申请/专利权人：广东海洋大学

申请日：2021-10-12

公开（公告）日：2024-04-09

公开（公告）号：CN114021620B

主分类号：G06F18/24

分类号：G06F18/24;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2022.02.25#实质审查的生效;2022.02.08#公开

摘要：本发明公开了基于BP神经网络特征提取的电潜泵故障诊断方法，涉及油田机械采油技术领域，其技术方案要点是：1通过不同的电潜泵传感器收集生产数据，即获得原始数据；其中，所述原始数据为连续采集的时间序列数据，由正常阶段、累积阶段和故障阶段三个部分组成；2对原始数据进行预处理，得验证集、训练集和测试集；3基于BP神经网络，构建及训练BP神经网络故障诊断模型，所述BP神经网络故障诊断模型包括输入层、隐层和输出层；4采用步骤2中的测试集对步骤3中的目标模型进行评估。该电潜泵故障诊断方法可以对电潜泵的故障进行自动检测和分类，利用BP神经网络对特征提取后的样本数据进行故障诊断，实现对故障的早期检测。

主权项：1.基于BP神经网络特征提取的电潜泵故障诊断方法，其特征是：具体包括以下步骤：1通过不同的电潜泵传感器收集生产数据，得到原始数据；其中，所述原始数据为连续采集的时间序列数据，由正常阶段、累积阶段和故障阶段三个部分组成；2对步骤1所述原始数据进行预处理，得到验证集、训练集和测试集，所述预处理的具体方法为：A、使用时间滑动窗口在原始数据中不断选择一个长度为N天的N个样本，用于后续的特征提取；B、从N个样本中提取f个特征，并将所有长度为N的样本转化为一个12×f的矩阵；C、对全部特征进行标准化，将每一列的值范围通过归一化达到[0，1]；3基于BP神经网络，构建及训练BP神经网络故障诊断模型，所述BP神经网络故障诊断模型包括输入层、隐层和输出层，具体方法为：S1、采用步骤2中的训练集对BP神经网络故障诊断模型的输入层、隐层和输出层的参数进行初始化，并进行误差计算和小批量梯度下降更新参数，并判断i＜epochs是否成立，若i＜epochs不成立，则得到训练后的模型；若i＜epochs成立，则再次进行上述步骤；S2、采用不使用特征提取的数据训练BP神经网络模型，得到不使用特征提取的数据训练模型，并将不使用特征提取的数据训练模型与步骤S1中训练后的模型进行对比；S3、采用步骤2中的验证集重新进行步骤S1的训练，对步骤S1中的训练后的模型进行验证；S4、通过步骤S1、步骤S2和步骤S3得到目标模型；4采用步骤S2中的测试集对步骤S3中的目标模型进行评估；所述步骤2中的N个样本为一个N×12的矩阵；且f个特征分别是均值、最小值、最大值、方差、标准差、偏度、峰度、第一十分位数、中值和第三四分位数；所述步骤3中，验证集、训练集和测试集需逐列拉伸到12f，1的形状后作为模型的输入；所述步骤3中的BP神经网络故障诊断模型中，采用以下数值执行网格搜索：batchsize＝[4,8,16,32,64,128]，epochs＝[100,150,200,250，300,350，400,450,500]，learningrate＝[0.01,0.005,0.0005,0.0001]。

全文数据：

权利要求：

百度查询： 广东海洋大学 基于BP神经网络特征提取的电潜泵故障诊断方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD