全相關(guān)核偏最小二乘故障診斷方法及在抽油機(jī)上應(yīng)用

汪 波,夏欽鋒,錢 龍,彭 軍,周 偉?

(1.重慶科技學(xué)院智能技術(shù)與工程學(xué)院,重慶 401331;2.中石化重慶涪陵頁巖氣勘探開發(fā)有限公司,重慶 408000)

1 引言

游梁式抽油機(jī)系統(tǒng)是石油生產(chǎn)中最常用的人工舉升方法.抽油機(jī)的采油過程是一個(gè)復(fù)雜的工業(yè)系統(tǒng),在抽油桿向地下移動(dòng)的過程中存在許多未知因素.在采油過程中,由于抽油機(jī)系統(tǒng)的不穩(wěn)定性,容易導(dǎo)致故障發(fā)生.一旦發(fā)生故障會(huì)導(dǎo)致抽油機(jī)采油量減少,停產(chǎn)甚至損壞抽油設(shè)備.然而,抽油機(jī)復(fù)雜的工作環(huán)境和多變的井下條件使得診斷抽油機(jī)故障變得非常困難.因此,為抽油機(jī)系統(tǒng)建立精確有效的故障診斷模型是一個(gè)具有挑戰(zhàn)性和重要意義的工作.

在實(shí)際的采油生產(chǎn)過程中,示功圖作為一條閉合曲線,反映了抽油桿行程中載荷和位移的關(guān)系,是監(jiān)視抽油機(jī)井下運(yùn)行狀況的主要工具[1].在傳統(tǒng)的抽油機(jī)故障診斷中,工程師通常通過分析示功圖的形狀來判斷井下工作狀況,診斷的準(zhǔn)確性取決于工程師的經(jīng)驗(yàn)判斷.

近年來,人工智能方法已廣泛用于抽油機(jī)故障識(shí)別與診斷.這些方法包括粗糙集理論[2]、人工神經(jīng)網(wǎng)絡(luò)[3–4]、支持向量機(jī)[5–6]等.但是,這些方法主要使用載荷和位移數(shù)據(jù)來診斷井下工作條件.如今,隨著油田信息化建設(shè)的發(fā)展,油田企業(yè)已經(jīng)積累了大量的生產(chǎn)數(shù)據(jù),包括電壓、電流、油壓、采出液量、功率因數(shù)和泵效率等.在抽油機(jī)采油過程生產(chǎn)中,這些大量的生產(chǎn)數(shù)據(jù)為抽油機(jī)故障診斷提供了可能.

近年來，數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法廣泛應(yīng)用于工業(yè)系統(tǒng)診斷中[7–8].其中,多變量統(tǒng)計(jì)過程監(jiān)控(multivariate statistical process monitoring,MSPM)具有較強(qiáng)的變量間相關(guān)性解釋能力,被廣泛用于復(fù)雜工業(yè)過程的故障診斷[9–10].MSPM方法通常限于顯著利用的偏最小二乘(partial least squares,PLS)的方法[11–12].基于PLS模型,已經(jīng)開發(fā)了許多成功的監(jiān)視方法[13–14].這些方法從大量輸入和輸出數(shù)據(jù)中提取潛在特征,從而可以有效地消除回歸中的無效噪聲,用以診斷工業(yè)過程中的故障.同時(shí),PLS可以提取更少的組件來解釋更多與變量相關(guān)的問題.近年來,李剛等人[15]揭示了用于過程監(jiān)控的PLS的幾何性質(zhì).根據(jù)李剛的結(jié)果,周東華等人[16]首先分析了用于質(zhì)量相關(guān)故障檢測的PLS的固有缺陷,并提出了具有更詳細(xì)分解過程變量矩陣的總PLS(total PLS,T-PLS)模型.但是油井的生產(chǎn)過程表現(xiàn)出非線性、參數(shù)耦合和時(shí)變等特點(diǎn),因此很難使用傳統(tǒng)PLS算法建立準(zhǔn)確的抽油機(jī)故障診斷模型[17].

為了解決過程數(shù)據(jù)的非線性問題,Rosipal等[18]人提出了一種非線性核PLS(kernel PLS,KPLS)方法,將非線性輸入數(shù)據(jù)映射到高維特征空間中.彭開香等[19]人提出了一種基于KPLS模型的與質(zhì)量有關(guān)的非線性故障檢測方法TKPLS(total KPLS,TKPLS).文獻(xiàn)[20]提出了一種改進(jìn)的KPLS算法,以提高質(zhì)量相關(guān)故障的檢測精度,并降低質(zhì)量無關(guān)故障的誤報(bào)率.文獻(xiàn)[21–22]提出了一種基于最優(yōu)偏好矩陣的改進(jìn)KPLS方法來解決主成分誤解的問題.最優(yōu)偏好矩陣用于調(diào)整過程變量的分布和協(xié)方差矩陣的特征值.文獻(xiàn)[23]中,提出了一種基于多塊KPLS的分布式故障診斷方法來監(jiān)視大型工業(yè)過程.文獻(xiàn)[24]開發(fā)了一種時(shí)間片批處理監(jiān)視方法來解決線性和非線性變量的問題.

盡管KPLS和相應(yīng)的擴(kuò)展方法已廣泛用于過程監(jiān)視和故障診斷,仍亟需解決以下問題:1)在KPLS模型中,通過離線數(shù)據(jù)得到的靜態(tài)數(shù)學(xué)模型不能及時(shí)反映數(shù)據(jù)之間的相關(guān)性,且不能準(zhǔn)確描述與變量相關(guān)聯(lián)的潛在特征的變化.2)由于時(shí)變特性和工業(yè)變量參數(shù)的多重相關(guān)性,傳統(tǒng)KPLS不能完全提取變量之間的隱藏特性,導(dǎo)致診斷精度低.

受到多元統(tǒng)計(jì)方法的啟發(fā),本文提出了一種新穎的全相關(guān)動(dòng)態(tài)核偏最小二乘(fully-correlated dynamic kernel partial least squares,FCDKPLS)故障診斷算法,并應(yīng)用于抽油機(jī)系統(tǒng)的故障診斷.首先,基于自回歸模型(auto regressive,AR)建立輸入和輸出變量的強(qiáng)動(dòng)態(tài)相關(guān)特性,從而反映變量之間隱藏的動(dòng)態(tài)關(guān)系;其次,通過分析證明KPLS模型的輸出變量影響到輸入殘差子空間,為此構(gòu)建輸出變量輔助矩陣,表征輸出與輸入向量全相關(guān),從而直接反映輸入與輸出變量的關(guān)聯(lián)性.實(shí)驗(yàn)結(jié)果表明,本文提出的方法在抽油機(jī)故障診斷上具有良好的診斷效果.

2 自回歸模型

在抽油機(jī)系統(tǒng)中,一個(gè)因變量總是和多個(gè)自變量有關(guān),且數(shù)據(jù)中輸入變量與輸出向量之間存在著時(shí)序相關(guān)性.為表征抽油機(jī)數(shù)據(jù)動(dòng)態(tài)特性,對數(shù)據(jù)建立AR模型:

其中:x(?)為抽油機(jī)數(shù)據(jù)變量,α1,α2,···,αn為模型回歸系數(shù),ε?為模型隨機(jī)誤差,h為模型階次.令

則AR模型表示為

從而可以求得模型系數(shù)矩陣.

AR模型解決自相關(guān)問題在于確定模型階次h,可以根據(jù)貝葉斯信息準(zhǔn)則來確定最合適的階數(shù).若要得到更為精確的時(shí)滯階次,可利用統(tǒng)計(jì)假設(shè)檢驗(yàn)[25]判斷各個(gè)變量是否具有自相關(guān)性.

通過構(gòu)建AR模型,反映數(shù)據(jù)變量間的動(dòng)態(tài)關(guān)系,然后對動(dòng)態(tài)擴(kuò)展數(shù)據(jù)進(jìn)行KPLS分析.

3 FCDKPLS算法

3.1 KPLS算法

KPLS通過非線性映射函數(shù)Φ(·)將其轉(zhuǎn)換到高維特征空間F中,在特征空間中構(gòu)建PLS回歸模型.設(shè){(X1,Y1),(X2,Y2),···,(Xn,Yn)}?RL1×RL2,N為訓(xùn)練樣本個(gè)數(shù),L1為輸入變量個(gè)數(shù),L2為輸出變量個(gè)數(shù).輸入與輸出向量分別建立回歸模型如下:

其中:i表示KPLS中保留的隱變量個(gè)數(shù),通過交叉檢驗(yàn)得到;ti為輸入向量的得分矩陣,pi為輸入向量的負(fù)載矩陣,qi為輸出向量負(fù)載矩陣,φi和εi分別為輸入和輸出向量殘差矩陣.KPLS算法流程如算法1所示[26].

算法1KPLS算法.

