董巧玲

（中國石油大慶油田有限責任公司采油工程研究院，黑龍江 大慶 163712）

引 言

抽油機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化、數(shù)字化、智能化油田的方向轉(zhuǎn)型。對于采油氣生產(chǎn)領(lǐng)域的抽油機井工況故障診斷技術(shù)，如何實現(xiàn)各種工況快捷、準確的智能識別診斷，是國內(nèi)外石油科研人員的重點攻關(guān)方向之一?？偨Y(jié)國內(nèi)外有關(guān)抽油機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)場情況、人工經(jīng)驗、技術(shù)水平等主客觀因素的限制；專家系統(tǒng)過分依賴知識庫，知識庫更新不及時，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；灰色理論法所需計算量大耗時長，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，采用計算機神經(jīng)網(wǎng)絡(luò)技術(shù)對示功圖進行智能識別分類［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、實時學習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，以實現(xiàn)智能化故障診斷。人工神經(jīng)網(wǎng)絡(luò)技術(shù)對于實現(xiàn)油田開發(fā)中采油系統(tǒng)的自動化、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、較強的自學和容錯能力［9］。神經(jīng)元通過彼此之間的競爭，可實現(xiàn)類似于人腦神經(jīng)系統(tǒng)的“遠抑制近興奮”響應(yīng)功能［10］。相比于個別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測能力和識別類型等方面有較大改進，同時在聚類分析上具有較好的適用性。本文針對XX油田采油現(xiàn)場抽油機井不同工況的示功圖，經(jīng)過算法優(yōu)選和診斷模型的評估對比，選用粒子群算法改進后的自組織特征映射網(wǎng)絡(luò)進行標準樣本的訓練學習、仿真分析，以及待測樣本的示功圖工況診斷預測。

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爭神經(jīng)網(wǎng)絡(luò)［11-12］。自組織現(xiàn)象源自人類大腦細胞的自組織特性，不同區(qū)域的腦細胞“各司其職”，自行對應(yīng)處理不同的感官輸入，該特性并不完全取決于遺傳，相比而言其對后天的學習和訓練依賴性更強。

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，包含輸入層和競爭層（輸出層）兩層網(wǎng)絡(luò)。輸入層共有m個神經(jīng)元，競爭層中引入了網(wǎng)絡(luò)拓撲結(jié)構(gòu)，含有a×b個神經(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”，競爭層類比為做出響應(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)與競爭神經(jīng)網(wǎng)絡(luò)均采用無監(jiān)督的學習方式，兩者最大的異同點在于：SOM神經(jīng)網(wǎng)絡(luò)能夠識別輸入空間的鄰域部分，能夠?qū)τ柧殬颖据斎胂蛄康姆植继卣骷巴負浣Y(jié)構(gòu)進行同步學習［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行判定［14］，兩向量的相似性程度與計算的距離呈負相關(guān)。SOM神經(jīng)網(wǎng)絡(luò)輸入模式以模式相似性為依據(jù)進行學習、競爭、分類，通過對比、競爭、調(diào)整、排序，來模擬人的生物神經(jīng)元網(wǎng)絡(luò)認知過程的特性。在抽油機故障診斷過程中，SOM神經(jīng)網(wǎng)絡(luò)可實現(xiàn)不同工況的聚類和可視化，同時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)計關(guān)系到可視化的簡單幾何關(guān)系”均發(fā)生了轉(zhuǎn)化，當轉(zhuǎn)化為神經(jīng)元二維模型后，其數(shù)據(jù)拓撲結(jié)構(gòu)保持不變，即將“意義相似”的輸入信息映射到競爭層中最近的輸出節(jié)點上［15］。

若將SOM神經(jīng)網(wǎng)絡(luò)直接應(yīng)用于抽油機示功圖故障診斷會存在一定的不足，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產(chǎn)生，當神經(jīng)元初始權(quán)值與輸入向量距離過遠，使其在競爭中從未獲勝，也從未得到學習，將導致毫無意義的“死神經(jīng)元”形成，或個別神經(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)的收斂速度和學習效果。因此，采取有效的改進算法對于提高SOM神經(jīng)網(wǎng)絡(luò)的性能和實際應(yīng)用效果具有重要意義。

2 基本原理

2．1 示功圖預處理特征參數(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雜度小、魯棒性強，但計算量會隨著階數(shù)的增大而呈級數(shù)增長，不利于實時應(yīng)用。傅里葉描繪子計算相對簡單、計算量小，適用于示功圖曲線邊界的描述，但對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)缺點可以互補，本文采用圖像不變矩和傅里葉描繪子復合的新方法，對示功圖進行特征參數(shù)的提取，經(jīng)驗證該復合特征提取法對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)出了較強的穩(wěn)定性和魯棒性，在示功圖樣本預處理的過程中實時運算量減少，運行速率和準確率得到提高，對于載荷-位移曲線的特征識別具有通用性。

（1）二維圖像的不變矩

對于任意非負整數(shù)p、q，二維圖像的（p＋q）階矩

式中：（x，y）為圖像像素點坐標，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圖像的旋轉(zhuǎn)、平移和縮放表現(xiàn)穩(wěn)定的7個不變矩特征值，計算公式如下：

