基于混合智能技術(shù)的抽油機(jī)電力故障診斷方法的研究?

高偉華

（國(guó)家電網(wǎng)大慶供電公司客戶(hù)服務(wù)中心 大慶 163300）

1 引言

人工智能經(jīng)過(guò)數(shù)十年發(fā)展，已經(jīng)廣泛應(yīng)用于工業(yè)生產(chǎn)輔助決策、故障診斷及工程監(jiān)測(cè)的各領(lǐng)域，并發(fā)揮著極大的作用，如CM-BOSS系統(tǒng)［1］，PCRC生產(chǎn)預(yù)警監(jiān)測(cè)系統(tǒng)［2］等。隨著企業(yè)及工業(yè)生產(chǎn)規(guī)模不斷擴(kuò)大，對(duì)故障診斷和異常分析的精細(xì)化程度逐步提高，伴隨知識(shí)體系的不斷完善，單一智能方法已經(jīng)無(wú)法滿(mǎn)足當(dāng)前對(duì)智能化故障診斷的實(shí)際需求［3］。于是，采用多種智能技術(shù)，合理設(shè)計(jì)生產(chǎn)異常故障診斷方法，提供切實(shí)可用的輔助分析方案成為提高智能化應(yīng)用準(zhǔn)確率和有效性的關(guān)鍵［4］。

領(lǐng)域決策者和專(zhuān)家的經(jīng)驗(yàn)及思維方式對(duì)于智能化應(yīng)用至關(guān)重要。雖然通過(guò)知識(shí)發(fā)現(xiàn)、不確定性推理等手段可以很好地發(fā)現(xiàn)異常發(fā)生規(guī)律，較好地解決相關(guān)領(lǐng)域內(nèi)的故障認(rèn)定，風(fēng)險(xiǎn)評(píng)價(jià)，措施優(yōu)選等問(wèn)題，但是依舊存在以下缺陷：1）針對(duì)生產(chǎn)異常故障診斷的知識(shí)準(zhǔn)確率不高，自學(xué)習(xí)和自適應(yīng)能力較差；2）故障診斷知識(shí)可復(fù)用性差，導(dǎo)致推理過(guò)程運(yùn)算冗余較大，響應(yīng)時(shí)間較長(zhǎng)；3）工程預(yù)警、異常診斷等推理存在故障并發(fā)、復(fù)合異常等情況，傾向性和置信度計(jì)算不夠準(zhǔn)確。

針對(duì)上述問(wèn)題，研究基于混合智能技術(shù)的抽油機(jī)電力故障診斷方法，定義生產(chǎn)異常規(guī)則結(jié)構(gòu)，構(gòu)建BP神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)知識(shí)發(fā)現(xiàn)及自適應(yīng)自校正過(guò)程；采用多級(jí)框架結(jié)構(gòu)構(gòu)建知識(shí)庫(kù)，降低知識(shí)推理過(guò)程的復(fù)雜性；引入論據(jù)累積的貝葉斯方法，提高復(fù)合異常的推理能力，并最終形成基于混合智能技術(shù)的抽油機(jī)電力故障診斷方法，以達(dá)到精確描述抽油機(jī)電力故障原因，擴(kuò)展知識(shí)表達(dá)方式，提高故障診斷速度和準(zhǔn)確率的目的。

2 生產(chǎn)異常規(guī)則結(jié)構(gòu)

專(zhuān)家組對(duì)于領(lǐng)域內(nèi)與事務(wù)相關(guān)的知識(shí)界定和分類(lèi)較為準(zhǔn)確，知識(shí)的結(jié)構(gòu)具有一定通用性［4～5］。將知識(shí)的表達(dá)轉(zhuǎn)化為抽象的邏輯表示形式是實(shí)現(xiàn)高效推理的基礎(chǔ)。

規(guī)則結(jié)構(gòu)是知識(shí)依據(jù)相同算法聚類(lèi)抽象形成的閉包［6］，由結(jié)構(gòu)主體 Rc和擴(kuò)展集 RE組成，其中Rc算法實(shí)體由D-Ag算法庫(kù)提供。以n位專(zhuān)家組成的專(zhuān)家組，領(lǐng)域內(nèi)存在某事務(wù)W，給出與事務(wù)W相關(guān)的規(guī)則結(jié)構(gòu)一般表述形式為

2.1 規(guī)則主體結(jié)構(gòu)