1) 初始化ui;

2) 計(jì)算Φ(x)的得分矩陣:

3) 計(jì)算輸出負(fù)載矩陣:Pi=YTti/‖ti‖;

4) 計(jì)算負(fù)載主元ui:ui=Y Pi;

5) 重復(fù)2)–4)步直至ti收斂;

6) 計(jì)算殘差矩陣K和Y:

7) i=i+1,返回步驟2).

3.2 KPLS相關(guān)性分析

在KPLS中,輸入殘差子空間φi(x)與輸出向量Y存在著相關(guān)性:

其中:ti為KPLS中的主元空間部分,φi(x)為KPLS中的殘差部分.當(dāng)il時(shí)

結(jié)合式(5),式(4)可以表示為

在KPLS中輸入和輸出向量的負(fù)載向量pi和qi分別可以寫為

將pi和qi代入式(6)得到

通過式(9)可知輸入殘差與輸出變量之間具有一定的關(guān)系.具體關(guān)系如圖1中的步驟2所示,φi(x)與εi呈垂直狀態(tài).假定殘差向量子空間與輸出向量之間沒有關(guān)聯(lián),即=0.由于ti與εi為垂直狀態(tài),說明在模型進(jìn)行第i ?1次迭代時(shí)t與ε正交,同理,第i次迭代時(shí),.由于模型的迭代次數(shù)不同,模型內(nèi)部第i次迭代時(shí)的主元空間與第i?1次迭代時(shí)的殘差空間之間的聯(lián)系不清楚,從而無法確保ti與εi?1是否滿足正交原則.實(shí)際上,.因此,KPLS中輸入變量殘差子空間與輸出變量之間存在著相關(guān)性.

圖1 基于FCDKPLS的故障檢測過程Fig.1 Fault detection process based on FCDKPLS

3.3 輸出變量全相關(guān)輔助矩陣

把生產(chǎn)數(shù)據(jù)分為輸入Φ(x)∈Rn×L1和輸出Y ∈Rn×L22個(gè)矩陣,并在輸出變量中構(gòu)建輔助矩陣M,包含滿Φ(x)與Y 的相關(guān)性,建立與輸出變量相關(guān)的全相關(guān)矩陣,構(gòu)建如下回歸模型:

其中:M為構(gòu)建的輔助分解矩陣,將原始輸出向量映射到特征空間中重新進(jìn)行輸入與輸出向量的非線性分解;?為Φ(x)完全不相關(guān)的噪音或干擾.

對于M的構(gòu)建,有

實(shí)際上,由于Φ(x)可以任意大甚至是無限大,因此上述公式不能直接用于計(jì)算.為了避免使用Φ(x),定義以下內(nèi)核矩陣K 是一種常見的方法,高斯核函數(shù)[27]進(jìn)行運(yùn)算:

為說明構(gòu)建的輔助分解矩陣能表征輸入和輸出變量之間的相關(guān)性,這里采用拉格朗日乘子法進(jìn)行分析證明.

首先,分別標(biāo)準(zhǔn)化Φ(x)和Y 為X0和Y0,拉格朗日乘子法如下:

其中I為單位矩陣.因此,得到輸入殘差與輸出變量的結(jié)果收斂,使構(gòu)造的輔助矩陣可以表征輸入向量與輸出變量之間全相關(guān)性.

3.4 FCDKPLS算法

上述理論推導(dǎo)了輸入變量與輸出變量存在全相關(guān)性,依據(jù)AR動(dòng)態(tài)特性,構(gòu)造輔助分解矩陣模型,使數(shù)據(jù)間輸入和輸出變量之間的相關(guān)性被充分挖掘.故障診斷步驟包括離線主元模型、在線故障診斷,FCDKP LS算法流程如算法2所示.

算法2FCDKPLS算法.

1) 構(gòu)建AR模型系數(shù)矩陣α;

2) 計(jì)算全相關(guān)輔助矩陣M:

3) 初始化ui;

4) 計(jì)算輸入向量得分矩陣:

5) 計(jì)算輸出向量負(fù)載矩陣:Pi=MTti/‖ti‖;

6) 計(jì)算負(fù)載主元ui:ui=MPi;

7) 重復(fù)3)–6)步直至ti收斂;

8) 計(jì)算殘差矩陣K和Y:

9) i=i+1,返回步驟4).

