CN103886339A - 基于bp神经网络的抽油设备示功图动态识别方法和装置 - Google Patents

Abstract

本发明是有关于基于BP神经网络的抽油设备示功图动态识别方法和装置，其中的方法包括：建立特征库以及动态识别，建立过程包括：对抽油设备示功图样本的时域数据进行归一化处理，并采样获得离散的时域数据序列；对时域数据序列进行傅立叶变换获得频域数据序列；利用频域数据序列中的部分数据替代时域数据序列中的部分数据，并获得傅立叶逼近特征值；将归一化处理后的抽油设备示功图样本分割为四部分，并提取特征向量；傅立叶逼近特征值和特征向量存储于特征库中；利用BP神经网络算法对抽油设备示功图样本进行训练，以库中的傅立叶逼近特征值。本发明增强了抽油设备的自动化管理程度，并提高了油田工作效率，同时完善了油井作业的管理制度。

Description

基于BP神经网络的抽油设备示功图动态识别方法和装置

技术领域

本发明涉及设备管理技术，特别是涉及一种基于BP神经网络的抽油设备示功图动态识别方法和装置。

背景技术

油田的抽油设备示功图（也即抽油机示功图）可以反映出抽油设备的工况，如抽油设备的故障情况、抽油效率以及抽油机产量等。如果能够对抽油设备示功图的监控分析进行科学管理，则可以使抽油设备达到较高的采油速度以及较高的原油采收率。有鉴于此，在目前的油井作业中，一个重要的工作内容就是采集并获取抽油设备的示功图。

发明人在实现本发明过程中发现：虽然目前可以通过现代化的测量手段进行全天候的信息采集，并可以利用相应的软件将采集到的信息绘制成抽油设备示功图，但是，目前仍然需要人工查看抽油设备示功图，并对抽油设备示功图进行人工分析，以判断抽油设备的工况。因此，抽油设备的自动化管理程度还有待于进一步的提高。

有鉴于现有的抽油设备的自动化管理存在的问题，本发明人基于从事此类产品设计制造多年丰富的实务经验以及专业知识，并配合学理的运用，积极加以研究创新，以期创设一种新型结构的基于BP神经网络的抽油设备示功图动态识别方法和装置，能够克服现有的抽油设备的自动化管理存在的问题，使其更具有实用性。经过不断的研究设计，并经过反复试作样品及改进，终于创设出确具实用价值的本发明。

发明内容

本发明的主要目的在于，克服现有的抽油设备的自动化管理存在的问题，而提供一种新型结构的基于BP神经网络的抽油设备示功图动态识别方法和装置，所要解决的技术问题是，增强抽油设备的自动化管理程度，进而进一步提高油井的原油产量，并提高油田工作效率，同时完善油井作业的管理制度，非常适于实用。

本发明的目的以及解决其技术问题可以采用以下的技术方案来实现。

依据本发明提出的一种基于BP神经网络的抽油设备示功图动态识别方法，包括：特征库的建立过程以及利用已成功建立的特征库对采集的抽油设备示功图进行动态识别过程，其中所述特征库的建立过程包括：对抽油设备示功图样本的时域数据进行归一化处理，并对归一化处理后的时域数据进行采样处理，以获得离散的时域数据序列；对所述离散的时域数据序列进行傅立叶变换，以获得频域数据序列；利用所述频域数据序列中的部分数据替代所述离散的时域数据序列中位置对应的部分数据，并利用替代后的时域数据序列进行傅立叶逼近计算，以获得傅立叶逼近特征值；利用对角线分割方式将所述归一化处理后的抽油设备示功图样本分割为四部分，并从右下部分提取特征向量；所述傅立叶逼近特征值和所述特征向量存储于特征库中；利用BP神经网络算法对抽油设备示功图样本进行训练，并利用训练获得的特征值校正特征库中的傅立叶逼近特征值。

