獲 得多個不變矩，將所述多個不變矩作為每個示功圖矩陣對應(yīng)的特征向量組； 將多個特征向量組作為RWELM的輸入向量，將1、2、3…N的標(biāo)簽式向量作為RWELM的輸 出向量，所述輸出向量表不與特征向量對應(yīng)的運行狀態(tài)。
5. 如權(quán)利要求2所述的方法，其特征在于，所述利用交叉驗證法得到隱含層的調(diào)節(jié)參 數(shù)和隱含層的節(jié)點數(shù)量包括： 利用交叉驗證法確定隱含層的調(diào)節(jié)參數(shù)為0. 5,隱含層節(jié)點數(shù)量為14。
6. 如權(quán)利要求4所述的方法，其特征在于，對所述目標(biāo)灰度圖像進行二值化處理后得 到目標(biāo)示功圖矩陣包括：根據(jù)抽油泵所有示功圖的不同特點，劃分抽油泵的12個運行狀 態(tài)； 利用矩特征提取方法對每個示功圖矩陣進行特征提取獲得多個不變矩包括：利用矩特 征提取方法對每個示功圖矩陣進行特征提取獲得7個不變矩。
7. 如權(quán)利要求1所述的方法，其特征在于，對所述目標(biāo)灰度圖像進行二值化處理后得 到目標(biāo)示功圖矩陣包括： 利用全局閾值法確定進行二值化處理時的閾值； 針對所述目標(biāo)灰度圖像每個像素，將像素值大于所述閾值的修改為1，將像素值小于所 述閾值的修改為〇,獲得目標(biāo)示功圖矩陣。
8. 如權(quán)利要求7所述的方法，其特征在于，所述利用全局閾值法確定進行二值化處理 時的閾值包括： 獲取抽油泵示功圖的目標(biāo)灰度圖像，并確定閾值范圍； 計算目標(biāo)圖像和背景圖像的類間方差，所述閾值將所述目標(biāo)灰度圖像分為目標(biāo)圖像和 背景圖像； 在所述閾值范圍內(nèi)遍歷閾值，當(dāng)所述類間方差最大時確定當(dāng)前閾值為所需閾值。
9. 一種抽油泵運行狀態(tài)識別裝置，其特征在于，包括： 獲取單元，用于獲取抽油泵示功圖的目標(biāo)灰度圖像； 預(yù)處理單元，用于對所述目標(biāo)灰度圖像進行二值化處理后得到目標(biāo)示功圖矩陣，利用 矩特征提取方法提取所述目標(biāo)示功圖矩陣的多個不變矩，并將所述多個不變矩作為所述抽 油泵示功圖的目標(biāo)特征向量； 輸出單元，用于將所述目標(biāo)特征向量輸入至正則小波極限學(xué)習(xí)機RWELM，經(jīng)所述RWELM 運算后輸出運行狀態(tài)，所述RWELM為預(yù)先經(jīng)訓(xùn)練樣本訓(xùn)練后得到的、以抽油泵示功圖的特 征向量為輸入、以抽油泵的運行狀態(tài)為輸出的模型，其中所述RWELM的輸入層與隱含層之 間的激勵函數(shù)為小波函數(shù)，所述隱含層的調(diào)節(jié)參數(shù)和隱含層的節(jié)點數(shù)量為利用交叉驗證法 確定的。
10. 如權(quán)利要求9所述的裝置，其特征在于，還包括： 構(gòu)建模型單元，用于確定RWELM輸入層和輸出層的節(jié)點數(shù)量，并利用交叉驗證法得到 隱含層的調(diào)節(jié)參數(shù)和隱含層的節(jié)點數(shù)量，設(shè)定輸入層與隱含層之間的激勵函數(shù)為小波函 數(shù)，其中，輸入層的節(jié)點數(shù)量與多個不變矩數(shù)量一致，輸出層的節(jié)點數(shù)量與抽油泵運行狀態(tài) 的數(shù)量一致；隨機生成所述輸入層與所述隱含層之間的輸入權(quán)重向量及偏置；獲取訓(xùn)練樣 本，所述訓(xùn)練樣本包括抽油泵示功圖的訓(xùn)練灰度圖像及在該訓(xùn)練灰度圖像下抽油泵的訓(xùn)練 運行狀態(tài)，對所述訓(xùn)練灰度圖像進行二值化處理后，利用矩特征提取方式提取所述訓(xùn)練灰 度圖像的多個不變矩，并將所述多個不變矩作為所述訓(xùn)練灰度圖像的訓(xùn)練特征向量；將訓(xùn) 練特征向量輸入所述RWELM，經(jīng)所述激勵函數(shù)、輸入權(quán)重和所述偏置運算后得到所述隱含層 的訓(xùn)練輸出矩陣；按預(yù)設(shè)輸出權(quán)重公式計算輸出權(quán)重；將由激勵函數(shù)、輸入權(quán)重、偏置和輸 出權(quán)重組成的包括輸入層、隱含層和輸出層的模型重新確定所述RWELM。
【文檔編號】G06K9/66GK104361365SQ201410729630
【公開日】2015年2月18日 申請日期:2014年12月4日 優(yōu)先權(quán)日:2014年12月4日
【發(fā)明者】那文波, 紀云鋒, 蘇志偉, 張平, 方俊偉, 王萍 申請人:杭州和利時自動化有限公司, 中國計量學(xué)院