基于bp神經(jīng)網(wǎng)絡(luò)的抽油設(shè)備示功圖動態(tài)識別方法和裝置制造方法
【專利摘要】本發(fā)明是有關(guān)于基于BP神經(jīng)網(wǎng)絡(luò)的抽油設(shè)備示功圖動態(tài)識別方法和裝置，其中的方法包括：建立特征庫以及動態(tài)識別，建立過程包括：對抽油設(shè)備示功圖樣本的時域數(shù)據(jù)進(jìn)行歸一化處理，并采樣獲得離散的時域數(shù)據(jù)序列；對時域數(shù)據(jù)序列進(jìn)行傅立葉變換獲得頻域數(shù)據(jù)序列；利用頻域數(shù)據(jù)序列中的部分?jǐn)?shù)據(jù)替代時域數(shù)據(jù)序列中的部分?jǐn)?shù)據(jù)，并獲得傅立葉逼近特征值；將歸一化處理后的抽油設(shè)備示功圖樣本分割為四部分，并提取特征向量；傅立葉逼近特征值和特征向量存儲于特征庫中；利用BP神經(jīng)網(wǎng)絡(luò)算法對抽油設(shè)備示功圖樣本進(jìn)行訓(xùn)練，以庫中的傅立葉逼近特征值。本發(fā)明增強(qiáng)了抽油設(shè)備的自動化管理程度，并提高了油田工作效率，同時完善了油井作業(yè)的管理制度。
【專利說明】基于BP神經(jīng)網(wǎng)絡(luò)的抽油設(shè)備示功圖動態(tài)識別方法和裝置
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及設(shè)備管理技術(shù)，特別是涉及一種基于BP神經(jīng)網(wǎng)絡(luò)的抽油設(shè)備示功圖動態(tài)識別方法和裝置。
【背景技術(shù)】
[0002]油田的抽油設(shè)備示功圖(也即抽油機(jī)示功圖)可以反映出抽油設(shè)備的工況,如抽油設(shè)備的故障情況、抽油效率以及抽油機(jī)產(chǎn)量等。如果能夠?qū)Τ橛驮O(shè)備示功圖的監(jiān)控分析進(jìn)行科學(xué)管理，則可以使抽油設(shè)備達(dá)到較高的采油速度以及較高的原油采收率。有鑒于此，在目前的油井作業(yè)中，一個重要的工作內(nèi)容就是采集并獲取抽油設(shè)備的示功圖。
[0003]發(fā)明人在實(shí)現(xiàn)本發(fā)明過程中發(fā)現(xiàn):雖然目前可以通過現(xiàn)代化的測量手段進(jìn)行全天候的信息采集，并可以利用相應(yīng)的軟件將采集到的信息繪制成抽油設(shè)備示功圖，但是，目前仍然需要人工查看抽油設(shè)備示功圖，并對抽油設(shè)備示功圖進(jìn)行人工分析，以判斷抽油設(shè)備的工況。因此，抽油設(shè)備的自動化管理程度還有待于進(jìn)一步的提高。
[0004]有鑒于現(xiàn)有的抽油設(shè)備的自動化管理存在的問題，本發(fā)明人基于從事此類產(chǎn)品設(shè)計(jì)制造多年豐富的實(shí)務(wù)經(jīng)驗(yàn)以及專業(yè)知識，并配合學(xué)理的運(yùn)用，積極加以研究創(chuàng)新，以期創(chuàng)設(shè)一種新型結(jié)構(gòu)的基于BP神經(jīng)網(wǎng)絡(luò)的抽油設(shè)備示功圖動態(tài)識別方法和裝置，能夠克服現(xiàn)有的抽油設(shè)備的自動化管理存在的問題，使其更具有實(shí)用性。經(jīng)過不斷的研究設(shè)計(jì)，并經(jīng)過反復(fù)試作樣品及改進(jìn)，終于創(chuàng)設(shè)出確具實(shí)用價值的本發(fā)明。