较佳的，前述的基于BP神经网络的抽油设备示功图动态识别方法，其中所述利用已成功建立的特征库对采集的抽油设备示功图进行动态识别过程包括：对采集的抽油设备示功图的时域数据进行归一化处理，并对归一化处理后的时域数据进行采样处理，以获得离散的时域数据序列；对所述离散的时域数据序列进行傅立叶变换，以获得频域数据序列；利用所述频域数据序列中的部分数据替代所述离散的时域数据序列中位置对应的部分数据，并利用所述替代后的时域数据序列进行傅立叶逼近计算，以获得傅立叶逼近特征值；利用对角线分割方式将所述归一化处理后的抽油设备示功图分割为四部分，并从右下部分提取特征向量；利用贴近度算法对采集到的抽油设备示功图对应的傅立叶逼近特征值和特征向量进行基于特征库的贴近度计算，以识别所述采集的抽油设备示功图。

较佳的，前述的基于BP神经网络的抽油设备示功图动态识别方法，其中所述利用所述频域数据序列中的部分数据替代所述离散的时域数据序列中位置对应的部分数据包括：将所述频域数据序列中的前K个数据替代所述离散的时域数据序列中的前K个数据，其中，K为自然数且小于时域数据序列中的数据数量。

本发明提出一种基于BP神经网络的抽油设备示功图动态识别装置，该装置包括：用于建立特征库的建立模块以及用于利用已成功建立的特征库对采集的抽油设备示功图进行动态识别的识别模块；该建立模块包括：归一化模块，用于对抽油设备示功图样本的时域数据进行归一化处理，并对归一化处理后的时域数据进行采样处理，以获得离散的时域数据序列；傅立叶变换模块，用于对所述离散的时域数据序列进行傅立叶变换，以获得据替代所述离散的时域数据序列中位置对应的部分数据，并利用所述替代后的时域数据序列进行傅立叶逼近计算，以获得傅立叶逼近特征值；提取模块，用于利用对角线分割方式将所述归一化处理后的抽油设备示功图样本分割为四部分，并从右下部分提取特征向量；特征库，用于存储所述傅立叶逼近特征值和所述特征向量；训练模块，用于利用BP神经网络算法对抽油设备示功图样本进行训练，并利用训练获得的特征值校正特征库中的傅立叶逼近特征值。

较佳的，前述的动态识别装置，其中所述识别模块包括：所述归一化模块，用于对采集的抽油设备示功图的时域数据进行归一化处理，并对归一化处理后的时域数据进行采样处理，以获得离散的时域数据序列；所述傅立叶变换模块，用于对所述离散的时域数据序列进行傅立叶变换，以获得频域数据序列；所述傅立叶逼近模块，用于利用所述频域数据序列中的部分数据替代所述离散的时域数据序列中位置对应的部分数据，并利用替代后的时域数据序列进行傅立叶逼近计算，以获得傅立叶逼近特征值；所述提取模块，用于利用对角线分割方式将所述归一化处理后的抽油设备示功图分割为四部分，并从右下部分提取特征向量；贴近度模块，用于利用贴近度算法对采集到的抽油设备示功图对应的傅立叶逼近特征值和特征向量进行基于特征库的贴近度计算，以识别所述采集的抽油设备示功图。

较佳的，前述的动态识别装置，其中所述利用所述频域数据序列中的部分数据替代所述离散的时域数据序列中位置对应的部分数据包括：将所述频域数据序列中的前K个数据替代所述离散的时域数据序列中的前K个数据，其中，K为自然数且小于时域数据序列中的数据数量。

借由上述技术方案，本发明的基于BP神经网络的抽油设备示功图动态识别方法和装置至少具有下列优点以及有益效果：本发明通过利用抽油设备示功图样本建立特征库，并利用BP神经网络算法对抽油设备示功图样本进行训练，以校正特征库，这样，可以利用该校正的特征库对采集到的抽油设备示功图进行快速准确的识别；从而本发明提供的技术方案增强了抽油设备的自动化管理程度，进而进一步提高了油井的原油产量，并提高了油田工作效率，同时完善了油井作业的管理制度。

综上所述，本发明在技术上有显著的进步，并具有明显的积极技术效果，诚为一新颖、进步、实用的新设计。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例,并配合说明书附图,详细说明如下。

