摘要：单一视角下部分不同类型的工况样本相似会导致故障诊断准确率不高、无标记样本未被使用等问题，为进一步提高有杆泵抽油井故障诊断准确率，有效利用无标记样本，充分利用示功图和电功率两种数据，采用Laplacian正则和协同训练算法设计了抽油井故障诊断方法。首先，将Laplacian正则引入到协同训练模型中，以提高初始分类器精度；其次，以示功图和电功率作为特征视角，利用三层小波包变换提取视角特征，使用特征数据训练出对应的初始分类器，两者之间交换未知信息并更新分类器，提高模型的精确性；最后，应用该方法对某采油厂抽油机井的6种典型工况进行识别，并与标准协同训练、有监督学习方法进行比较。结果表明：在有标记样本较少时，该方法识别准确率优于仅使用示功图的SVM、仅使用电功率的SVM、标准协同训练，分别提高了约23.4%、20.83%、3.42%，验证了该方法的有效性。
关键词：故障诊断,协同训练,Laplacian正则,抽油井
0引言
有杆泵抽油系统是目前石油开采中普遍采用的人工举升方式。抽油泵工作环境恶劣，受地质环境、机械设备等因素影响，抽油系统工况复杂多变。因此，对于提高油井的经济效益而言，精确识别抽油系统的故障工况至关重要。
示功图和电功率是有杆泵抽油系统故障诊断的主要数据来源，常见的故障诊断主要是利用示功图或电功率结合人工智能方法进行工况识别：王通和熊涛理[1]针对深度信念网络在油井工况诊断中由于梯度扩散导致训练效果差，提出一种基于改进Adam优化算法的深度信念网络油井工况诊断方法；董巧玲[2]将不变矩与傅里叶描述子相复合以提取示功图特征，用改进的自组织特征映射网络对抽油机示功图进行故障诊断；Zheng等[3]考虑到阀的工作点和有杆抽油系统的工作周期等重要参数，从电功率中提取出7个新的特征，采用自定义的带时间窗的多重隐藏条件随机场模型作为分类器来识别不同的工况；Wei和Gao[4]设计了基于卷积神经网络的特征提取器，通过将卷积神经网络的输出与基于力学分析提取的手动特征合并，弥补了专家经验在电功率方面的不足，采用广义学习系统作为分类器，解决了系统结构的实时更新问题。上述研究使得抽油机井故障诊断技术得到不断发展，并且应用效果越来越好，但也存在一些不足：一是多数研究仅考虑了单视角数据，油井工况复杂多变，不同故障所表现出的现象可能相似，用单一信息源判断油井工况易产生误报现象。如游动凡尔失灵和抽油杆断脱在示功图上反映特点相似，游动凡尔漏失和游动凡尔失灵在电功率上反映特点相似[5]。二是大多数研究采用有监督学习方式，需要大量的标注样本，样本标注费时费力，而无标记样本利用率不高。协同训练（co-train⁃ing）[6]是非常有效的半监督学习方法，其关键思想是利用不同视角的分类器互相纠正和补充，利用未标记数据进行模型训练和更新，提高分类器的性能和准确度。协同训练广泛应用于虚假评论识别[7-8]、故障诊断[9-11]、医学影像[12]、目标检测[13]等领域。多视角协同训练利用了两个不同视角下的目标特征信息，这些信息可以相互补充和完善，使得系统能够更准确地识别目标，相比于单视角的学习模型，多视角协同训练可以增强识别性能，提高系统的鲁棒性。研究表明[14-15]：流形信息与多视角特征相结合进行学习能够进一步提高识别结果。Lapla⁃cian正则是典型的正则化方法，与协同训练结合能有效利用大量未标记样本，提升分类性能[16]。本文以示功图、电功率为特征视角，以协同训练作为诊断方法，为提高初始分类器的精度，引入Laplacian正则化，建立诊断模型并应用于故障识别。
1算法
1.1 Laplacian正则SVM
Laplacian正则支持向量机（Laplacian Regularized Support Vector Machine，LapSVM）是在支持向量机（Support Vector Machine，SVM）的基础上加入Laplacian正则项，其核心是假设数分布在一个从原始高维空间中派生出来的子流形上，在子流形上，数据点呈现出一种更为直观和容易处理的结构，利用大量无标记的数据，可以推断出这些数据点的内在流形结构，然后将流形结构信息融入到分类器的设计中，旨在实现更高效和准确的分类。
1.2 Laplacian正则协同训练算法
与标准的协同训练算法[6]类似，本文研究的Lapla⁃cian正则协同训练采用了迭代式的运作方式。首先，在包括标记和未标记样本的样本集上，使用LapSVM训练初始分类器。每个分类器对未标记样本进行预测，并选择置信度较高的未标记样本，将其添加到对方训练集中。接着重新训练分类器，并重复此过程，直至达到预设的迭代次数或分类器的性能不再提升。每一轮迭代过程中，能够充分利用未标记样本的信息，更好地探索数据本身的流形结构。尤其在初始标记样本数量较少的情况下，能够获得较好的初始分类器，并避免引入噪声，从而提高最终分类器的性能。训练流程如下。
2故障诊断模型
2.1视角特征提取
在复杂生产环境下，不同原因所导致的现象可能相似，用单信息源分析油井工况易产生误判。示功图和电功率相互补充可以较全面地反映有泵抽油井的工况，因此，选择示功图、电功率作为特征视角。