定義導(dǎo)向函數(shù)T(n)，給出案例主體Rc的一般表述形式為

其中ID反應(yīng)該規(guī)則唯一性，標(biāo)準(zhǔn)表達(dá)結(jié)構(gòu)如式（1）所示

Desc表示該規(guī)則結(jié)構(gòu)的自然語(yǔ)言描述；門(mén)類(lèi)T(Frame)包括環(huán)切型和值切型；T(An)表示映射算法實(shí)體；權(quán)值T(Value)表示該隸屬程度，反應(yīng)該滿(mǎn)足結(jié)論的程度；Ot表示規(guī)則結(jié)論。

2.2 規(guī)則擴(kuò)展集結(jié)構(gòu)

擴(kuò)展集RE由描述支持規(guī)則推理和擬合運(yùn)算的參數(shù)集合構(gòu)成。參數(shù)集以數(shù)據(jù)實(shí)例形式存儲(chǔ)，并以鏈表形式反應(yīng)參數(shù)間關(guān)系。

擴(kuò)展集包括必備線(xiàn)性因素和非必備線(xiàn)性因素。定義規(guī)則導(dǎo)向函數(shù)F(n)，給出其一般表示形式為

ID與Rc存在唯一映射關(guān)系；F(kind)標(biāo)注擴(kuò)展類(lèi)型，反應(yīng)擴(kuò)展集遞推方法；F(order)表示擴(kuò)展集的指針序列；F(Value)表示規(guī)則槽值；F(desc)表示規(guī)則的自然語(yǔ)言描述。

于是，在一個(gè)規(guī)則內(nèi)，Rc與RE的對(duì)應(yīng)關(guān)系可描述為

其中U(RE|n)表示n維 RE子集（n＞1）；對(duì)應(yīng)關(guān)系表達(dá)式滿(mǎn)足T(Rcn)=U(RE|n)；運(yùn)算復(fù)雜度如式（2）所示。

2.3 知識(shí)的表達(dá)方式

知識(shí)作為規(guī)則的實(shí)例化［7］，除繼承FC規(guī)則閉包的全部元素外，包括事務(wù)類(lèi)型Wk，框架對(duì)象Fr及用于計(jì)算槽值隸屬度的G，給出知識(shí)的一般表示形式如下

其中，事務(wù)類(lèi)型Wk包括反應(yīng)事務(wù)發(fā)生類(lèi)型及發(fā)生定級(jí)；框架對(duì)象Fr反應(yīng)該知識(shí)所隸屬框架對(duì)象；槽值隸屬度的G用于計(jì)算框架匹配程度及規(guī)則滿(mǎn)意度，用以進(jìn)一步計(jì)算該知識(shí)滿(mǎn)足推理后件的概率。

3 BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

BP網(wǎng)絡(luò)是按層次結(jié)構(gòu)構(gòu)造［8～9］，包括一個(gè)輸入層，一個(gè)輸出層和一個(gè)（或多個(gè)）隱含層，一層內(nèi)的節(jié)點(diǎn)（神經(jīng)元）只和該層緊鄰的下一層的各節(jié)點(diǎn)連接。

定義：wi，j表示上一層單元i到本層單元j的連接權(quán)。表示單元j的偏置。On表示單元n的輸出。

1）提供訓(xùn)練集，輸入數(shù)據(jù)向量為x1，x2…xn輸入層節(jié)點(diǎn)j的輸出為xj1=f(xj)，為了使BP網(wǎng)絡(luò)隱含層的輸入規(guī)范化，定義歸一函數(shù)如式（4）所示：

其中 Xmin為節(jié)點(diǎn)輸入的（2）隱含層及輸出層的輸入如式（5）所示：

偏置θj用來(lái)充當(dāng)閾值，改變單元的活性。

2）將激活函數(shù)作用于輸入向量逐級(jí)計(jì)算輸出值。激活函數(shù)選用了S型函數(shù)對(duì)于節(jié)點(diǎn)J輸出如式（6）所示。