附图说明

图1为本发明的基于BP神经网络的特征库的建立过程的流程图；

图2为本发明的严重缺液情况下的示功图标准样本示意图；

图3为本发明的傅里叶变换后的载荷位移变化曲线示意图；

图4为本发明的对抽油设备示功图样本进行分割示意图；

图5为本发明的特征库中存储的数组形式的载荷特征向量示意图；

图6为本发明的特征库中存储的数组形式的位移特征向量示意图；

图7为本发明的输出层矩阵示意图；

图8为本发明的利用已成功建立的特征库对采集的抽油设备示功图进行动态识别过程的流程图；

图9为本发明的对采集到的抽油设备示功图进行识别的一个具体例子的示意图。

具体实施方式

为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例，对依据本发明提出的基于BP神经网络的抽油设备示功图动态识别方法和装置的具体实施方式、结构、特征及其功效，详细说明如后。

实施例一、基于BP神经网络的抽油设备示功图动态识别方法。

本实施例的方法主要包括两部分，一部分为：特征库的建立过程，另一部分为：利用已成功建立的特征库对采集的抽油设备示功图进行动态识别过程。下面结合图1-9对这两部分内容分别进行说明。

一、特征库的建立过程，其流程如图1所示。

图1中，S100、首先对抽油设备示功图样本的时域数据进行归一化处理，之后，对归一化处理后的时域数据进行采样处理，从而可以获得离散的时域数据序列。

上述抽油设备示功图样本也可以称为标准样本，该标准样本有可能会存在不符合具体地区实际情况的现象，因此，需要通过后续的S150对特征库中存储的与该样本对应的内容进行修正。

对抽油设备示功图样本的时域数据进行归一化处理可以方便后续的处理过程，使数据具有通用性。本实施例可以采用现有的归一化处理方式对时域数据进行归一化处理，在此不对归一化处理过程进行详细说明。

本实施例可以按照预定采样频率f对实际接收到的一段连续信号x(t)（即抽油设备示功图样本的时域数据）进行采样，从而将一段连续信号x(t)转换为一段离散的信号序列x[n]（即离散的时域数据系列）。

S110、对上述获得的离散的时域数据序列进行傅立叶变换，以获得频域数据序列。

通过本步骤中的傅立叶变换可以将离散的时域数据序列转换为频域数据序列。本实施例可以采用现有的傅立叶变换方式进行时域数据序列到频域数据序列的转换，在此不对傅立叶变换的具体实现过程进行详细说明。

一个具体的例子，井W269-10在严重缺液的情况下的示功图标准样本如图2，傅里叶变换后的载荷位移变化曲线如图3所示。

S120、利用上述频域数据序列中的部分数据替代上述离散的时域数据序列中位置对应的部分数据，并利用上述替代后的时域数据序列进行傅立叶逼近计算，以获得傅立叶逼近特征值。

具体的替代过程可以为：将频域数据序列中的前K个数据替代离散的时域数据序列中的前K个数据X(k)，以重构频域信号，其中，K为自然数且小于时域数据序列中的数据的数量。

傅立叶逼近为线性逼近，一个具体的实现方式为：根据f(x)在区间[0,2π]上的2n+1个等距点X_i=2π/(2n+1)*(i+0.5)(i=1，2...2n)处的函数值fi=f(xi)，求傅立叶级数 $f\left(x\right)=\frac{1}{2}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_0+\underset{k=1}{\overset{\∞}{\mathrm{\Σ}}}(a_k\cos \mathrm{kx}+b_k\sin \mathrm{kx})$ 的前2n+1个系数a_k（k=0，1，2…n）和b_k（k=0，1，2…）的近似值。

之后，计算a_k和b_k，一个具体计算过程的例子如下：

对于（k=0，1，2…n）按照下述迭代公式计算：

U_2n+2=U_2n+1=0;

u_j=f_i+2coskθu_j+1-u_j+2(j=2n,2n-1...1)

其中， $\mathrm{\θ}=\frac{2\mathrm{\π}}{2n+1};$

用如下递推公式计算coskθ和sinkθ：

coskθ=cosθcos(k-1)θ-sinθsin(k-1)θ;

sinkθ=sinθcos(k-1)θ-cosθsin(k-1)θ;

