邵海龍， 布蘭霞， 胡明哲， 付光杰

(1.海洋石油工程股份有限公司，天津 300451；2.中國(guó)石油大慶煉化分公司，黑龍江 大慶 163318；3.東北石油大學(xué) 電氣信息工程學(xué)院，黑龍江 大慶 163318)

基于人工魚(yú)群神經(jīng)網(wǎng)絡(luò)的抽油機(jī)故障診斷

邵海龍1， 布蘭霞2， 胡明哲3， 付光杰3

(1.海洋石油工程股份有限公司，天津 300451；2.中國(guó)石油大慶煉化分公司，黑龍江 大慶 163318；3.東北石油大學(xué) 電氣信息工程學(xué)院，黑龍江 大慶 163318)

BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于抽油機(jī)的故障診斷時(shí)易陷入局部極值，同時(shí)收斂速度也無(wú)法保證。在此前提下，提出人工魚(yú)群神經(jīng)網(wǎng)絡(luò)算法的抽油機(jī)故障診斷新方法，充分利用人工魚(yú)群在全局范圍的快速尋優(yōu)特性以克服BP神經(jīng)網(wǎng)絡(luò)收斂速度較慢和易陷入局部最優(yōu)解的缺點(diǎn)，從而提高故障診斷的準(zhǔn)確率和速度。以抽油機(jī)的管漏、供液不足、桿斷脫、泵漏失、氣影響五種故障類(lèi)型為例，利用MATLAB分別搭建了傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)和人工魚(yú)群神經(jīng)網(wǎng)絡(luò)的模型，并對(duì)兩種方法的診斷結(jié)果進(jìn)行了比較。仿真結(jié)果充分說(shuō)明了人工魚(yú)群神經(jīng)網(wǎng)絡(luò)在抽油機(jī)故障診斷中的可行性、準(zhǔn)確性和優(yōu)越性。

抽油機(jī)故障診斷； 人工魚(yú)群算法； BP神經(jīng)網(wǎng)絡(luò)；人工魚(yú)群神經(jīng)網(wǎng)絡(luò)； 仿真驗(yàn)證

0 引 言

由于抽油機(jī)等采油設(shè)備多分布于較偏遠(yuǎn)的野外作業(yè)區(qū)，不僅分布分散而且所處周邊環(huán)境惡劣，致使人工檢測(cè)相對(duì)困難[1]。若不能及時(shí)有效地檢測(cè)并診斷抽油機(jī)的故障類(lèi)型，將對(duì)生產(chǎn)產(chǎn)生巨大影響，同時(shí)對(duì)于實(shí)現(xiàn)油田數(shù)字化和自動(dòng)化具有重要意義[2]。抽油機(jī)故障診斷的建模過(guò)程較為復(fù)雜，其工程問(wèn)題多涉及非線性問(wèn)題的求解。因此需尋求一種適合于大規(guī)模復(fù)雜工程并具有智能特征的全局尋優(yōu)算法[3]。人工魚(yú)群算法(Artificial Fish Swarm Algorithm，AFSA)以其出色的全局尋優(yōu)、快速跟蹤，以及對(duì)初值、參數(shù)選擇的變化不敏感等特性不斷被應(yīng)用于數(shù)值計(jì)算、信號(hào)處理等復(fù)雜工程領(lǐng)域[4]。

1 人工魚(yú)群算法原理

1.1.1 覓食行為

覓食行為是人工魚(yú)通過(guò)視覺(jué)、嗅覺(jué)和味覺(jué)進(jìn)行水域食物濃度感知與判斷的基本行為。設(shè)某人工魚(yú)i的當(dāng)前狀態(tài)為Xi，在其感知范圍內(nèi)選擇另一狀態(tài)Xj，Xj表達(dá)式如(1)所示。

Xj=Xi+Visual·Rand()

(1)

(2)

反之，重新選擇狀態(tài)Xj并判斷是否滿(mǎn)足前進(jìn)條件。若進(jìn)行Try_number次后仍不滿(mǎn)足則隨機(jī)地進(jìn)行移動(dòng)，此時(shí)表達(dá)式如式(3)所示。