由于抽油井型号各异，测得的载荷、位移范围有所不同，为方便特征提取，对示功图进行归一化预处理，公式如下：
式中：x与x′为归一化前后的光杆位移；y与y′为归一化前后的悬点载荷；xmax为最大光杆位移；xmin为最小光杆位移；ymax为最大悬点载荷；ymin为最小悬点载荷。
小波包分解可以将信号分解成一组具有不同频带的子带，从而更准确地捕获信号的局部特征，信号被分解为高频和低频信号，这种分解既无冗余，也无疏漏[18]。相对于小波分解只对低频部分分解，小波包分解在高频段具有更高的分辨率，大大提高了信号的局部时频分析能力，效果比传统方法更为突出[19-20]。利用三层小波包变换提取视角特征，其小波包分解树结构简图如图1所示。图中，S（0，0）为原始信号，其中节点L（1，0）代表小波包分解的第1层低频系数x10，节点H（1，1）代表小波包分解的第1层高频系数x11，其他依此类推。
小波包能量谱分析法是指将信号进行小波包分解，然后提取各个节点的能量作为特征，它在信号处理、故障诊断等领域具有广泛的应用。设有一时域信号x(t)，其时域能量可定义为：
式中：T为归一化后的向量，表示信号特征，有杆泵抽油井的工况类型可以通过对比能量谱图中的各个特征来识别。
2.2模型建立
故障诊断模型的训练流程如图2所示，对示功图视角、电功率视角的工况样本进行特征提取建立特征集，并生成训练集和测试集，其中训练集分为有标记训练集和无标记训练集。在不同视角上，分别用有标记示功图、有标记电功率训练LapSVM，训练后的LapSVM对未标记示功图、电功率进行预测；挑选示功图视角置信度较高的预测样本，添加到电功率视角的标记集中；挑选电功率视角置信度较高的预测样本，添加到示功图视角标记集中；利用更新的有标记训练集，分别重新训练分类器；迭代满足要求后，输出最终分类器。
3实验结果及分析
3.1数据获取
通过自主研发的抽油井智能测控仪，从某采油厂同步采集电功率、示功图等采油过程数据。油田现场如图3所示。
对示功图、电功率使用三层小波包变换进行特征提取并建立数据集。数据集包含正常、杆断、供液不足、柱塞遇卡、游动凡尔漏失、游动凡尔失灵6种工况，每个工况样本由同一时刻采集的示功图和电功率构成，每种工况有200个样本，共1 200个样本，实验时数据集中的工况样本分成训练集和测试集，训练集包含600个样本，每种工况各100个样本；测试集包含600个样本，每种工况各100个样本。
表1和表2分别展示了部分示功图和电功率经三层小波包变换提取的特征信息。
3.2实验分析
实验涉及到的正则化参数γA和γI的取值在{10e|e=-10,-9,…,10,9}之间调整。计算Laplacian矩阵的K近邻选取K=100。随着协同训练的进行，经过几轮训练后，分类器之间的差异变得非常小，无法进一步提高性能，为了避免浪费训练轮数，将迭代次数设置为10次。
在不同比例标记训练样本下，将本文所提诊断方法分别标准协同训练（Standard Co-training，Std-Co），有监督学习（SVM）对有杆泵抽油井故障诊断结果进行对比，实验结果如表3所示。由表可知，由于SVM不能利用无标记样本进行学习，因此当训练样本标记率较少时（10%），分类器只能学习到有限的样本信息，基于示功图或电功率的SVM诊断准确率不高，当训练样本标记率升高时，诊断准确率显著提升。
Std-Co和本文方法在训练样本标记较少时（10%）即可获得较高的准确率，随着训练样本标记率上升，二者准确率稳定且小幅提升；本文方法由于引入了Lapla⁃cian正则，能够更好地利用未标记样本，因此在训练样本标记率较少时分类能力优于Std-Co，随着训练样本标记率上升，Std-Co获得的有标记样本增多，能够学习到更充分的样本信息，与本文方法的差距逐渐缩小。
在不同比例标记训练样本时，Std-Co及本文方法识别准确率均明显高于仅利用了示功图或电功率的有监督学习SVM；少量标记（10%）训练样本时，本文方法识别准确率明显优于Std-Co。
表4对比了本文诊断方法使用不同特征提取方法在不同比例标记训练样本时的平均正确率，本文所用三层小波包变换正确率高于傅里叶变换、小波变换；每种特征提取方法的诊断正确率随着训练样本标记率的上升小幅稳定提升。
4结束语
针对单一视角下部分不同类型的工况样本相似而导致故障诊断准确率不高、有监督学习需要大量标记样本、无标记样本未被使用等问题，提出了基于Laplacian正则和协同训练的有杆泵抽油井故障诊断方法。以示功图和电功率作为视角，将三层小波包提取的特征向量作为诊断模型的输入值，进行有杆泵抽油井的故障诊断，最后将所提方法与SVM（示功图）、SVM（电功率）、Std-Co进行对比。结果表明本文方法在少量标记（10%）训练样本时，诊断效果优于SVM（示功图）、SVM（电功率）、Std-Co，验证了本文方法的有效性。
参考文献：
[1]王通,熊涛理.基于改进Adam-DBN的油井工况诊断方法[J].沈阳工业大学学报,2023,45(3):330-335.