然后，利用下述公式计算a_k和b_k；

$a_k=\frac{2}{2n+1}(f_0+u_1\cos \mathrm{k\θ}-u_2);$

$b_k=\frac{2}{2n+1}{u}_1\sin \mathrm{k\θ};$

从而利用上述计算过程可以获得a_k和b_k的两个特征数组，取每个特征数组的前两个（即a[0]、a[1]、b[0]和b[1]）作为傅立叶逼近特征值。

S130、利用对角线分割方式将上述归一化处理后的抽油设备示功图样本分割为四部分，并从右下部分提取特征向量。

具体的，对抽油设备示功图样本进行分割的一个实现方式为：如图4所示，选取位移最小点和最大点的序列为端点，这两个端点相连形成一条对角线；选取载荷的最大点和最小点为上下拐点，将上下拐点相连，会形成另一条对角线（如果将这两条对角线的端点顺序连接，则可以得到一个四边形）；这两条对角线会将归一化处理后的抽油设备示功图分为四个部分。

之后，在提取特征向量的过程中，可以以位移最小点为起始值在右下图形（即第四项限中的图形）跳跃性的选取特征向量。

S140、将上述获得的傅立叶逼近特征值和特征向量存储于特征库中。

针对图2而言，特征库中存储的特征向量如图5和图6所示。图5显示的是特征库中存储的数组形式的载荷特征向量。图6显示的是特征库中存储的数组形式的位移特征向量。

S150、利用BP神经网络算法对抽油设备示功图样本进行训练，并利用训练获得的特征值校正特征库中的傅立叶逼近特征值。

具体的，本步骤是针对本地的具体情况将一个符合当地实际情况的抽油设备示功图作为某一具体类型的标准示功图，并利用现有的BP神经网络算法以该标准的示功图为基础，对特征库中已存储的同一类型的特征值进行校正。

下面对利用BP神经网络算法进行样本训练并校正的一个具体例子进行简要说明。

（1）、权系数W_ij置初值：

对各层的权系数W_ij置一个较小的非零随机数，但其中W_in+1=-θ。

（2）输入一个样本X₀以及对应期望值：

$y=e^{{-x}_0^2}$

（3）计算各层的输出：

第一层：

U_0-1=W_0-1X₀-θ_0-1

$X_{0-1}=f\left(U_{0-1}\right)=\frac{1}{1+\exp \left({-U}_{0-1}\right)}$

第二层：

$U_{1-i}=\underset{j=1}{\overset{2}{\mathrm{\Σ}}}{X}_{1-\mathrm{ij}}{X}_{0-j}=W_{l\_\mathrm{il}}{X}_{0\_1}-{\mathrm{\θ}}_{1-i}$

其中，i=1，2，3，4。

第三层：

$U_{2-i}=\underset{j=1}{\overset{5}{\mathrm{\Σ}}}{W}_{2-\mathrm{ij}}{X}_{1-j}=\underset{j=1}{\overset{4}{\mathrm{\Σ}}}{W}_{2-\mathrm{ij}}{X}_{1-j}-{\mathrm{\θ}}_{2-i}$