(3)

1.1.2 群聚行為

作為躲避危害，確保群體生存的重要生活習(xí)性，群聚行為廣泛存在于魚(yú)類(lèi)、鳥(niǎo)類(lèi)等種群。在人工魚(yú)群算法的任意人工魚(yú)都需滿(mǎn)足避免過(guò)度擁擠的前提下盡可能地游向鄰近人工魚(yú)中心的條件。體現(xiàn)在數(shù)學(xué)模型上，即選取的當(dāng)前狀態(tài)為Xi的人工魚(yú)在(dijδYi·nf(其中Yi為狀態(tài)為Xi的人工魚(yú)所在位置的食物濃度)，則說(shuō)明鄰域中心食物充足且該空間可以容納更多數(shù)目的人工魚(yú)，此時(shí)可游向該鄰域中心，體現(xiàn)在算法上即向目標(biāo)中心位置前進(jìn)一步，則所選取的人工魚(yú)的狀態(tài)將發(fā)生變化，其狀態(tài)變化如式(4)所示。若Yc<δYi·nf，則執(zhí)行覓食行為。

(4)

1.1.3 追尾行為

魚(yú)群在尋找食物時(shí)，若其中一條魚(yú)發(fā)現(xiàn)食物，其鄰近的個(gè)體也會(huì)接受到相應(yīng)信息而尾隨至食物所在中心。從智能算法角度出發(fā)，可將其理解為追尾行為是一種向鄰近的有著最高適應(yīng)度的人工魚(yú)追逐的行為。仍設(shè)人工魚(yú)i的當(dāng)前狀態(tài)為Xi，鄰域dijδYi·nf則表明人工魚(yú)Xj所處水域食物濃度較高且空間不擁擠，因此人工魚(yú)Xi可向Xj所處中心前進(jìn)一步，即有:

(5)

1.1.4 隨機(jī)行為

隨機(jī)行為，顧名思義，就是人工魚(yú)在視野范圍內(nèi)隨機(jī)選擇一個(gè)狀態(tài)并向該方向游動(dòng)，可將其視為覓食行為的一個(gè)缺省行為[8]。雖然魚(yú)是自由地在水中游動(dòng)，但其每一次游動(dòng)方向的選擇都是為了尋找鄰近的伙伴或?qū)ふ腋邼舛仁澄锏乃颉Ｒ虼嗽趹?yīng)用人工魚(yú)群算法解決優(yōu)化問(wèn)題時(shí)，存在兩種行為評(píng)價(jià)標(biāo)準(zhǔn)：最優(yōu)行為和較優(yōu)方向。最優(yōu)行為是指在當(dāng)前狀態(tài)下選擇向最優(yōu)方向前進(jìn)最大的行為；而較優(yōu)方向是在滿(mǎn)足可向優(yōu)的目標(biāo)方向前進(jìn)的所有行為中任意選擇一種行為。

總之，以頤和園和凡爾賽宮為例，中西方皇家園林在軸線的造園手法上確實(shí)存在著很大的差異性，不管是在宮廷區(qū)還是在園林區(qū)。從政治美學(xué)的視角看，這與二者不同背景下的政治文化意蘊(yùn)有關(guān)，中國(guó)的皇家園林要立足于儒家的禮制文化，兼之統(tǒng)治者對(duì)江南園林的喜愛(ài)，在宮廷區(qū)要符合禮制的要求，在園林區(qū)則是要滿(mǎn)足統(tǒng)治者對(duì)自然山水的追求。西方的皇家園林則是與唯理主義的意識(shí)形態(tài)有關(guān)，并且要滿(mǎn)足統(tǒng)治者集權(quán)的要求，不論是在宮廷區(qū)還是在園林區(qū)都要用軸線布局來(lái)強(qiáng)調(diào)理性，以及統(tǒng)治者統(tǒng)攝一切的權(quán)威。

2 人工魚(yú)群BP神經(jīng)網(wǎng)絡(luò)算法的實(shí)現(xiàn)

