论文部分内容阅读
在当前原油生产中，有杆泵抽油方式占据很大比重。游梁式抽油机井是有杆泵抽油的一种方式。抽油机等采油设备大多是野外作业，地理位置分散，自然环境恶劣，而且抽油机的井下工况复杂，导致抽油机的故障诊断和处理不及时，严重影响油田的产量和效益。因此，及时分析抽油机工况，对提高原油开采效率和提升油田经济效益具有重要意义。在油田生产中，通常以示功图作为分析游梁式抽油机井工况的主要依据。本文的解决方案首先对示功图进行特征提取，然后利用无监督学习算法对提取得到的示功图特征向量数据集进行学习，从而实现故障诊断。 首先将地面示功图转化为井下泵示功图，然后对井下泵示功图进行尺寸归一化，最后利用课题组前期成果，采用两个特征提取方法，构造了两个示功图特征向量数据集。 结合SC算法适用于任意数据分布和黑洞(Black Hole，BH)算法对于初始中心不敏感的优点，本文提出了黑洞谱聚类(Black Hole Spectral Clustering，BH-SC)算法，避免SC算法对于初始中心敏感和数据分布对BH算法的影响。针对原始BH算法存在重复计算的问题，本文提出快速黑洞(Fast Black Hole，FBH)算法，并将其应用于SC算法，因此提出了快速黑洞谱聚类（Fast Black Hole Spectral Clustering，FBH-SC）算法，与BH-SC算法比较，在保持聚类效果基本不变的情况下，计算时间显著减少。本文将BH-SC算法和FBH-SC算法应用到两个示功图特征向量数据集中，聚类平均正确率均在80％以上，满足现场要求。 由于BH-SC算法和FBH-SC算法需要预先指定聚类数目和尺度参数，因此本文引入一个指标函数，对这个指标函数寻优，也即完成聚类过程。当这个指标函数最优时，得到最佳的聚类效果、聚类数目和最合适的尺度参数。其中，本算法利用第四章提出的FBH算法对指标函数寻优。本文将此自动确定聚类数目算法应用到两个示功图特征向量数据集中，最佳聚类数目均为实际故障类数，聚类平均正确率在80％以上，满足实际需求。将待诊断样本加入到曲线特征向量数据集中，利用此自动确定聚类数目算法对新数据集进行自动聚类，能够判断出待诊断样本所属的工况类型。