$X_{2-i}=f\left(U_{2-i}\right)=\frac{1}{1+\exp \left({-U}_{2-i}\right)}$

其中，i=1，2，3，4，5，6。

（4）计算：

e=X_4-l-Y

如e<0.003则转到（8）执行相应的操作，否则，转到（5）执行相应的操作。

（5）求各层的学习误差：

k=3;j=1,2,3,4,5,6；

$d_{2-j}=X_{2-j}(1-X_{2-j})\underset{l}{\mathrm{\&Sigma;}}{W}_{3-1j}{d}_{3-l}$

k=2;j=1,2,3,4；

$d_{1-j}=X_{1-j}(1-X_{1-j})\underset{l}{\mathrm{\&Sigma;}}{W}_{2-1j}{d}_{2-l}$

$d_{0-j}=X_{0-j}(1-X_{0-j})\underset{l}{\mathrm{\&Sigma;}}{W}_{1-1j}{d}_{1-l}$

（6）修正权系数和阀值：

当k=1时：

W_0-1=W_0-1-ηd_0-1X₀+αW_0-0

当k=2时：

I=1,2,3,4;j=1,2；

W_1-ij=W_1-ij-ηd_1-iX_1-j+αW_1-0

当k=3时：

I=1,2,3,4,5,6;j=1,2,3,4；

W_2-ij=W_2-ij-ηd_1-iX_1-j+αW_1-0

（7）返回（3）执行相应的操作：

（8）输出各层的权系数。

在VC环境下测试BP算法为：

printf("请输入隐层结点数：\n")；

scanf("%d",&(*bp).dot)；

printf("请输入学习率：\n")；

scanf("%lf",&(*bp).rate)；

printf("请输入允许误差限：\n")；

scanf("%lf",&(*bp).error)；

这里经过测试输入以下值合适此应用：

隐层结点数：bp->dot=20;

学习率：bp->rate=0.5;

允许误差限：bp->error=0.0001;

VC测试输入傅里叶逼近计算的特征值为训练样本矩阵，此时测试取3个值，a[0]、a[1]和b[0]；

初始化一个随机矩阵，计算后得到的输出层矩阵如图7所示。通过样本训练，可以使抽油设备示功图的匹配更加标准。

二、利用已成功建立的特征库对采集的抽油设备示功图进行动态识别过程，其流程如图8所示。

图8中，S200、首先对采集到的抽油设备示功图的时域数据进行归一化处理，并对归一化处理后的时域数据进行采样处理，以获得离散的时域数据序列。

S210、对上述离散的时域数据序列进行傅立叶变换，以获得频域数据序列。

S220、利用频域数据序列中的部分数据替代上述离散的时域数据序列中位置对应的部分数据，并利用替代后的时域数据序列进行傅立叶逼近计算，以获得傅立叶逼近特征值。

S230、利用对角线分割方式将归一化处理后的抽油设备示功图分割为四部分，并从右下部分提取特征向量。

S240、利用贴近度算法对S220获得的傅立叶逼近特征值和S230获得的特征向量进行基于特征库的贴近度计算，以识别采集到的抽油设备示功图。

上述步骤S200-S230的具体实现过程与上述步骤S100-130的具体实现过程基本相同，在此不再详细说明，下面对S240进行进一步说明。

基于特征库的贴近度计算的一个具体例子可以为：

1、基于特征库获取特征数组（如，将特征库中的全部数组按照ID顺序组合成一个数组），获取实际测试特征数组，分别进行对比；

2、if(a>b){s1+=b;s2+=a;}else{s1+=a;s2+=b;}，其中a为特征库对应的特征数组，b为实际测试特征数组；

3、t=s1/s2；然后，根据t值直接得到类型编号。

对采集到的抽油设备示功图进行识别的一个具体例子如图9所示，在本发明的应用软件显示的画面上，在双击某个井之后，可以直接得到类型编号为油井严重缺液的警示信息，从而油田人员可以对该油井的抽油设备及时进行相关的作业。

实施例二、基于BP神经网络的抽油设备示功图动态识别装置。

本实施例的装置主要包括：建立模块和识别模块。

建立模块主要用于建立特征库。该建立的特征库可以存储于建立模块中，也可以存储于其他存储模块中。

识别模块主要用于在接收到外部传输来的采集的抽油设备示功图之后，利用上述建立模块成功建立的特征库对其接收到的抽油设备示功图进行动态识别。

上述建立模块主要包括：归一化模块、傅立叶变换模块、傅立叶逼近模块、提取模块、特征库以及训练模块。上述识别模块主要包括：归一化模块、傅立叶变换模块、傅立叶逼近模块、提取模块以及贴近度模块。

上述建立模块和识别模块可以分别包括各自的归一化模块、傅立叶变换模块、傅立叶逼近模块和提取模块；当然，同一套归一化模块、傅立叶变换模块、傅立叶逼近模块和提取模块也可以同时归属于建立模块和识别模块。

归一化模块主要用于在接收到抽油设备示功图样本时，对该样本的时域数据进行归一化处理，并对归一化处理后的时域数据进行采样处理，以获得离散的时域数据序列；在接收到采集的抽油设备示功图时，对该示功图的时域数据进行归一化处理，并对归一化处理后的时域数据进行采样处理，以获得离散的时域数据序列。