3）BP網(wǎng)絡(luò)的權(quán)值調(diào)整基于實(shí)際輸出與期望輸出的最小均方差如式（7）所示：

C表示輸出層單元數(shù)；Tk表示輸出層單元k的期望輸出。

4）為了使學(xué)習(xí)以盡可能減小誤差均方差的方式進(jìn)行，因此，采用使E沿梯度方向下降的方式進(jìn)行調(diào)整：

對(duì)于中間隱層，則采用遞歸的方法從輸出節(jié)點(diǎn)K返回到中間隱層。

5）權(quán)重，單元偏置的修改公式為

用步驟5）多次修改網(wǎng)絡(luò)權(quán)值，直到達(dá)到精度要求或網(wǎng)絡(luò)不收斂。

由上式可知：當(dāng)前一次的校正量過(guò)調(diào)時(shí)，慣性項(xiàng)與本次誤差校正項(xiàng)符號(hào)相反，使得本次實(shí)際校正量減小，起到減振蕩的作用；當(dāng)前次校正量欠調(diào)時(shí)，慣性項(xiàng)與本次誤差校正項(xiàng)符號(hào)相同，起到加速校正的作用。另外，動(dòng)量因子還可以防止學(xué)習(xí)過(guò)程在錯(cuò)誤表面上的表層局部最小化時(shí)終止。

4 抽油機(jī)電力故障知識(shí)庫(kù)模型（UnM）設(shè)計(jì)

不確定性知識(shí)庫(kù)（UnM）采用多級(jí)框架-產(chǎn)生式結(jié)構(gòu)［10］?？蚣芟到y(tǒng)反應(yīng)業(yè)務(wù)分類(lèi)情況，產(chǎn)生式系統(tǒng)直接參與知識(shí)推理過(guò)程。

多級(jí)框架由多個(gè)單體框架構(gòu)成。單體框架反應(yīng)領(lǐng)域內(nèi)與事務(wù)相關(guān)的推理描述；基本邏輯結(jié)構(gòu)由槽集Kn、社會(huì)性關(guān)系Cm及行為信息U(f)組成。給出一般描述形式如下：

槽集Kn由多個(gè)槽構(gòu)成。單體槽由知識(shí)K、槽值Kv、默認(rèn)槽值 Kv'和槽值域Km?{0，1}組成，知識(shí)由RK-PS知識(shí)庫(kù)提供，反應(yīng)不同斜面的傾向度。

行為信息，也稱(chēng)為守護(hù)程序，表示在槽值未指定時(shí)，指向的修改動(dòng)作，通常以WHEN CHANGED形式記錄。

多級(jí)框架結(jié)構(gòu)的級(jí)聯(lián)關(guān)系由單體框架的社會(huì)性關(guān)系Cm描述。Cm反映框架本體與其他框架的子父類(lèi)情況，標(biāo)識(shí)其在多級(jí)框架的位置。定義單體框架Fm，其社會(huì)性關(guān)系Cm的一般表述形式如下：

其中，son_Fm表示Fm的子框架，定義標(biāo)記變量sfn，則反映Fm在多級(jí)框架的位置標(biāo)記方式如下：

P_Fm表示Fm的父類(lèi)框架，用于校驗(yàn)子框架son_Fm的表述完整性，由于多級(jí)框架采用1-N映射，所以count(P_Fm)=1。

Is_End反映框架終結(jié)情況，也是區(qū)分框架實(shí)體行為發(fā)生標(biāo)準(zhǔn)。當(dāng)Is_End=0，則繼續(xù)索引子框架；當(dāng)Is_End=1，執(zhí)行守護(hù)程序WC。

F_Level描述框架的級(jí)別位置。F_Level與框架遍歷算法的復(fù)雜度o(n)的關(guān)系如式（8）所示：

由此可知，通常情況下，F(xiàn)_Level≤4；同時(shí)，對(duì)于高階高級(jí)框架系統(tǒng)可以采用經(jīng)驗(yàn)分解法EMD或聚類(lèi)算法拆解，降低其計(jì)算復(fù)雜度。

5 基于UnM的不確定性推理方法研究

不確定性推理方法（UnMF方法）以UnM知識(shí)庫(kù)為基礎(chǔ)，引入隸屬度和槽值作為確信因子，采用正向推理方式，分析高幅變化數(shù)據(jù)，對(duì)可能框架實(shí)施推理并計(jì)算最優(yōu)解。主要推理算法如下描述：

