基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的抽油機(jī)故障智能診斷研究

董巧玲

（中國石油大慶油田有限責(zé)任公司采油工程研究院，黑龍江 大慶 163712）

引 言

抽油機(jī)示功圖是油田開采過程中判斷深井泵工作狀況和抽汲參數(shù)優(yōu)化的主要依據(jù)［1］。伴隨著大數(shù)據(jù)分析、云計(jì)算、物聯(lián)網(wǎng)、人工智能等多種信息技術(shù)的蓬勃發(fā)展和有效植入，未來油田將逐漸向自動(dòng)化、數(shù)字化、智能化油田的方向轉(zhuǎn)型。對(duì)于采油氣生產(chǎn)領(lǐng)域的抽油機(jī)井工況故障診斷技術(shù)，如何實(shí)現(xiàn)各種工況快捷、準(zhǔn)確的智能識(shí)別診斷，是國內(nèi)外石油科研人員的重點(diǎn)攻關(guān)方向之一?？偨Y(jié)國內(nèi)外有關(guān)抽油機(jī)井工況故障診斷的技術(shù)成果，目前常用的方法可歸納為5類：人工診斷分析法、專家系統(tǒng)、模糊理論法、灰色理論法和神經(jīng)網(wǎng)絡(luò)法［2］。其中，人工診斷分析法易受到采油現(xiàn)場(chǎng)情況、人工經(jīng)驗(yàn)、技術(shù)水平等主客觀因素的限制；專家系統(tǒng)過分依賴知識(shí)庫，知識(shí)庫更新不及時(shí)，且并行工作能力匱乏，適用性差；模糊理論法中所涉及的特征提取隸屬函數(shù)尚處于經(jīng)驗(yàn)階段仍不夠完善，缺乏統(tǒng)一的理論支撐；灰色理論法所需計(jì)算量大耗時(shí)長(zhǎng)，占用內(nèi)存大，應(yīng)用受到一定的限制；神經(jīng)網(wǎng)絡(luò)法目前應(yīng)用較多，采用計(jì)算機(jī)神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)示功圖進(jìn)行智能識(shí)別分類［3-6］，由于人工神經(jīng)網(wǎng)絡(luò)自身具備的自適應(yīng)、非局限性、實(shí)時(shí)學(xué)習(xí)和非線性擬合等特性［7-8］，適用于自帶非線性和不確定性的系統(tǒng)，通過尋找輸入端與輸出端的映射關(guān)系建立合適的網(wǎng)絡(luò)模型，以實(shí)現(xiàn)智能化故障診斷。人工神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)于實(shí)現(xiàn)油田開發(fā)中采油系統(tǒng)的自動(dòng)化、數(shù)字化和智能化具有重要意義和廣闊的應(yīng)用前景。

自組織特征映射網(wǎng)絡(luò)（SOM神經(jīng)網(wǎng)絡(luò)）是由全連接的神經(jīng)元組成的非線性大規(guī)模自適應(yīng)系統(tǒng)，具有自聯(lián)想記憶推理、較強(qiáng)的自學(xué)和容錯(cuò)能力［9］。神經(jīng)元通過彼此之間的競(jìng)爭(zhēng)，可實(shí)現(xiàn)類似于人腦神經(jīng)系統(tǒng)的“遠(yuǎn)抑制近興奮”響應(yīng)功能［10］。相比于個(gè)別BP神經(jīng)網(wǎng)絡(luò)，SOM神經(jīng)網(wǎng)絡(luò)在模型非線性擬合預(yù)測(cè)能力和識(shí)別類型等方面有較大改進(jìn)，同時(shí)在聚類分析上具有較好的適用性。本文針對(duì)XX油田采油現(xiàn)場(chǎng)抽油機(jī)井不同工況的示功圖，經(jīng)過算法優(yōu)選和診斷模型的評(píng)估對(duì)比，選用粒子群算法改進(jìn)后的自組織特征映射網(wǎng)絡(luò)進(jìn)行標(biāo)準(zhǔn)樣本的訓(xùn)練學(xué)習(xí)、仿真分析，以及待測(cè)樣本的示功圖工況診斷預(yù)測(cè)。