2.1 基本思想

為彌補(bǔ)BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)需通過(guò)不斷嘗試才能確定以及因采用梯度下降法而易陷入局部最優(yōu)解的不足，采用人工魚(yú)群神經(jīng)網(wǎng)絡(luò)(Artificial Fish Swarm Algorithm-Neural Network，AFSA-NN)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值的選取。以三層BP神經(jīng)網(wǎng)絡(luò)為例，設(shè)定神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)、輸出層節(jié)點(diǎn)數(shù)、隱含層節(jié)點(diǎn)數(shù)分別為I、J、K，輸入層神經(jīng)元i與隱含層神經(jīng)元j之間的連接權(quán)值為vij，隱含層神經(jīng)元閾值為μj，輸出層神經(jīng)元k與隱含層神經(jīng)元j之間的連接權(quán)值設(shè)為wjk，并令θk為輸出層神經(jīng)元k的閾值。將上述變量vij，μj，wjk，θk設(shè)定為人工魚(yú)算法進(jìn)行尋優(yōu)的參數(shù)，則任意一條人工魚(yú)狀態(tài)可如式(6)所示。

X=X(v11,…,vI1,μ1,…,v1J,…vIJ,μJ,…,w11,…,wI1,θK)

(6)

其中v11,…,vI1,μ1是輸入結(jié)點(diǎn)到第一個(gè)隱含層結(jié)點(diǎn)的權(quán)值和第一個(gè)隱含層結(jié)點(diǎn)的閾值，v1J,…vIJ,μJ是輸入結(jié)點(diǎn)到第J個(gè)隱結(jié)點(diǎn)的權(quán)值和第J個(gè)隱結(jié)點(diǎn)的閾值，w11,…,wI1,θK是隱結(jié)點(diǎn)到第K個(gè)輸出結(jié)點(diǎn)的權(quán)值和第K個(gè)輸出結(jié)點(diǎn)的閾值。

2.2 算法實(shí)現(xiàn)

人工魚(yú)群神經(jīng)網(wǎng)絡(luò)流程圖如圖1所示。由流程圖可知，人工魚(yú)群神經(jīng)網(wǎng)絡(luò)的建立分為以下三個(gè)步驟：

(1)建立BP神經(jīng)網(wǎng)絡(luò)

在抽油機(jī)故障診斷過(guò)程中共選取6組不同工況下的示功圖，并利用矩特征傅里葉描述后得到相應(yīng)的描述子。定義神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元、輸出層神經(jīng)元以及隱含層個(gè)數(shù)。

(2)在BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)，通過(guò)人工魚(yú)群算法對(duì)神經(jīng)網(wǎng)絡(luò)算法的權(quán)值和閾值進(jìn)行優(yōu)化。具體步驟如下：

Step1，人工魚(yú)群的規(guī)模設(shè)定，并對(duì)各項(xiàng)參數(shù)賦值。

Step2，在Visual內(nèi)隨機(jī)生成所設(shè)定規(guī)模的人工魚(yú)群，該過(guò)程將產(chǎn)生N個(gè)具有相投結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)，并計(jì)算每個(gè)神經(jīng)網(wǎng)絡(luò)的適應(yīng)度，通過(guò)比較得出適應(yīng)度最小的人工魚(yú)個(gè)體并將其記錄在公告牌內(nèi)。

圖1 人工魚(yú)群神經(jīng)網(wǎng)絡(luò)流程圖

Step3，判斷自身適應(yīng)度是否小于公告牌中記錄的適應(yīng)度，若小于則將公告牌中的信息更新為該人工魚(yú)狀態(tài)。若不滿(mǎn)足判斷條件，則以較優(yōu)方向的原則選擇適應(yīng)度較小的人工魚(yú)進(jìn)行追尾、聚群和覓食行為。

Step4，判斷算法是否已達(dá)到最大嘗試次數(shù)或所得最優(yōu)解是否滿(mǎn)足精度要求。若是則進(jìn)入Step5，否則返回Step3。

Step5，算法運(yùn)行結(jié)束，把公告板所記載的人工魚(yú)個(gè)體信息中權(quán)值和閾值輸出，該結(jié)果即為BP神經(jīng)網(wǎng)絡(luò)的最優(yōu)權(quán)值與閾值。