Start：遞歸父類(lèi)框架；

S1.獲取高幅變化案例，遞歸子框架；

S2.遍歷分析終結(jié)框架Fz；

S3.獲取槽集知識(shí)前件；

S4.反向定位父類(lèi)規(guī)則集R；

S5.反射推理，定位匹配算法；

S6.計(jì)算規(guī)則R符合程度；

S7.計(jì)算框架滿(mǎn)意度；

S8.判斷事務(wù)發(fā)生概率；

S9.返回S2；

Result：給出超閾的框架U(Fz)，分析觸發(fā)原因。

最終，返回域U(Fz)即為框架的匹配結(jié)果。其中，通過(guò)反射推理方法定位匹配算法是實(shí)現(xiàn)觸發(fā)式運(yùn)算實(shí)體主動(dòng)運(yùn)算的關(guān)鍵。

5.1 逆向定位算法

擬合算法或函數(shù)是規(guī)則R前件條件匹配計(jì)算的主體內(nèi)容。通過(guò)規(guī)則R內(nèi)描述的擬合算法，在算法庫(kù)中搜索算法實(shí)體并實(shí)施條件匹配，是知識(shí)推理的關(guān)鍵步驟。反射推理方法是實(shí)現(xiàn)這一關(guān)鍵步驟的核心技術(shù)。

反射推理方法的作用對(duì)象是元數(shù)據(jù)，本質(zhì)是一種定位、捕獲和使用元數(shù)據(jù)的方法。元數(shù)據(jù)由算法庫(kù)內(nèi)算法實(shí)體構(gòu)成。支持反射推理的組件由輸入接口、定位模塊、反射執(zhí)行模型和校驗(yàn)?zāi)K組成。

以規(guī)則前件的條件匹配過(guò)程為例，反射推理具體執(zhí)行步驟如下：

Start.基于算法描述獲取目標(biāo)算法；

S1.分析并獲取算法的類(lèi)型信息及參數(shù)定義；

S2.動(dòng)態(tài)創(chuàng)建反射對(duì)象Rf；

S3.索引內(nèi)搜索并定位目標(biāo)算法實(shí)體P；

S4.創(chuàng)建實(shí)例 P′，賦值Rf；

S5.校驗(yàn)Rf，執(zhí)行 P′；

End.返回計(jì)算結(jié)果。

最終返回結(jié)果將作為規(guī)則R的置信度，反射推理方法的知識(shí)推理過(guò)程存在并發(fā)沖突及不確定性界定問(wèn)題。并發(fā)沖突可采用論據(jù)累積的貝葉斯方法解決，不確定性界定可通過(guò)確信因子計(jì)算判定。

5.2 論據(jù)累積的貝葉斯方法

定義知識(shí)k的事實(shí)論據(jù) pH，隸屬概率G(k)，權(quán)值V(k→r)，建立三者聯(lián)系如式（9）所示

r表示知識(shí)k的隸屬規(guī)則。定義事件E，H分別表示不同知識(shí)闡述的事實(shí)，H表示假設(shè)，事件關(guān)系為OR，重寫(xiě)貝葉斯公式如式（10）所示：

其中：p(H)為事件H發(fā)生的先驗(yàn)概率；p(E|H)為事件H發(fā)生后的論據(jù)E概率；p(﹁H)是事件H不發(fā)生的先驗(yàn)概率；p(E|﹁H)是事件H不發(fā)生時(shí)候論據(jù)E的概率。

由貝葉斯方法衍生，累計(jì)計(jì)算事實(shí)論據(jù)E下的非單一假設(shè)H1-Hi的發(fā)生概率；或給定多事實(shí)論據(jù)E1-En，反向推廣假設(shè)H的發(fā)生概率。

假設(shè)事實(shí)H1-Hi、E1-En相互獨(dú)立且完備，則H1-Hi|E的情況如式（11）描述：

對(duì)于H1-Hi|En的情況如式（12）描述：

由于所有組合條件的概率計(jì)算難度較大，所以忽略微小論據(jù)差異，并假設(shè)條件獨(dú)立，式（13）描述了論據(jù)累計(jì)的貝葉斯方法。

5.3 校驗(yàn)算法

在獲取不確定性多級(jí)框架滿(mǎn)意度結(jié)果后，需要校驗(yàn)其可信度。設(shè)定單體框架誤差精度λ0，依據(jù)距離偏移誤差公式得：

其中ψps表示在槽值點(diǎn)Tps，預(yù)期結(jié)果F(Tps)與實(shí)際值dkps的偏移差；計(jì)算平均誤差率

及最大誤差率

當(dāng) λmax＜λ時(shí)，認(rèn)為框架匹配度較高；當(dāng)λ＜λmax，λ_＜λ時(shí)，認(rèn)為框架結(jié)果發(fā)生局部偏差，將進(jìn)行局部重新計(jì)算。當(dāng) λ＜λmax，λ＜ λ_時(shí)，認(rèn)為該框架結(jié)果需要進(jìn)行重新計(jì)算或舍棄。