1 SOM 神經(jīng)網(wǎng)絡(luò)

SOM神經(jīng)網(wǎng)絡(luò)是由芬蘭專家Teuvo Kohonen于1981年首次提出的，屬于引入自組織特性的競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)［11-12］。自組織現(xiàn)象源自人類大腦細(xì)胞的自組織特性，不同區(qū)域的腦細(xì)胞“各司其職”，自行對(duì)應(yīng)處理不同的感官輸入，該特性并不完全取決于遺傳，相比而言其對(duì)后天的學(xué)習(xí)和訓(xùn)練依賴性更強(qiáng)。

典型的SOM神經(jīng)網(wǎng)絡(luò)模型二維陣列結(jié)構(gòu)如圖1所示，包含輸入層和競(jìng)爭(zhēng)層（輸出層）兩層網(wǎng)絡(luò)。輸入層共有m個(gè)神經(jīng)元，競(jìng)爭(zhēng)層中引入了網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，含有a×b個(gè)神經(jīng)元且以矩陣方式排列在二維空間中，兩層網(wǎng)絡(luò)的各神經(jīng)元之間全連接，可將輸入層類比為感知外界輸入信息的“視網(wǎng)膜”，競(jìng)爭(zhēng)層類比為做出響應(yīng)的“大腦皮層”。

圖1 二維陣列SOM 神經(jīng)網(wǎng)絡(luò)模型Fig．1 Two dimensional array SOM neural network model

SOM神經(jīng)網(wǎng)絡(luò)與競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)均采用無監(jiān)督的學(xué)習(xí)方式，兩者最大的異同點(diǎn)在于：SOM神經(jīng)網(wǎng)絡(luò)能夠識(shí)別輸入空間的鄰域部分，能夠?qū)τ?xùn)練樣本輸入向量的分布特征及拓?fù)浣Y(jié)構(gòu)進(jìn)行同步學(xué)習(xí)［13］。

通常模式的相似性是通過表征兩種模式的向量之間的距離大小進(jìn)行判定［14］，兩向量的相似性程度與計(jì)算的距離呈負(fù)相關(guān)。SOM神經(jīng)網(wǎng)絡(luò)輸入模式以模式相似性為依據(jù)進(jìn)行學(xué)習(xí)、競(jìng)爭(zhēng)、分類，通過對(duì)比、競(jìng)爭(zhēng)、調(diào)整、排序，來模擬人的生物神經(jīng)元網(wǎng)絡(luò)認(rèn)知過程的特性。在抽油機(jī)故障診斷過程中，SOM神經(jīng)網(wǎng)絡(luò)可實(shí)現(xiàn)不同工況的聚類和可視化，同時(shí)從輸入端到輸出端的“高維到低維的數(shù)據(jù)維度”，“非線性統(tǒng)計(jì)關(guān)系到可視化的簡(jiǎn)單幾何關(guān)系”均發(fā)生了轉(zhuǎn)化，當(dāng)轉(zhuǎn)化為神經(jīng)元二維模型后，其數(shù)據(jù)拓?fù)浣Y(jié)構(gòu)保持不變，即將“意義相似”的輸入信息映射到競(jìng)爭(zhēng)層中最近的輸出節(jié)點(diǎn)上［15］。

若將SOM神經(jīng)網(wǎng)絡(luò)直接應(yīng)用于抽油機(jī)示功圖故障診斷會(huì)存在一定的不足，傳統(tǒng)的SOM神經(jīng)網(wǎng)絡(luò)模型的權(quán)向量初始值一般隨機(jī)產(chǎn)生，當(dāng)神經(jīng)元初始權(quán)值與輸入向量距離過遠(yuǎn)，使其在競(jìng)爭(zhēng)中從未獲勝，也從未得到學(xué)習(xí)，將導(dǎo)致毫無意義的“死神經(jīng)元”形成，或個(gè)別神經(jīng)元獲勝次數(shù)過多而造成“過度利用”，很大程度上影響了網(wǎng)絡(luò)的收斂速度和學(xué)習(xí)效果。因此，采取有效的改進(jìn)算法對(duì)于提高SOM神經(jīng)網(wǎng)絡(luò)的性能和實(shí)際應(yīng)用效果具有重要意義。