首先,對歸一化后的變量進(jìn)行動(dòng)態(tài)特性分析,以獲得變量的隱藏動(dòng)態(tài)關(guān)系.其次,構(gòu)建FCDKPLS模型,使數(shù)據(jù)間在輸入殘差與輸出變量之間提取更多地潛在變量.最后,將FCDKPLS模型用于實(shí)時(shí)數(shù)據(jù)分析,并將獲得的主元用于故障診斷.FCDKPLS算法的故障診斷與監(jiān)測過程流程圖的具體步驟如圖1所示.

根據(jù)圖1所得FCDKPLS故障檢測過程流程圖,分別給出離線建模和在線監(jiān)測步驟:

A 根據(jù)正常情況建模.

①獲得觀測數(shù)據(jù)子集;

②用每個(gè)變量的均值和標(biāo)準(zhǔn)偏差來規(guī)范化數(shù)據(jù)子集;

③根據(jù)規(guī)范化的數(shù)據(jù)計(jì)算核矩陣,并計(jì)算中心化核矩陣K;

⑤進(jìn)行時(shí)滯階次分析,提取動(dòng)態(tài)非線性關(guān)系;

⑥建立全相關(guān)輔助矩陣M,結(jié)合KPLS方法得到主元;

⑦確定控制界限.

B 在線監(jiān)測.

①在線采集觀測變量數(shù)據(jù);

②用每個(gè)變量的均值和標(biāo)準(zhǔn)差來規(guī)范化數(shù)據(jù)子集;

③計(jì)算規(guī)范化后的在線觀測數(shù)據(jù)的核向量,計(jì)算中心化核向量;

④時(shí)滯階次分析,提取動(dòng)態(tài)非線性關(guān)系;

⑤得到的統(tǒng)計(jì)量與模型得到的控制限進(jìn)行比較,當(dāng)超出控制限后,進(jìn)行故障源的追溯與判別.

4 基于FCDKPLS算法的故障檢測方法

通過上面算法求出m個(gè)主元的隱變量的得分向量T=[t1t2··· tm], U=[u1u2···um]以及負(fù)載向量P=[p1p2··· pm], Q=[q1q2···qm],再選取了其中m個(gè)主元后得到Φ(x)和輸出Y 的重構(gòu)數(shù)據(jù)和及相應(yīng)的重構(gòu)誤差矩陣.

定義在第i 時(shí)刻的平方預(yù)測誤差(squared prediction error,SPE)可以寫為

其中:g是一個(gè)加權(quán)參數(shù),h是自由度,a和b分別是SPE(i)的估計(jì)均值和方差.

Λ是得分矩陣的協(xié)方差,則T2統(tǒng)計(jì)量控制限計(jì)算公式為

式中:α為顯著性水平,n為數(shù)據(jù)采樣次數(shù).

5 實(shí)驗(yàn)研究

在本節(jié)中,通過大港油田實(shí)際生產(chǎn)數(shù)據(jù)來驗(yàn)證本文提出的FCDKPLS算法的有效性.在石油開采過程中,當(dāng)抽油機(jī)中某個(gè)閥門或者某處電壓不穩(wěn)定時(shí),都會(huì)引起連鎖故障,從而降低采油效率,甚至損壞設(shè)備,帶來嚴(yán)重的經(jīng)濟(jì)損失和人員傷亡.因此,需要對抽油機(jī)采油過程中的各個(gè)參數(shù)進(jìn)行實(shí)時(shí)監(jiān)控,及時(shí)監(jiān)測可能發(fā)生的故障,從而有效地減少故障,實(shí)現(xiàn)高效采油.

本文主要以抽油機(jī)生產(chǎn)過程中的3種典型故障為例進(jìn)行實(shí)驗(yàn)分析:故障1是連抽帶噴故障,故障2是疑是桿脫落故障,故障3是氣體影響故障.連抽帶噴故障是由于油井的自噴能力,在抽油過程中,柱塞基本不受載荷作用,示功圖載荷和位移的大小取決于油井噴勢的強(qiáng)弱和原油的粘度.在此過程中主要由出口閥漏油影響,故障發(fā)生時(shí)影響電壓、電流、有效沖程、噴射和產(chǎn)生流體量等參數(shù).疑是桿脫落故障是由于抽油桿彈性疲勞、抽油桿絲扣沒有上緊、抽油泵遇卡等原因使得抽油桿超過其拉伸屈服極限導(dǎo)致的.由于摩擦力的作用,使得上、下載荷線不重合.在此過程中主要由載荷影響,故障發(fā)生時(shí)影響電壓、電流、有效沖程、泵輸出和最大、最小載荷等參數(shù).氣體影響故障是當(dāng)抽油泵中的油液混入較多氣體時(shí),在上沖程過程中,由于油液內(nèi)混有氣體的因素,使泵腔內(nèi)壓力在該下降的時(shí)候不能正常下降,導(dǎo)致固定凡爾開啟時(shí)間延后,使得抽油桿加載速度變慢;在下沖程過程中,泵腔內(nèi)的壓力變化和上沖程過程恰好相反.在此過程中主要由壓力影響,故障發(fā)生時(shí)影響電流、沖程、泵效率和有功功率等參數(shù).