【發(fā)明內(nèi)容】

[0005]本發(fā)明的主要目的在于，克服現(xiàn)有的抽油設(shè)備的自動化管理存在的問題，而提供一種新型結(jié)構(gòu)的基于BP神經(jīng)網(wǎng)絡(luò)的抽油設(shè)備示功圖動態(tài)識別方法和裝置，所要解決的技術(shù)問題是，增強(qiáng)抽油設(shè)備的自動化管理程度，進(jìn)而進(jìn)一步提高油井的原油產(chǎn)量，并提高油田工作效率，同時完善油井作業(yè)的管理制度，非常適于實(shí)用。
[0006]本發(fā)明的目的以及解決其技術(shù)問題可以采用以下的技術(shù)方案來實(shí)現(xiàn)。
[0007]依據(jù)本發(fā)明提出的一種基于BP神經(jīng)網(wǎng)絡(luò)的抽油設(shè)備示功圖動態(tài)識別方法，包括:特征庫的建立過程以及利用已成功建立的特征庫對采集的抽油設(shè)備示功圖進(jìn)行動態(tài)識別過程，其中所述特征庫的建立過程包括:對抽油設(shè)備示功圖樣本的時域數(shù)據(jù)進(jìn)行歸一化處理，并對歸一化處理后的時域數(shù)據(jù)進(jìn)行采樣處理，以獲得離散的時域數(shù)據(jù)序列；對所述離散的時域數(shù)據(jù)序列進(jìn)行傅立葉變換，以獲得頻域數(shù)據(jù)序列；利用所述頻域數(shù)據(jù)序列中的部分?jǐn)?shù)據(jù)替代所述離散的時域數(shù)據(jù)序列中位置對應(yīng)的部分?jǐn)?shù)據(jù)，并利用替代后的時域數(shù)據(jù)序列進(jìn)行傅立葉逼近計(jì)算，以獲得傅立葉逼近特征值；利用對角線分割方式將所述歸一化處理后的抽油設(shè)備示功圖樣本分割為四部分，并從右下部分提取特征向量；所述傅立葉逼近特征值和所述特征向量存儲于特征庫中；利用BP神經(jīng)網(wǎng)絡(luò)算法對抽油設(shè)備示功圖樣本進(jìn)行訓(xùn)練，并利用訓(xùn)練獲得的特征值校正特征庫中的傅立葉逼近特征值。
[0008]較佳的，前述的基于BP神經(jīng)網(wǎng)絡(luò)的抽油設(shè)備示功圖動態(tài)識別方法，其中所述利用已成功建立的特征庫對采集的抽油設(shè)備示功圖進(jìn)行動態(tài)識別過程包括:對采集的抽油設(shè)備示功圖的時域數(shù)據(jù)進(jìn)行歸一化處理，并對歸一化處理后的時域數(shù)據(jù)進(jìn)行采樣處理，以獲得離散的時域數(shù)據(jù)序列；對所述離散的時域數(shù)據(jù)序列進(jìn)行傅立葉變換，以獲得頻域數(shù)據(jù)序列；利用所述頻域數(shù)據(jù)序列中的部分?jǐn)?shù)據(jù)替代所述離散的時域數(shù)據(jù)序列中位置對應(yīng)的部分?jǐn)?shù)據(jù)，并利用所述替代后的時域數(shù)據(jù)序列進(jìn)行傅立葉逼近計(jì)算，以獲得傅立葉逼近特征值；利用對角線分割方式將所述歸一化處理后的抽油設(shè)備示功圖分割為四部分，并從右下部分提取特征向量；利用貼近度算法對采集到的抽油設(shè)備示功圖對應(yīng)的傅立葉逼近特征值和特征向量進(jìn)行基于特征庫的貼近度計(jì)算，以識別所述采集的抽油設(shè)備示功圖。