2 基本原理

2．1 示功圖預(yù)處理特征參數(shù)提取原理

形狀不變矩法、傅里葉描繪子均屬于圖像特征描述常用的主要方法。形狀不變矩法算法復(fù)雜度小、魯棒性強(qiáng)，但計(jì)算量會(huì)隨著階數(shù)的增大而呈級(jí)數(shù)增長(zhǎng)，不利于實(shí)時(shí)應(yīng)用。傅里葉描繪子計(jì)算相對(duì)簡(jiǎn)單、計(jì)算量小，適用于示功圖曲線邊界的描述，但對(duì)于外界噪聲的抗干擾性差而不穩(wěn)定。因此，考慮到兩種特征描述方法各自的優(yōu)缺點(diǎn)可以互補(bǔ)，本文采用圖像不變矩和傅里葉描繪子復(fù)合的新方法，對(duì)示功圖進(jìn)行特征參數(shù)的提取，經(jīng)驗(yàn)證該復(fù)合特征提取法對(duì)于示功圖的圖像變換（包括旋轉(zhuǎn)、平移及縮放）的不變性表現(xiàn)出了較強(qiáng)的穩(wěn)定性和魯棒性，在示功圖樣本預(yù)處理的過程中實(shí)時(shí)運(yùn)算量減少，運(yùn)行速率和準(zhǔn)確率得到提高，對(duì)于載荷-位移曲線的特征識(shí)別具有通用性。

（1）二維圖像的不變矩

對(duì)于任意非負(fù)整數(shù)p、q，二維圖像的（p＋q）階矩

式中：（x，y）為圖像像素點(diǎn)坐標(biāo)，f（x，y）是二維圖像的灰度分布函數(shù)。（p＋q）階中心矩

歸一化處理后的（p＋q）階中心矩

通過歸一化可得到對(duì)圖像的旋轉(zhuǎn)、平移和縮放表現(xiàn)穩(wěn)定的7個(gè)不變矩特征值，計(jì)算公式如下：

（2）傅里葉描繪子

取xy平面上一條閉合曲線，在曲線上任取一點(diǎn)作為起始點(diǎn)（x0，y0），沿著順時(shí)針方向依次取N＋1個(gè)點(diǎn)到（xN，yN），得到一個(gè)表示曲線邊界的坐標(biāo)x，y；把N＋1個(gè)橫、縱坐標(biāo)賦值給U：

其中，n＝0，1，…，N；U（n）為復(fù)變量；x表示實(shí)部；y表示虛部。

對(duì)式（11）進(jìn)行快速傅里葉變換可得傅里葉描繪子

式中：k＝0，1，…，N。

歸一化后的傅里葉描繪子

利用不變矩和傅里葉描繪子復(fù)合法對(duì)抽油機(jī)示功圖（載荷-位移曲線）進(jìn)行特征參數(shù)提取。首先，計(jì)算載荷-位移曲線二維圖像的7個(gè)不變矩的特征序列，再利用傅里葉描繪子方法對(duì)該特征序列進(jìn)行傅里葉變換，計(jì)算示功圖特征參數(shù)。

2．2 改進(jìn)的SOM 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法

粒子群算法（PSO）源于生物界鳥群捕食的行為研究，是國際公認(rèn)的一種進(jìn)化尋優(yōu)算法。粒子群算法的基本思想是通過群體中個(gè)體之間的協(xié)作和信息共享來尋找最優(yōu)解［16］，具有算法簡(jiǎn)單，易于實(shí)現(xiàn)，調(diào)節(jié)參數(shù)較少，收斂速度快等優(yōu)點(diǎn)，目前被廣泛應(yīng)用于博弈學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)訓(xùn)練、系統(tǒng)最優(yōu)控制等領(lǐng)域［17］。