抽油機(jī)采油過程中產(chǎn)生了大量的生產(chǎn)數(shù)據(jù),本文主要提取示功圖數(shù)據(jù)、電流、電壓等生產(chǎn)數(shù)據(jù)用于FCDKPLS算法建立故障診斷模型.筆者從中石油大港油田2017年1月1日至2017年12月31日生產(chǎn)數(shù)據(jù)中提取構(gòu)建了2000組數(shù)據(jù)集,其中訓(xùn)練數(shù)據(jù)集由1500組數(shù)據(jù)組成,測試數(shù)據(jù)集由500組數(shù)據(jù)組成.由于示功圖由144個(gè)載荷和位移數(shù)據(jù)構(gòu)成,直接用于建模會(huì)導(dǎo)致輸入數(shù)據(jù)過大.因此,首先利用傅里葉描述子方法對示功圖數(shù)據(jù)進(jìn)行特征提取,提取出21個(gè)特征數(shù)據(jù)表征示功圖特征[28].每個(gè)數(shù)據(jù)集由41個(gè)變量組成，其中32個(gè)變量作為輸入變量,包括油壓、套壓、采出液量、出口閥漏油、噴射、流體量、有效沖程、泵輸出、最大負(fù)荷、最小負(fù)荷和21個(gè)示功圖特征數(shù)據(jù).9個(gè)變量作為輸出變量,包括三相電流、三相電壓、功率、泵效率和載荷.在訓(xùn)練數(shù)據(jù)集中,前1000個(gè)數(shù)據(jù)集是正常的,后500個(gè)數(shù)據(jù)集是故障樣本.在測試數(shù)據(jù)集中,前300個(gè)數(shù)據(jù)集是正常的,后200個(gè)數(shù)據(jù)集是故障樣本.

對于故障1,檢測結(jié)果如圖2所示.

圖2 故障1的檢測結(jié)果比較Fig.2 Comparison of detection result in fault 1

當(dāng)泵效率發(fā)生變化時(shí),從圖2(a)可以得出,KPLS中T2和SPE統(tǒng)計(jì)量均在第300個(gè)樣本處發(fā)生跳變.在T2中,正常樣本大多數(shù)能低于控制限;在故障樣本中,較多故障樣本低于控制限,故障診斷效果較差.在SPE中,幾乎所有正常樣本低于控制限.但在故障樣本中,大多數(shù)故障樣本低于控制限,致使檢測效果差.圖2(b)中,FCDKPLS中均能在第300個(gè)樣本處檢測到故障.同時(shí),T2和SPE正常樣本超過控制限均很少,故障樣本絕大多數(shù)超過控制限,診斷效果較好.

圖2(b)可以成功檢測到故障,證明輸入向量殘差子空間的變化確實(shí)受到輸出變量的影響,檢測故障精度高.但當(dāng)檢測到故障后無法對故障源進(jìn)行定位.因此,本文引用貢獻(xiàn)率來進(jìn)行故障定位,而傳統(tǒng)的貢獻(xiàn)圖在進(jìn)行多變量故障定位時(shí),故障變量會(huì)受到與之相關(guān)性較強(qiáng)的變量的干擾,存在某些時(shí)刻正常變量貢獻(xiàn)值大于故障變量的情況,容易得到錯(cuò)誤的結(jié)果.在此基礎(chǔ)上,本文引用累積貢獻(xiàn)率對故障源進(jìn)行追溯定位,以此來確定故障源.第i時(shí)刻j個(gè)樣本數(shù)據(jù)的累積殘差貢獻(xiàn)率[29]定義為

基于T2統(tǒng)計(jì)量的貢獻(xiàn)率定義如下[30]:

式中D=PTΛ?1P.