归一化模块可以采用现有的归一化处理方式对时域数据进行归一化处理，在此不对归一化模块所执行的归一化处理过程进行详细说明。

归一化模块可以按照预定采样频率f对实际接收到的一段连续信号x(t)（即抽油设备示功图样本的时域数据或者采集到的抽油设备示功图的时域数据）进行采样，从而归一化模块可以将一段连续信号x(t)转换为一段离散的信号序列x[n]（即离散的时域数据系列）。

傅立叶变换模块主要用于对归一化模块输出的离散的时域数据序列进行傅立叶变换，以获得频域数据序列。

傅立叶变换模块可以将离散的时域数据序列转换为频域数据序列，且傅立叶变换模块可以采用现有的傅立叶变换方式进行时域数据序列到频域数据序列的转换，在此不对傅立叶变换模块所执行的傅立叶变换的具体实现过程进行详细说明。

傅立叶逼近模块主要用于利用傅立叶变换模块输出的频域数据序列中的部分数据替代归一化模块输出的离散的时域数据序列中位置对应的部分数据，并利用替代后的时域数据序列进行傅立叶逼近计算，以获得傅立叶逼近特征值。

具体的，傅立叶逼近模块可以将频域数据序列中的前K个数据替代离散的时域数据序列中的前K个数据X(k)，以重构频域信号，其中，K为自然数且小于时域数据序列中的数据的数量。

傅立叶逼近模块所执行的傅立叶逼近的一个具体实现方式如上述实施例一中的描述，在此不再详细说明。

提取模块主要用于利用对角线分割方式将归一化模块进行归一化处理后得到的抽油设备示功图样本或者抽油设备示功图分割为四部分，并从四部分中的右下部分提取特征向量。

提取模块对抽油设备示功图样本进行分割的一个实现方式为：选取位移最小点和最大点的序列为端点，这两个端点相连形成一条对角线；选取载荷的最大点和最小点为上下拐点，将上下拐点相连，会形成另一条对角线（如果将这两条对角线的端点顺序连接，则可以得到一个四边形）；这两条对角线会将归一化处理后的抽油设备示功图分为四个部分。之后，提取模块在提取特征向量的过程中，可以以位移最小点为起始值在右下图形（即第四项限中的图形）跳跃性的选取特征向量。

特征库主要用于，针对一个抽油设备示功图样本而言，存储傅立叶逼近模块输出的该样本对应的傅立叶逼近特征值以及提取模块输出的该样本对应的特征向量。

训练模块主要用于利用BP神经网络算法对抽油设备示功图样本进行训练，并利用训练获得的特征值校正特征库中的傅立叶逼近特征值。

针对本地的具体情况，可以将一个符合当地实际情况的抽油设备示功图作为某一具体类型的标准示功图，训练模块可以利用现有的BP神经网络算法以该标准的示功图为基础，对特征库中已存储的同一类型的特征值进行校正。训练模块利用BP神经网络算法进行样本训练并校正的具体例子如上述实施例一中的描述，在此不再详细说明。

贴近度模块主要用于以特征库中存储的特征值和特征向量、以及傅立叶逼近模块和提取模块针对采集到的抽油设备示功图而输出的傅立叶逼近特征值和特征向量为计算基础，进行贴近度计算，以识别采集到的抽油设备示功图属于某一种类型的示功图。贴近度模块所执行的贴近度计算的一个具体例子如上述实施例一中的描述，在此不再详细说明。

以上所述仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭示如上，然而并非用以限定本发明的技术，任何熟悉本专业的技术人员在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。

Claims (6)

1.一种基于BP神经网络的抽油设备示功图动态识别方法，其特征在于，所述方法包括：特征库的建立过程以及利用已成功建立的特征库对采集的抽油设备示功图进行动态识别过程，其中所述特征库的建立过程包括：