本文以傳統(tǒng)SOM神經(jīng)網(wǎng)絡(luò)權(quán)向量的賦值為研究重點(diǎn)，采用粒子群算法加以改進(jìn)優(yōu)化，通過PSO算法與Kohonen規(guī)則的結(jié)合，對(duì)神經(jīng)元的連接權(quán)值進(jìn)行輪替更新，從而減弱神經(jīng)元權(quán)向量初始值對(duì)SOM神經(jīng)網(wǎng)絡(luò)運(yùn)行效果的影響，以期改善SOM神經(jīng)網(wǎng)絡(luò)診斷性能。

首先，PSO算法部分，將SOM神經(jīng)網(wǎng)絡(luò)權(quán)向量看作一個(gè)個(gè)的粒子，將輸入模式與權(quán)向量之間的歐氏距離的疊加作為適應(yīng)度函數(shù)，迭代過程是尋找權(quán)值使此適應(yīng)度函數(shù)達(dá)到最小。利用PSO算法的速度位移公式全面更新網(wǎng)絡(luò)權(quán)值，當(dāng)?shù)欢ǖ拇螖?shù)后，再根據(jù)SOM神經(jīng)網(wǎng)絡(luò)的Kohonen規(guī)則訓(xùn)練調(diào)整網(wǎng)絡(luò)權(quán)值。具體步驟如下：

（1）用隨機(jī)數(shù)設(shè)定網(wǎng)絡(luò)權(quán)向量ωj的初始值，并選定一組輸入樣本 X1，X2，…，Xn。

（2）利用權(quán)向量ωj初始化PSO算法的粒子。

（3）PSO算法的適應(yīng)度函數(shù)f（Xi為輸入樣本）定義為所有輸入模式向量與權(quán)向量值之間歐氏距離的疊加。采用PSO算法迭代m次優(yōu)化更新各網(wǎng)絡(luò)權(quán)值 ωj，即

（4）將PSO算法優(yōu)化后的各粒子的值重新賦值予神經(jīng)網(wǎng)絡(luò)連接權(quán)值。

（5）SOM神經(jīng)網(wǎng)絡(luò)算法：對(duì)輸入向量、權(quán)值向量分別按

進(jìn)行歸一化計(jì)算處理。式中：x、ωj分別為輸入向量、權(quán)值向量相對(duì)應(yīng)的歐式長(zhǎng)度。

輸入樣本數(shù)據(jù)后，輸入樣本與權(quán)值向量進(jìn)行數(shù)量積矢量運(yùn)算，數(shù)量積最大值所對(duì)應(yīng)的輸出神經(jīng)元獲勝，因經(jīng)歸一化計(jì)算處理，故數(shù)量積最大相當(dāng)于二者之間的歐式距離最小。

根據(jù)運(yùn)算結(jié)果，將具有最小歐式距離的神經(jīng)元標(biāo)記為獲勝神經(jīng)元。

（6）根據(jù)Kohonen規(guī)則，對(duì)獲勝神經(jīng)元及其對(duì)應(yīng)的拓?fù)溧徲騼?nèi)神經(jīng)元的權(quán)值進(jìn)行調(diào)整修正：

式中：學(xué)習(xí)速率η為常數(shù)且滿足0＜η＜1，隨著時(shí)間t的變化逐漸逼近至0。

學(xué)習(xí)后的權(quán)值按式（15）進(jìn)行歸一化處理，學(xué)習(xí)速率η和拓?fù)溧徲騈C的大小按照排序和調(diào)整兩階段不斷進(jìn)行更新。