6 設(shè)計(jì)實(shí)例

以HimF方法為理論基礎(chǔ)，設(shè)計(jì)抽油機(jī)電力故障診斷模型，通過(guò)分析計(jì)算油井單井抽油機(jī)生產(chǎn)狀態(tài)中的電力檢測(cè)數(shù)據(jù)［11］，結(jié)合油藏地質(zhì)學(xué)理論知識(shí)和生產(chǎn)經(jīng)驗(yàn)，獲取電力故障原因分析，實(shí)現(xiàn)故障推理診斷，并應(yīng)用在大慶油田某采油廠(chǎng)地質(zhì)大隊(duì)、作業(yè)大隊(duì)等相關(guān)單位。為了縮小地質(zhì)師和作業(yè)工程師的初次界定范圍，規(guī)避客觀環(huán)境影響，通過(guò)與油藏學(xué)家及上游生產(chǎn)信息系統(tǒng)（PCEDM）設(shè)計(jì)師的反復(fù)交流和推敲［12］，建立電力故障診斷知識(shí)庫(kù)，并定義抽油機(jī)電力故障原因代碼對(duì)應(yīng)關(guān)系，如表1所示。

表1 抽油機(jī)電力故障原因代碼表

6.1 BP神經(jīng)網(wǎng)絡(luò)建立與訓(xùn)練

抽取了310個(gè)訓(xùn)練樣本，100個(gè)正常樣本，不平衡、斷脫、偏磨各70個(gè)樣本，每個(gè)樣本都包括38個(gè)輸入?yún)?shù)（32個(gè)采樣點(diǎn)，6個(gè)特征值），所有樣本均經(jīng)過(guò)歸一化處理。選用三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，其中，輸入層有38個(gè)節(jié)點(diǎn)，隱層有15個(gè)節(jié)點(diǎn)，輸出層有4個(gè)節(jié)點(diǎn)。

網(wǎng)絡(luò)的初始權(quán)值和閾值：輸入層至隱層的連接權(quán)wij、隱層至輸出層的連接權(quán)vjk、隱層各單元的輸出閾值θj、輸出層各單元的輸出閾值γj，都選取為（-1，1）之間的隨機(jī)數(shù)，網(wǎng)絡(luò)隱層的傳遞函數(shù)和輸出的傳遞函數(shù)均采用S（sigmoid）型函數(shù)，利用動(dòng)量BP算法，替代原BP算法中的梯度下降法訓(xùn)練神經(jīng)網(wǎng)絡(luò)，求出最佳網(wǎng)絡(luò)連接權(quán)值和閾值。所建立的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 三層BP網(wǎng)絡(luò)結(jié)構(gòu)

利用選取的數(shù)據(jù)樣本作為網(wǎng)絡(luò)訓(xùn)練的原始樣本，確定初始連接值和閾值后利用Delphi編程，訓(xùn)練的速度為0.1，訓(xùn)練誤差精度為0.001，網(wǎng)絡(luò)訓(xùn)練直到滿(mǎn)足精度要求為止，得出最終的各個(gè)連接權(quán)值和閾值，訓(xùn)練結(jié)束，性能曲線(xiàn)見(jiàn)圖2。

圖2 訓(xùn)練性能曲線(xiàn)

使用20個(gè)校驗(yàn)樣本，用校驗(yàn)數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行檢驗(yàn)，檢驗(yàn)結(jié)果如表2所示。

表2 校驗(yàn)結(jié)果

由實(shí)驗(yàn)數(shù)據(jù)可以看出，根據(jù)故障代碼和檢驗(yàn)結(jié)果，輸出節(jié)點(diǎn)1的輸出值為0.9214，已經(jīng)比較接近1，可以判斷為正常狀態(tài)；不平衡狀態(tài)時(shí)，輸出點(diǎn)2的輸出值是0.8687，也可以作出判斷；其他狀態(tài)所對(duì)應(yīng)的輸出點(diǎn)的輸出值都在0.85以上，診斷結(jié)果與實(shí)測(cè)值具有良好的一致性，診斷誤差滿(mǎn)足要求，能夠與實(shí)際的檢驗(yàn)樣本狀態(tài)相吻合，可見(jiàn)該BP神經(jīng)網(wǎng)絡(luò)完全可以滿(mǎn)足抽油機(jī)常見(jiàn)電力故障的診斷要求。