在故障1中,引起連抽帶噴故障的主要原因是由出口閥漏油引起的,與其相關(guān)的故障變量有電壓、電流、有效沖程、噴射和產(chǎn)生流體量等參數(shù).從圖3中可以看出,圖3(a)的T2和SPE統(tǒng)計(jì)量的故障源均為噴射(變量37)引起,而圖3(b)在T2中故障由出口閥漏油(變量30)引起,SPE中由噴射(變量37)引起.而在實(shí)際采油過程中,故障1往往由出口閥漏油所致,即變量30引起,所以本文提出的方法可以準(zhǔn)確定位故障源.

圖3 故障1的變量貢獻(xiàn)率比較Fig.3 Comparison of variables contribution rate in fault 1

對于故障2,監(jiān)測結(jié)果如圖4所示.當(dāng)載荷發(fā)生變化時(shí),圖4(a)中T2和SPE統(tǒng)計(jì)量均能在故障點(diǎn)300處發(fā)生變化,但T2中絕大多數(shù)故障樣本未超過控制限,不能良好進(jìn)行故障診斷.SPE中,正常樣本超過控制限較多,同時(shí)故障樣本未超過控制限也比較多,在檢測過程中不能良好的進(jìn)行故障診斷.不能正常進(jìn)行故障檢測.如圖4(b),T2和SPE統(tǒng)計(jì)量均有良好的故障診斷效果,與KPLS相比,FCDKPLS方法在監(jiān)測故障2方面更有效.同時(shí),也證明了在提取出所有相關(guān)特征后,故障診斷的精度明顯增加.

圖4 故障2的檢測結(jié)果比較Fig.4 Comparison of detection result in fault 2

在故障2中,引起疑是桿脫落故障的主要原因是由載荷引起的,與其相關(guān)的故障變量有電壓、電流、有效沖程、泵輸出和最大、最小負(fù)荷等參數(shù).從圖5中可以看出,圖5(a)中T2的故障源為有效沖程(變量8),而SPE的故障源為最小載荷(變量28);圖5(b)在T2中故障由最大載荷(變量21)引起,SPE中由最小載荷(變量28)引起.在疑是桿脫落故障中,故障源往往由最大載荷所致,即變量21所引起,從而驗(yàn)證所提出的方法可以對故障進(jìn)行檢測并幫助其對故障源進(jìn)行準(zhǔn)確定位.

通過對抽油機(jī)生產(chǎn)過程數(shù)據(jù)進(jìn)行統(tǒng)計(jì)過程監(jiān)控,利用KPLS和FCDKPLS算法得到的各變量的貢獻(xiàn)率,最終用T2和SPE 統(tǒng)計(jì)量的誤報(bào)率(FPR)和漏報(bào)率(FNR)作為衡量監(jiān)控性能的指標(biāo),結(jié)果如表1所示.在多故障分類中,計(jì)算故障的誤報(bào)率和漏報(bào)率時(shí),其他故障樣本被認(rèn)為是“正常樣本”.所以,誤報(bào)警率是被識(shí)別為正常的“故障樣本”的數(shù)量與正常樣本的總數(shù)的比率;漏報(bào)警率是故障的“正常樣本”的數(shù)量與故障樣本的總數(shù)的比率.由表分析可知,基于FCDKPLS方法的多元統(tǒng)計(jì)過程監(jiān)控方法在抽油機(jī)生產(chǎn)過程故障檢測與診斷方面具有良好的監(jiān)控性能,適用于復(fù)雜的非線性和動(dòng)態(tài)工業(yè)過程.

圖5 故障2的變量貢獻(xiàn)率比較Fig.5 Comparison of variables contribution rate in fault 2

表1 誤報(bào)率、漏報(bào)率(%)比較Table 1 Comparison of FPR and FNR

6 結(jié)論

本文提出一種全相關(guān)動(dòng)態(tài)核偏最小二乘的抽油機(jī)故障診斷方法.首先,分析抽油機(jī)數(shù)據(jù)的動(dòng)態(tài)特性,建立了自回歸模型,有效挖掘數(shù)據(jù)間存在的潛在變量,使數(shù)據(jù)間具有強(qiáng)動(dòng)態(tài)性;其次,分析證明了KPLS輸入殘差子空間與輸出變量之間具有相關(guān)性,在輸出變量上構(gòu)造輔助矩陣,使輸入變量殘差矩陣與輸出變量無關(guān),得到輸入變量與輸出變量全相關(guān)特性.實(shí)驗(yàn)結(jié)果證明了FCDKPLS監(jiān)測方法比傳統(tǒng)KPLS監(jiān)測方法表現(xiàn)出更好的監(jiān)測性能,表明所提出的FCDKPLS監(jiān)測方法對于抽油機(jī)過程監(jiān)測的有效性.