式中：f（*）一般為0～1函數(shù)或者其他非線性函數(shù)。

利用SOM 神經(jīng)網(wǎng)絡(luò)的算法進(jìn)行訓(xùn)練，迭代n次。

（7）若滿足預(yù)先設(shè)定的條件（最大迭代次數(shù)或精度要求）則算法結(jié)束；否則，重復(fù)執(zhí)行式（16）—式（21），直到達(dá)到目標(biāo)要求為止。

2．3 改進(jìn) SOM 神經(jīng)網(wǎng)絡(luò)抽油機(jī)工況故障診斷流程

改進(jìn)SOM神經(jīng)網(wǎng)絡(luò)應(yīng)用于抽油機(jī)示功圖的故障診斷識(shí)別可分為兩個(gè)階段：

（1）學(xué)習(xí)階段。首先，提取不同工況示功圖標(biāo)準(zhǔn)樣本的特征參數(shù)作為輸入樣本，按照PSO算法獲得最優(yōu)權(quán)值。然后，將其輸入至SOM神經(jīng)網(wǎng)絡(luò)中，經(jīng)模型的運(yùn)算得到輸出值，對(duì)比輸出值與期望值的差異；逐漸優(yōu)化更新連接的權(quán)值，使得輸出值和輸入值相適應(yīng)，直到滿足精度要求或達(dá)到期望的條件。

（2）診斷階段。對(duì)待檢測(cè)示功圖進(jìn)行預(yù)處理，獲取特征參數(shù)。將待檢測(cè)樣本的特征參數(shù)輸入網(wǎng)絡(luò)學(xué)習(xí)期建立的PSO-SOM神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模型進(jìn)行分析比較，實(shí)現(xiàn)待測(cè)示功圖的工況診斷。采用改進(jìn)SOM神經(jīng)網(wǎng)絡(luò)進(jìn)行抽油機(jī)工況故障診斷的流程如圖2所示。

圖2 基于改進(jìn)SOM 神經(jīng)網(wǎng)絡(luò)的抽油機(jī)示功圖故障診斷流程Fig．2 Fault diagnosis flow chart of pum ping unit indicator diagram based on im proved SOM neural network

3 應(yīng)用實(shí)例

3．1 標(biāo)準(zhǔn)數(shù)據(jù)采集和預(yù)處理

在采油現(xiàn)場(chǎng)通過曲柄位置傳感器和懸點(diǎn)載荷傳感器（圖3）獲取抽油機(jī)示功圖數(shù)據(jù)（位移-載荷曲線）。通過遠(yuǎn)程RTU模塊將所測(cè)數(shù)據(jù)上傳至數(shù)據(jù)庫，對(duì)現(xiàn)場(chǎng)所采集的標(biāo)準(zhǔn)示功圖樣本進(jìn)行預(yù)處理。

圖3 抽油機(jī)示功圖測(cè)試傳感器示意圖Fig．3 Schematic diagram of pumping unit indicator diagram test sensor

首先，選取抽油機(jī)示功圖的標(biāo)準(zhǔn)故障樣本，利用傅里葉描繪子和不變矩復(fù)合的形狀識(shí)別方法通過編寫的計(jì)算機(jī)程序進(jìn)行示功圖特征參數(shù)的提取。具體方法是對(duì)示功圖數(shù)據(jù)的7個(gè)不變矩通過式（4）—（10）進(jìn)行計(jì)算得到特征序列，再利用傅里葉描繪子對(duì)該特征序列進(jìn)行傅里葉變換（式（12）），通過高斯歸一化處理（式（13）），計(jì)算出示功圖的特征參數(shù)［18-19］。以240個(gè)示功圖工況樣本作為訓(xùn)練樣本，抽油機(jī)12種工況標(biāo)準(zhǔn)示功圖（含正常示功圖）特征參數(shù)的平均值見表1。

表1 常見的12種抽油機(jī)工況標(biāo)準(zhǔn)示功圖特征參數(shù)Tab．1 Characteristic parameters of standard indicator diagrams under 12 pumping unitworking conditions

3．2 算法尋優(yōu)測(cè)試對(duì)比

為了對(duì)比蟻群算法（ACO）、遺傳算法（GA）、粒子群算法（PSO）對(duì)SOM神經(jīng)網(wǎng)絡(luò)性能的改進(jìn)效果，針對(duì)同一工況采用50個(gè)示功圖樣本進(jìn)行算法尋優(yōu)測(cè)試，測(cè)試平均結(jié)果見表2。

表2 3種改進(jìn)優(yōu)化算法的測(cè)試結(jié)果Tab．2 Test results of three im proved optim ization algorithm s

由表2可知，3種改進(jìn)優(yōu)化算法的診斷準(zhǔn)確率都相對(duì)較高，均在95%以上，說明基于3種改進(jìn)算法的SOM神經(jīng)網(wǎng)絡(luò)未受到局部最優(yōu)解的影響，但ACO算法的訓(xùn)練時(shí)間最長(zhǎng)，影響診斷效率；相比于ACO算法和GA算法，PSO算法的運(yùn)行時(shí)間最少，且診斷準(zhǔn)確率高。圖4為3種優(yōu)化算法下的最優(yōu)個(gè)體適應(yīng)度曲線，可以看出PSO算法的最優(yōu)個(gè)體適應(yīng)度值最小，且所需的迭代次數(shù)最少，收斂速度快，可優(yōu)選PSO-SOM神經(jīng)網(wǎng)絡(luò)模型進(jìn)行抽油機(jī)示功圖工況的高效診斷。

圖4 不同優(yōu)化算法下的最優(yōu)個(gè)體適應(yīng)度曲線Fig．4 Optimal individual fitness curves under different optim ization algorithm s

對(duì)于PSO算法主要運(yùn)行參數(shù)有 ωPSO、c1和 c2。其中ωPSO為慣性權(quán)重系數(shù)，經(jīng)大量實(shí)驗(yàn)證明，ωPSO值越大，全局尋優(yōu)能力增強(qiáng)，局部尋優(yōu)能力減弱；反之，則局部尋優(yōu)能力增強(qiáng)［20］。c1為自我學(xué)習(xí)因子，代表對(duì)粒子歷史位置的認(rèn)可和肯定，引導(dǎo)粒子飛到自己找到的最優(yōu)位置，c2為社會(huì)學(xué)習(xí)因子，表示粒子對(duì)種群社會(huì)位置的學(xué)習(xí)，將粒子引導(dǎo)到種群所找到的最優(yōu)位置。因此，選用合理的初始參數(shù)（ωPSO，c1，c2）可以提高算法的收斂速度和求解精度。圖5為在慣性權(quán)重系數(shù) ωPSO為1，c1、c2取不同數(shù)值條件下的PSO算法最優(yōu)個(gè)體適應(yīng)度曲線，可見當(dāng)c1＝2，c2＝1時(shí)，收斂至適應(yīng)度值最小為0．043 9，且所用迭代次數(shù)最小為80次。

圖5 不同參數(shù)下的PSO算法最優(yōu)個(gè)體適應(yīng)度曲線Fig．5 Optimal individual fitness curves of PSO algorithm under different parameters

3．3 不同診斷模型評(píng)估對(duì)比

對(duì)比神經(jīng)網(wǎng)絡(luò)BP、LVQ、常規(guī)SOM和PSO-SOM診斷模型在示功圖故障診斷的效果，針對(duì)同一工況采用50個(gè)示功圖樣本進(jìn)行診斷模型測(cè)試，診斷評(píng)估指標(biāo)見表3。

甲組、乙組、丙組3組患者治療后生存質(zhì)量評(píng)分、腫瘤進(jìn)展時(shí)間、中位生存期均差異無統(tǒng)計(jì)學(xué)意義（P＞0.05），如表2。