6.2 知識(shí)推理實(shí)例描述

定義KM2表示抽油桿斷脫斷電框架，框架內(nèi)槽可用KM2C1-KM2C6表示。將KM2框架內(nèi)的知識(shí)歸結(jié)為表3所示規(guī)則。

表3 規(guī)則及知識(shí)表達(dá)實(shí)例

其中對(duì)象A表示槽的數(shù)據(jù)實(shí)體；KM2C2（電壓驟減）是規(guī)則（對(duì)象A環(huán)比下降）中閾值參數(shù)等于0的特殊情況，KM2C4（電流值極?。┦且?guī)則中閾值參數(shù)等于參數(shù)本身的特殊情況。給出槽（C）的權(quán)值（v）如下表示

6.3 實(shí)驗(yàn)結(jié)果對(duì)比

為進(jìn)行并發(fā)測(cè)試，同時(shí)選用電壓波動(dòng)和電流曲線(xiàn)失衡異常作為并發(fā)測(cè)試條件［13］。給出單次周期內(nèi)產(chǎn)量擬合實(shí)驗(yàn)離散點(diǎn)分布如圖3所示。

圖3 產(chǎn)油量離散點(diǎn)分布圖

篩選某采油廠(chǎng)北六區(qū)塊108口油井異常井，計(jì)算所有井的框架隸屬程度。定義隸屬程度閾值為55%。給出與真實(shí)情況的對(duì)比及與常規(guī)方法的數(shù)據(jù)對(duì)比分析如表4所示。

表4 多方法診斷結(jié)果數(shù)據(jù)對(duì)比

由表2、表4可得到以下結(jié)論：

1）基于改進(jìn)的動(dòng)量法BP神經(jīng)網(wǎng)絡(luò)的故障診斷結(jié)果與實(shí)測(cè)值具有良好的一致性，正確率可達(dá)86%以上，但需要足夠典型的原始故障樣本。

2）傳統(tǒng)方法的并發(fā)誤差率較大，處理單電機(jī)電力異常診斷同樣存在誤差，對(duì)于復(fù)雜因素的分析能力較差。

3）HimF方法準(zhǔn)確率明顯好于傳統(tǒng)方法，但在曲線(xiàn)失衡和電機(jī)高速等多映射原因分析過(guò)程中依舊存在誤差。

4）真實(shí)現(xiàn)場(chǎng)分析過(guò)程準(zhǔn)確率較高，但成本消耗高，實(shí)時(shí)性較差。

以HimF方法為基礎(chǔ)開(kāi)發(fā)的抽油機(jī)電力故障診斷及預(yù)警系統(tǒng)，電力設(shè)備異常診斷輔助分析系統(tǒng)已經(jīng)正常工作，因其對(duì)專(zhuān)家意見(jiàn)的深度合理分析，較好的自適應(yīng)性和相對(duì)簡(jiǎn)單的應(yīng)用過(guò)程受到了應(yīng)用單位的較好評(píng)價(jià)。

7 結(jié)語(yǔ)

論文提出了一種基于混合智能技術(shù)的定義生產(chǎn)異常規(guī)則結(jié)構(gòu)（PAC結(jié)構(gòu)），設(shè)計(jì)基于的動(dòng)量法BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)特征變化趨勢(shì)和規(guī)律的描述；其次，采用規(guī)則-知識(shí)衍生方式，設(shè)計(jì)抽油機(jī)電力故障知識(shí)庫(kù)結(jié)構(gòu)；最后，采用正向推理方式，提出逆向定位算法，應(yīng)用論據(jù)累積的貝葉斯方法實(shí)現(xiàn)沖突消解，完成基于混合智能技術(shù)的抽油機(jī)電力故障診斷方法（HimF方法）的研究，以此達(dá)到精確描述抽油機(jī)電力故障原因，擴(kuò)展知識(shí)表達(dá)方式，提高故障診斷速度和準(zhǔn)確率的目的。