对抽油设备示功图样本的时域数据进行归一化处理，并对归一化处理后的时域数据进行采样处理，以获得离散的时域数据序列；

对所述离散的时域数据序列进行傅立叶变换，以获得频域数据序列；

利用所述频域数据序列中的部分数据替代所述离散的时域数据序列中位置对应的部分数据，并利用所述替代后的时域数据序列进行傅立叶逼近计算，以获得傅立叶逼近特征值；

利用对角线分割方式将所述归一化处理后的抽油设备示功图样本分割为四部分，并从右下部分提取特征向量；

所述傅立叶逼近特征值和所述特征向量存储于特征库中；

利用BP神经网络算法对抽油设备示功图样本进行训练，并利用训练获得的特征值校正特征库中的傅立叶逼近特征值。

2.如权利要求1所述的动态识别方法，其特征在于，所述利用已成功建立的特征库对采集的抽油设备示功图进行动态识别过程包括：

对采集的抽油设备示功图的时域数据进行归一化处理，并对归一化处理后的时域数据进行采样处理，以获得离散的时域数据序列；

对所述离散的时域数据序列进行傅立叶变换，以获得频域数据序列；

利用所述频域数据序列中的部分数据替代所述离散的时域数据序列中位置对应的部分数据，并利用所述替代后的时域数据序列进行傅立叶逼近计算，以获得傅立叶逼近特征值；

利用对角线分割方式将所述归一化处理后的抽油设备示功图分割为四部分，并从右下部分提取特征向量；

利用贴近度算法对采集到的抽油设备示功图对应的傅立叶逼近特征值和特征向量进行基于特征库的贴近度计算，以识别所述采集的抽油设备示功图。

3.如权利要求1或2所述的动态识别方法，其特征在于，所述利用所述频域数据序列中的部分数据替代所述离散的时域数据序列中位置对应的部分数据包括：

将所述频域数据序列中的前K个数据替代所述离散的时域数据序列中的前K个数据，其中，K为自然数且小于时域数据序列中的数据数量。

4.一种基于BP神经网络的抽油设备示功图动态识别装置，其特征在于，包括：用于建立特征库的建立模块以及用于利用已成功建立的特征库对采集的抽油设备示功图进行动态识别的识别模块；

所述建立模块包括：

归一化模块，用于对抽油设备示功图样本的时域数据进行归一化处理，并对归一化处理后的时域数据进行采样处理，以获得离散的时域数据序列；

傅立叶变换模块，用于对所述离散的时域数据序列进行傅立叶变换，以获得频域数据序列；

傅立叶逼近模块，用于利用所述频域数据序列中的部分数据替代所述离散的时域数据序列中位置对应的部分数据，并利用所述替代后的时域数据序列进行傅立叶逼近计算，以获得傅立叶逼近特征值；

提取模块，用于利用对角线分割方式将所述归一化处理后的抽油设备示功图样本分割为四部分，并从右下部分提取特征向量；

特征库，用于存储所述傅立叶逼近特征值和所述特征向量；

训练模块，用于利用BP神经网络算法对抽油设备示功图样本进行训练，并利用训练获得的特征值校正特征库中的傅立叶逼近特征值。

5.如权利要求4所述的动态识别装置，其特征在于，所述识别模块包括：

所述归一化模块，用于对采集的抽油设备示功图的时域数据进行归一化处理，并对归一化处理后的时域数据进行采样处理，以获得离散的时域数据序列；

所述傅立叶变换模块，用于对所述离散的时域数据序列进行傅立叶变换，以获得频域数据序列；

所述傅立叶逼近模块，用于利用所述频域数据序列中的部分数据替代所述离散的时域数据序列中位置对应的部分数据，并利用所述替代后的时域数据序列进行傅立叶逼近计算，以获得傅立叶逼近特征值；

所述提取模块，用于利用对角线分割方式将所述归一化处理后的抽油设备示功图分割为四部分，并从右下部分提取特征向量；

贴近度模块，用于利用贴近度算法对采集到的抽油设备示功图对应的所述傅立叶逼近特征值和特征向量进行基于特征库的贴近度计算，以识别所述采集的抽油设备示功图。

6.如权利要求4或5所述的动态识别装置，其特征在于，所述利用所述频域数据序列中的部分数据替代所述离散的时域数据序列中位置对应的部分数据包括：

将所述频域数据序列中的前K个数据替代所述离散的时域数据序列中的前K个数据，其中，K为自然数且小于时域数据序列中的数据数量。

Images