表3 診斷模型評(píng)估指標(biāo)Tab．3 Evaluation indexes of diagnostic models

由診斷評(píng)估指標(biāo)可見，BP神經(jīng)網(wǎng)絡(luò)識(shí)別時(shí)間較長(zhǎng)，診斷方差大，因此應(yīng)用于故障診斷的效率和穩(wěn)定性較低，不利于工程實(shí)際應(yīng)用。LVQ神經(jīng)網(wǎng)絡(luò)的診斷準(zhǔn)確率低，為87．26%，實(shí)際示功圖診斷應(yīng)用具有一定的局限性。常規(guī)SOM神經(jīng)網(wǎng)絡(luò)和PSO-SOM神經(jīng)網(wǎng)絡(luò)對(duì)比來看，PSO-SOM神經(jīng)網(wǎng)絡(luò)識(shí)別時(shí)間短、診斷方差更低，診斷準(zhǔn)確率較常規(guī)SOM神經(jīng)網(wǎng)絡(luò)有所提高。分析認(rèn)為，通過PSO算法使得SOM神經(jīng)網(wǎng)絡(luò)的每個(gè)權(quán)值均得到調(diào)整且向輸入模式靠近，有效避免了Kohonen規(guī)則因初始權(quán)值選擇不當(dāng)所導(dǎo)致的“死神經(jīng)元”的產(chǎn)生，提高了SOM神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度、精度和診斷準(zhǔn)確率。

3．4 分類及仿真結(jié)果

通過計(jì)算機(jī)編程創(chuàng)建PSO-SOM神經(jīng)網(wǎng)絡(luò)模型，所建立的模型采用二維拓?fù)浣Y(jié)構(gòu)，包含了輸入層和競(jìng)爭(zhēng)層兩層網(wǎng)絡(luò)，競(jìng)爭(zhēng)層設(shè)有49個(gè)神經(jīng)元，兩層網(wǎng)絡(luò)的神經(jīng)元之間通過權(quán)值連接，神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)定見表4。經(jīng)過參數(shù)優(yōu)選，PSO算法的部分參數(shù)設(shè)置為 c1＝2，c2＝1，慣性常數(shù)為1，種群粒子數(shù)為49，算法迭代進(jìn)化次數(shù)為500。

表4 改進(jìn)的SOM 神經(jīng)網(wǎng)絡(luò)運(yùn)行參數(shù)設(shè)定值Tab．4 Set values of improved SOM neural network operation parameters

對(duì)每種工況標(biāo)準(zhǔn)示功圖樣本進(jìn)行學(xué)習(xí)，網(wǎng)絡(luò)訓(xùn)練的學(xué)習(xí)次數(shù)按照表4中10～500次依次進(jìn)行。當(dāng)網(wǎng)絡(luò)訓(xùn)練結(jié)束后，對(duì)“獲勝神經(jīng)元”標(biāo)記相應(yīng)顯示故障的記號(hào)。通過學(xué)習(xí)訓(xùn)練模型對(duì)現(xiàn)場(chǎng)采集的待檢測(cè)示功圖進(jìn)行故障診斷識(shí)別，輸出診斷結(jié)果。

所建立的改進(jìn)SOM 神經(jīng)網(wǎng)絡(luò)拓?fù)鋵W(xué)結(jié)構(gòu)為7×7的六角結(jié)構(gòu)函數(shù)，臨近神經(jīng)元之間的距離分布特征如圖6所示。圖6中的紅色線表示神經(jīng)元之間的聯(lián)系，包含有紅色線的菱形區(qū)域通過顯示顏色的明度表征神經(jīng)元之間的距離遠(yuǎn)近，從黃色到黑色，顏色越亮表示距離越近，顏色越暗表示距離越遠(yuǎn)。模型訓(xùn)練學(xué)習(xí)后得到的每個(gè)神經(jīng)元的分類結(jié)果如圖7所示，圖7中藍(lán)色神經(jīng)元即為“獲勝神經(jīng)元”。判斷待檢測(cè)示功圖的診斷結(jié)果主要是通過模型所計(jì)算的輸出神經(jīng)元與標(biāo)準(zhǔn)故障工況樣本在競(jìng)爭(zhēng)層位置的對(duì)應(yīng)情況進(jìn)行判別。故障的發(fā)生概率取決于計(jì)算輸出的神經(jīng)元位置與對(duì)應(yīng)標(biāo)準(zhǔn)故障工況樣本位置的歐式距離，歐式距離越小則發(fā)生概率越大。