(3)利用步驟(2)中所得的權(quán)值和閾值訓(xùn)練神經(jīng)網(wǎng)絡(luò)，檢驗(yàn)并提高AFSA-NN算法在抽油機(jī)故障診斷中的準(zhǔn)確率和速度。

3 仿真驗(yàn)證與分析

為充分驗(yàn)證AFSA-NN在抽油機(jī)故障診斷中的準(zhǔn)確性和可靠性，特選取抽油機(jī)示功圖對(duì)管漏、供液不足、桿斷脫、泵漏失、氣影響五種故障進(jìn)行診斷。仿真過(guò)程中以AFSA-NN為診斷模型，分別選取故障特征和故障原因作為輸入層、輸出層節(jié)點(diǎn)。以原有的故障信息為樣本空間，抽油機(jī)示功圖描述子作為神經(jīng)網(wǎng)絡(luò)待訓(xùn)練的樣本。通過(guò)訓(xùn)練學(xué)習(xí)確定網(wǎng)絡(luò)結(jié)構(gòu)并對(duì)抽油機(jī)的不同故障類(lèi)型進(jìn)行診斷。本文采用6-7-6的三層神經(jīng)網(wǎng)絡(luò)，人工魚(yú)群算法的參數(shù)設(shè)定上選取人工魚(yú)群規(guī)模為N=30，人工魚(yú)移動(dòng)的最大步長(zhǎng)Step=0.9，人工魚(yú)視野Visual=10，擁擠度因子δ=0.8，嘗試次數(shù)Try_number=50。在MATLAB平臺(tái)上分別對(duì)傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)和人工魚(yú)群BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行模型搭建，兩種方法的訓(xùn)練結(jié)果分別如表1和表2所示。

表1 原始BP網(wǎng)絡(luò)輸出節(jié)點(diǎn)值

表2 人工魚(yú)群BP神經(jīng)網(wǎng)絡(luò)輸出節(jié)點(diǎn)值

若將仿真在結(jié)果中的數(shù)據(jù)進(jìn)行近似處理，即輸出節(jié)點(diǎn)值大于等于0.5時(shí)取為1，小于0.5則按0處理，那么從表1和表2可知，當(dāng)抽油機(jī)處于正常工況時(shí)，輸出節(jié)點(diǎn)值為(1,0,0,0,0,0)，管漏、供液不足、桿斷脫、泵漏失、氣影響五種常見(jiàn)故障的輸出節(jié)點(diǎn)值分別為(0,1,0,0,0,0)、(0,0,1,0,0,0)、(0,0,0,1,0,0)、(0,0,0,0,1,0)、(0,0,0,0,0,1)。對(duì)比兩種算法的故障診斷結(jié)

果可知，基于人工魚(yú)群BP神經(jīng)網(wǎng)絡(luò)算法對(duì)抽油機(jī)示功圖分析后所得的故障診斷結(jié)果具有更高的精度和可靠性。將兩種算法進(jìn)行多次的仿真驗(yàn)證表明人工魚(yú)群BP神經(jīng)網(wǎng)絡(luò)算法的故障診斷準(zhǔn)確率可達(dá)93.8%，遠(yuǎn)高于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法87.4%的準(zhǔn)確率，且人工魚(yú)群BP神經(jīng)網(wǎng)絡(luò)算法的訓(xùn)練時(shí)間也較短。

4 結(jié)束語(yǔ)

本文將人工魚(yú)群算法與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法相結(jié)合，提出人工魚(yú)群BP神經(jīng)網(wǎng)絡(luò)算法，并將其應(yīng)用于抽油機(jī)示功圖故障診斷。該方法充分利用人工魚(yú)群對(duì)神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值的進(jìn)行優(yōu)化，克服傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)易陷入局部極值、收斂速度慢的缺點(diǎn)。仿真結(jié)果充分說(shuō)明人工魚(yú)群BP神經(jīng)網(wǎng)絡(luò)算法在抽油機(jī)故障診斷過(guò)程中體現(xiàn)出的優(yōu)越性。

[1] 謝汝兵,杜娟,葛衛(wèi)京.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的機(jī)械故障研究[J].機(jī)械工程與自動(dòng)化, 2013,42(5): 119-121.