[2]董巧玲.基于改进神经网络的抽油机故障智能诊断研究[J].西安石油大学学报(自然科学版),2022,37(6):124-132.
[3]ZHENG B Y,GAO X W,PAN R.Sucker rod pump working state diagnosis using motor data and hidden conditional random fields[J].IEEE Transactions on Industrial Electronics,2020,67(9):7919-7928.
[4]WEI J L,GAO X W.Fault diagnosis of sucker rod pump based on deep-broad learning using motor data[J].IEEE Access,2020(8):222562-222571.
[5]周斌.基于多视角学习的抽油机井工况识别方法研究[D].青岛:中国石油大学(华东),2019.
[6]BLUM A,MITCHELL T.Combining labeled and unlabeled data with co-training[C]//Proceedings of the Eleventh Annual Confer⁃ence on Computational Learning Theory.New York,UnitedStates:ACM,1998:92-100.
[7]杜茂康,叶琪.基于PCA与协同训练算法的虚假评论识别研究[J].计算机仿真,2019,36(2):452-457.
[8]张文,王强,步超骐,等.基于Co-training协同训练的在线虚假评论识别研究[J].系统工程理论与实践,2020,40(10):2669-2683.
[9]王得雪,林意,陈俊杰.协同训练算法在滚动轴承故障诊断中的应用[J].计算机工程与应用,2020,56(12):273-278.
[10]白浩,潘姝慧,邵向潮,等.基于小波去噪与随机森林的配电网高阻接地故障半监督识别方法[J].电力系统保护与控制,2022,50(20):79-87.
[11]潘用科,贺紫平,夏克文,等.改进的协同训练半监督SVM在油层识别中的应用[J].郑州大学学报(工学版),2022,43(1):14-19.
[12]汪洋,杨云.改进协同训练的肺部CT影像COVID-19病灶分割方法[J].计算机工程与设计,2023,44(8):2447-2453.
[13]王睿,樊思杨,许婧文,等.采用SVD协同训练的半监督实例级目标检测[J].光学精密工程,2023,31(13):2000-2007.
[14]IOSIFIDIS A,TEFAS A,PITAS I.Multi-view action recogni⁃tion based on action volumes,fuzzy distances andcluster dis⁃criminant analysis[J].Signal Processing,2013,93(6):1445-1457.
[15]LIU W F,LIU H L,TAO D P,et al.Multiviewhessian regularized logistic regression for action recognition[J].Signal Processing,2015,110:101-107.
[16]SINDHWANI V,NIYOGI P,BELKIN M.A co-regularized ap⁃proachto semi-supervised learning with multiple views[C]//Pro⁃ceedings of the 22nd International Conference on Machine⁃Learning.Cambridge,United States:MIT Press,2005:824-831.
[17]BELKIN M,NIYOGI P,SINDHWANI V.Manifold regulariza⁃tion:a geometric framework for learning from labeled and unla⁃beled examples[J].Journal of Machine Learning Research,2006,7(1):2399-2434.
[18]李博文,宋文广,徐加军,等.基于改进小波包结合CS-BP的地面驱动螺杆泵故障诊断[J].科学技术与工程,2023,23(13):5641-5646.
[19]李振东,李先祥,周星.基于小波包能量谱的工业机器人智能故障诊断[J].机床与液压,2022,50(23):194-198.
[20]涂志松.基于小波包和支持向量机的滚动轴承故障诊断[J].机电工程技术,2020,49(12):208-211.
文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/ligonglunwen/78166.html