（2）傅里葉描繪子

取xy平面上一條閉合曲線，在曲線上任取一點作為起始點（x0，y0），沿著順時針方向依次取N＋1個點到（xN，yN），得到一個表示曲線邊界的坐標x，y；把N＋1個橫、縱坐標賦值給U：

其中，n＝0，1，…，N；U（n）為復變量；x表示實部；y表示虛部。

對式（11）進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合法對抽油機示功圖（載荷-位移曲線）進行特征參數(shù)提取。首先，計算載荷-位移曲線二維圖像的7個不變矩的特征序列，再利用傅里葉描繪子方法對該特征序列進行傅里葉變換，計算示功圖特征參數(shù)。

2．2 改進的SOM 神經(jīng)網(wǎng)絡(luò)的學習算法

粒子群算法（PSO）源于生物界鳥群捕食的行為研究，是國際公認的一種進化尋優(yōu)算法。粒子群算法的基本思想是通過群體中個體之間的協(xié)作和信息共享來尋找最優(yōu)解［16］，具有算法簡單，易于實現(xiàn)，調(diào)節(jié)參數(shù)較少，收斂速度快等優(yōu)點，目前被廣泛應(yīng)用于博弈學習、神經(jīng)網(wǎng)絡(luò)訓練、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，采用粒子群算法加以改進優(yōu)化，通過PSO算法與Kohonen規(guī)則的結(jié)合，對神經(jīng)元的連接權(quán)值進行輪替更新，從而減弱神經(jīng)元權(quán)向量初始值對SOM神經(jīng)網(wǎng)絡(luò)運行效果的影響，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)向量看作一個個的粒子，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?shù)欢ǖ拇螖?shù)后，再根據(jù)SOM神經(jīng)網(wǎng)絡(luò)的Kohonen規(guī)則訓練調(diào)整網(wǎng)絡(luò)權(quán)值。具體步驟如下：

（1）用隨機數(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：對輸入向量、權(quán)值向量分別按

進行歸一化計算處理。式中：x、ωj分別為輸入向量、權(quán)值向量相對應(yīng)的歐式長度。

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

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

（6）根據(jù)Kohonen規(guī)則，對獲勝神經(jīng)元及其對應(yīng)的拓撲鄰域內(nèi)神經(jīng)元的權(quán)值進行調(diào)整修正：

式中：學習速率η為常數(shù)且滿足0＜η＜1，隨著時間t的變化逐漸逼近至0。

學習后的權(quán)值按式（15）進行歸一化處理，學習速率η和拓撲鄰域NC的大小按照排序和調(diào)整兩階段不斷進行更新。

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)的算法進行訓練，迭代n次。

（7）若滿足預先設(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，重復執(zhí)行式（16）—式（21），直到達到目標要求為止。

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

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

（1）學習階段。首先，提取不同工況示功圖標準樣本的特征參數(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)模型的運算得到輸出值，對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到期望的條件。

（2）診斷階段。對待檢測示功圖進行預處理，獲取特征參數(shù)。將待檢測樣本的特征參數(shù)輸入網(wǎng)絡(luò)學習期建立的PSO-SOM神經(jīng)網(wǎng)絡(luò)學習模型進行分析比較，實現(xiàn)待測示功圖的工況診斷。采用改進SOM神經(jīng)網(wǎng)絡(luò)進行抽油機工況故障診斷的流程如圖2所示。

圖2 基于改進SOM 神經(jīng)網(wǎng)絡(luò)的抽油機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)用實例

3．1 標準數(shù)據(jù)采集和預處理

在采油現(xiàn)場通過曲柄位置傳感器和懸點載荷傳感器（圖3）獲取抽油機示功圖數(shù)據(jù)（位移-載荷曲線）。通過遠程RTU模塊將所測數(shù)據(jù)上傳至數(shù)據(jù)庫，對現(xiàn)場所采集的標準示功圖樣本進行預處理。

圖3 抽油機示功圖測試傳感器示意圖Fig．3 Schematic diagram of pumping unit indicator diagram test sensor

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

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

3．2 算法尋優(yōu)測試對比

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

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

由表2可知，3種改進優(yōu)化算法的診斷準確率都相對較高，均在95%以上，說明基于3種改進算法的SOM神經(jīng)網(wǎng)絡(luò)未受到局部最優(yōu)解的影響，但ACO算法的訓練時間最長，影響診斷效率；相比于ACO算法和GA算法，PSO算法的運行時間最少，且診斷準確率高。圖4為3種優(yōu)化算法下的最優(yōu)個體適應(yīng)度曲線，可以看出PSO算法的最優(yōu)個體適應(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)模型進行抽油機示功圖工況的高效診斷。