[2] 張強(qiáng),許少華,李盼池.基于量子蛙跳算法和過(guò)程神經(jīng)網(wǎng)絡(luò)的抽油機(jī)故障診斷[J]. 中國(guó)機(jī)械工程, 2014,25(12): 1609-1615.

[3] NESHAT M, SEPIDNAM G, SARGOLZAEI M, et al. Artificial fish swarm algorithm: a survey of the state-of-the-art, hybridization, combinatorial and indicative applications[J]. Artificial Intelligence Review, 2014,42(4): 965-997.

[4] 陳安華,周博,張會(huì)福,等.基于改進(jìn)人工魚(yú)群算法的機(jī)械故障聚類(lèi)診斷方法[J].振動(dòng)與沖擊, 2012,31(17): 145-148.

[5] 趙麗虹,范敬柱.量子魚(yú)群算法優(yōu)化RBF網(wǎng)絡(luò)的浮選預(yù)測(cè)模型[J].遼寧科技大學(xué)學(xué)報(bào), 2015,38(1): 46-50.

[6] 李媛.基于人工魚(yú)群算法的多元線性回歸分析問(wèn)題處理[J].渤海大學(xué)學(xué)報(bào)(自然科學(xué)版), 2011,32(2): 168-171.

[7] 利用人工魚(yú)群算法對(duì)光纖陀螺隨機(jī)漂移建模[J].中國(guó)慣性技術(shù)學(xué)報(bào), 2012,20(3): 358-362.

[8] 張穎.基于改進(jìn)魚(yú)群算法的BP神經(jīng)網(wǎng)絡(luò)優(yōu)化研究[D].廣州：華南理工大學(xué), 2012.

Fault Diagnosis of Oil Pumping Machines Based on Artificial Fish Swarm Neural Network

Shao Hailong1, Bu Lanxia2, Hu Mingzhe3, Fu Guangjie3

(1.Offshore Oil Engineering Co., Ltd., Tianjin 300451, China;2. PetroChina Daqing Refining and Chemical Branch, Daqing Heilongjiang 163318, China;3. College of Electrics and Information Engineering, Northeast Petroleum University, Daqing Heilongjiang 163318, China)

BP neural network, when applied to fault diagnosis of oil pumping machines, will easily fall into local extremum, and convergence speed cannot be guaranteed. Under this premise, a new fault diagnosis method for oil pumping machines is presented on the basis of artificial fish swarm neural network algorithm to make full use of the algorithm’s fast optimizing character on the global scope to overcome the shortcomings of BP neural network: slow convergence rate and likeliness to fall into locally optimal solution, thus improving the accuracy and speed of fault diagnosis. Taking five fault types (tube leakage of pumping machine, insufficient feed liquid, stem break-off, pump leakage and gas impact) as example, this paper uses Matlab to establish a model for traditional BP neural network and a model for artificial fish swarm neural network, and compares diagnosis results of these two methods. Simulation results sufficiently prove the feasibility, accuracy and superiority of artificial fish swarm neural network used for fault diagnosis of oil pumping machines.

oil pumping machine fault diagnosis；artificial fish swarm algorithm；BP neural network；artificial fish swarm neural network；simulation verification

10.3969/j.issn.1000-3886.2017.02.008

TP277

A

1000-3886(2017)02-0026-03

邵海龍(1983-)，男，黑龍江肇東人，主要從事儀表控制與選型設(shè)計(jì)研究工作。 布蘭霞(1966-)，女，黑龍江大慶人，主要從事抽油機(jī)故障診斷研究工作。 胡明哲(1994-)，男，黑龍江大慶人，碩士，研究方向?yàn)殡娏﹄娮优c電力傳動(dòng)。 付光杰(1962-)，女，博士，黑龍江龍江人，研究方向?yàn)殡娏﹄娮蛹夹g(shù)及應(yīng)用。

定稿日期: 2016-09-15