圖6 臨近神經(jīng)元之間的距離遠(yuǎn)近情況Fig．6 Distance among ad jacent neurons

圖7 每個(gè)神經(jīng)元的分類情況Fig．7 Classification of neurons

PSO-SOM神經(jīng)網(wǎng)絡(luò)在不同訓(xùn)練次數(shù)下的分類結(jié)果見表5。從表5可以看出，隨著網(wǎng)絡(luò)訓(xùn)練步數(shù)的增加，聚類結(jié)果愈加細(xì)化明了，當(dāng)訓(xùn)練步數(shù)為150次時(shí)，每個(gè)樣本各自被歸為一類，當(dāng)訓(xùn)練步數(shù)達(dá)到200或500時(shí)，分類結(jié)果同樣各分為一類，因此再增加訓(xùn)練步數(shù)意義不大。待檢測(cè)示功圖以5種工況為例，相應(yīng)的特征參數(shù)值提取及診斷結(jié)果見表6。

表5 PSO-SOM 神經(jīng)網(wǎng)絡(luò)在不同訓(xùn)練次數(shù)下的分類結(jié)果Tab．5 Classification results of PSO-SOM neural network under different training times

表6 待測(cè)示功圖特征參數(shù)值Tab．6 Characteristic parameter values of indicator diagrams to bemeasured

利用PSO-SOM神經(jīng)網(wǎng)絡(luò)診斷模型對(duì)XX油田現(xiàn)場(chǎng)常見的抽油機(jī)9種工況、700井次的示功圖數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練及驗(yàn)證，所得到的示功圖對(duì)不同工況的正確識(shí)別率見表7。示功圖的平均正確識(shí)別率可達(dá)90．3%，表明采用PSO-SOM神經(jīng)網(wǎng)絡(luò)進(jìn)行示功圖故障識(shí)別的可行性和有效性。

表7 不同工況下利用PSO-SOM 神經(jīng)網(wǎng)絡(luò)驗(yàn)證示功圖的正確識(shí)別率Tab．7 Verification of correct recognition rate of indicator diagrams using PSO-SOM neural network under different working conditions

4 結(jié) 論

（1）對(duì)比了蟻群算法（ACO）、遺傳算法（GA）、粒子群算法（PSO）對(duì)SOM神經(jīng)網(wǎng)絡(luò)的改進(jìn)效果，PSO算法的最優(yōu)個(gè)體適應(yīng)度值最小，且所需的迭代次數(shù)少，收斂速度快。

（2）通過神經(jīng)網(wǎng)絡(luò)BP、LVQ、常規(guī) SOM和 PSOSOM診斷模型效果對(duì)比，PSO-SOM神經(jīng)網(wǎng)絡(luò)在識(shí)別時(shí)間、診斷準(zhǔn)確率和診斷方差方面展現(xiàn)出了明顯的優(yōu)勢(shì)，PSO算法的改進(jìn)有效避免了Kohonen規(guī)則因初始權(quán)值選擇不當(dāng)而導(dǎo)致的“死神經(jīng)元”的產(chǎn)生，提高了SOM神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度和診斷準(zhǔn)確率。

（3）PSO-SOM神經(jīng)網(wǎng)絡(luò)經(jīng)過XX油田現(xiàn)場(chǎng)抽油機(jī)700井次的9種不同示功圖工況的學(xué)習(xí)訓(xùn)練和驗(yàn)證，網(wǎng)絡(luò)訓(xùn)練150次時(shí)即可對(duì)樣本進(jìn)行精確分類，工況平均診斷正確率高達(dá)90．3%，可見PSO-SOM神經(jīng)網(wǎng)絡(luò)在示功圖故障識(shí)別中應(yīng)用的可行性和有效性。