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

對于PSO算法主要運行參數(shù)有 ωPSO、c1和 c2。其中ωPSO為慣性權(quán)重系數(shù)，經(jīng)大量實驗證明，ωPSO值越大，全局尋優(yōu)能力增強，局部尋優(yōu)能力減弱；反之，則局部尋優(yōu)能力增強［20］。c1為自我學習因子，代表對粒子歷史位置的認可和肯定，引導粒子飛到自己找到的最優(yōu)位置，c2為社會學習因子，表示粒子對種群社會位置的學習，將粒子引導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)個體適應(yīng)度曲線，可見當c1＝2，c2＝1時，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 不同診斷模型評估對比

對比神經(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，針對同一工況采用50個示功圖樣本進行診斷模型測試，診斷評估指標見表3。

甲組、乙組、丙組3組患者治療后生存質(zhì)量評分、腫瘤進展時間、中位生存期均差異無統(tǒng)計學意義（P＞0.05），如表2。

表3 診斷模型評估指標Tab．3 Evaluation indexes of diagnostic models

由診斷評估指標可見，BP神經(jīng)網(wǎng)絡(luò)識別時間較長，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，不利于工程實際應(yīng)用。LVQ神經(jīng)網(wǎng)絡(luò)的診斷準確率低，為87．26%，實際示功圖診斷應(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)對比來看，PSO-SOM神經(jīng)網(wǎng)絡(luò)識別時間短、診斷方差更低，診斷準確率較常規(guī)SOM神經(jīng)網(wǎng)絡(luò)有所提高。分析認為，通過PSO算法使得SOM神經(jīng)網(wǎng)絡(luò)的每個權(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)值選擇不當所導致的“死神經(jīng)元”的產(chǎn)生，提高了SOM神經(jīng)網(wǎng)絡(luò)的訓練速度、精度和診斷準確率。

3．4 分類及仿真結(jié)果

通過計算機編程創(chuàng)建PSO-SOM神經(jīng)網(wǎng)絡(luò)模型，所建立的模型采用二維拓撲結(jié)構(gòu)，包含了輸入層和競爭層兩層網(wǎng)絡(luò)，競爭層設(shè)有49個神經(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，算法迭代進化次數(shù)為500。

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

對每種工況標準示功圖樣本進行學習，網(wǎng)絡(luò)訓練的學習次數(shù)按照表4中10～500次依次進行。當網(wǎng)絡(luò)訓練結(jié)束后，對“獲勝神經(jīng)元”標記相應(yīng)顯示故障的記號。通過學習訓練模型對現(xiàn)場采集的待檢測示功圖進行故障診斷識別，輸出診斷結(jié)果。

所建立的改進SOM 神經(jīng)網(wǎng)絡(luò)拓撲學結(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。模型訓練學習后得到的每個神經(jīng)元的分類結(jié)果如圖7所示，圖7中藍色神經(jīng)元即為“獲勝神經(jīng)元”。判斷待檢測示功圖的診斷結(jié)果主要是通過模型所計算的輸出神經(jīng)元與標準故障工況樣本在競爭層位置的對應(yīng)情況進行判別。故障的發(fā)生概率取決于計算輸出的神經(jīng)元位置與對應(yīng)標準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)元之間的距離遠近情況Fig．6 Distance among ad jacent neurons

圖7 每個神經(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)訓練步數(shù)的增加，聚類結(jié)果愈加細化明了，當訓練步數(shù)為150次時，每個樣本各自被歸為一類，當訓練步數(shù)達到200或500時，分類結(jié)果同樣各分為一類，因此再增加訓練步數(shù)意義不大。待檢測示功圖以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XX油田現(xiàn)場常見的抽油機9種工況、700井次的示功圖數(shù)據(jù)進行學習訓練及驗證，所得到的示功圖對不同工況的正確識別率見表7。示功圖的平均正確識別率可達90．3%，表明采用PSO-SOM神經(jīng)網(wǎng)絡(luò)進行示功圖故障識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)驗證示功圖的正確識別率Tab．7 Verification of correct recognition rate of indicator diagrams using PSO-SOM neural network under different working conditions

4 結(jié) 論

（1）對比了蟻群算法（ACO）、遺傳算法（GA）、粒子群算法（PSO）對SOM神經(jīng)網(wǎng)絡(luò)的改進效果，PSO算法的最優(yōu)個體適應(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診斷模型效果對比，PSO-SOM神經(jīng)網(wǎng)絡(luò)在識別時間、診斷準確率和診斷方差方面展現(xiàn)出了明顯的優(yōu)勢，PSO算法的改進有效避免了Kohonen規(guī)則因初始權(quán)值選擇不當而導致的“死神經(jīng)元”的產(chǎn)生，提高了SOM神經(jīng)網(wǎng)絡(luò)的訓練速度和診斷準確率。

（3）PSO-SOM神經(jīng)網(wǎng)絡(luò)經(jīng)過XX油田現(xiàn)場抽油機700井次的9種不同示功圖工況的學習訓練和驗證，網(wǎng)絡(luò)訓練150次時即可對樣本進行精確分類，工況平均診斷正確率高達90．3%，可見PSO-SOM神經(jīng)網(wǎng)絡(luò)在示功圖故障識別中應(yīng)用的可行性和有效性。