[0009]較佳的，前述的基于BP神經(jīng)網(wǎng)絡(luò)的抽油設(shè)備示功圖動態(tài)識別方法，其中所述利用所述頻域數(shù)據(jù)序列中的部分?jǐn)?shù)據(jù)替代所述離散的時域數(shù)據(jù)序列中位置對應(yīng)的部分?jǐn)?shù)據(jù)包括:將所述頻域數(shù)據(jù)序列中的前K個數(shù)據(jù)替代所述離散的時域數(shù)據(jù)序列中的前K個數(shù)據(jù)，其中，K為自然數(shù)且小于時域數(shù)據(jù)序列中的數(shù)據(jù)數(shù)量。
[0010]本發(fā)明提出一種基于BP神經(jīng)網(wǎng)絡(luò)的抽油設(shè)備示功圖動態(tài)識別裝置，該裝置包括:用于建立特征庫的建立模塊以及用于利用已成功建立的特征庫對采集的抽油設(shè)備示功圖進(jìn)行動態(tài)識別的識別模塊；該建立模塊包括:歸一化模塊，用于對抽油設(shè)備示功圖樣本的時域數(shù)據(jù)進(jìn)行歸一化處理，并對歸一化處理后的時域數(shù)據(jù)進(jìn)行采樣處理，以獲得離散的時域數(shù)據(jù)序列；傅立葉變換模塊，用于對所述離散的時域數(shù)據(jù)序列進(jìn)行傅立葉變換，以獲得據(jù)替代所述離散的時域數(shù)據(jù)序列中位置對應(yīng)的部分?jǐn)?shù)據(jù)，并利用所述替代后的時域數(shù)據(jù)序列進(jìn)行傅立葉逼近計(jì)算，以獲得傅立葉逼近特征值；提取模塊，用于利用對角線分割方式將所述歸一化處理后的抽油設(shè)備示功圖樣本分割為四部分，并從右下部分提取特征向量；特征庫，用于存儲所述傅立葉逼近特征值和所述特征向量；訓(xùn)練模塊，用于利用BP神經(jīng)網(wǎng)絡(luò)算法對抽油設(shè)備示功圖樣本進(jìn)行訓(xùn)練，并利用訓(xùn)練獲得的特征值校正特征庫中的傅立葉逼近特征值。
[0011]較佳的，前述的動態(tài)識別裝置，其中所述識別模塊包括:所述歸一化模塊，用于對采集的抽油設(shè)備示功圖的時域數(shù)據(jù)進(jìn)行歸一化處理，并對歸一化處理后的時域數(shù)據(jù)進(jìn)行采樣處理，以獲得離散的時域數(shù)據(jù)序列；所述傅立葉變換模塊，用于對所述離散的時域數(shù)據(jù)序列進(jìn)行傅立葉變換，以獲得頻域數(shù)據(jù)序列；所述傅立葉逼近模塊，用于利用所述頻域數(shù)據(jù)序列中的部分?jǐn)?shù)據(jù)替代所述離散的時域數(shù)據(jù)序列中位置對應(yīng)的部分?jǐn)?shù)據(jù)，并利用替代后的時域數(shù)據(jù)序列進(jìn)行傅立葉逼近計(jì)算，以獲得傅立葉逼近特征值；所述提取模塊，用于利用對角線分割方式將所述歸一化處理后的抽油設(shè)備示功圖分割為四部分，并從右下部分提取特征向量；貼近度模塊，用于利用貼近度算法對采集到的抽油設(shè)備示功圖對應(yīng)的傅立葉逼近特征值和特征向量進(jìn)行基于特征庫的貼近度計(jì)算，以識別所述采集的抽油設(shè)備示功圖。
[0012]較佳的，前述的動態(tài)識別裝置，其中所述利用所述頻域數(shù)據(jù)序列中的部分?jǐn)?shù)據(jù)替代所述離散的時域數(shù)據(jù)序列中位置對應(yīng)的部分?jǐn)?shù)據(jù)包括:將所述頻域數(shù)據(jù)序列中的前K個數(shù)據(jù)替代所述離散的時域數(shù)據(jù)序列中的前K個數(shù)據(jù)，其中，K為自然數(shù)且小于時域數(shù)據(jù)序列中的數(shù)據(jù)數(shù)量。
[0013]借由上述技術(shù)方案，本發(fā)明的基于BP神經(jīng)網(wǎng)絡(luò)的抽油設(shè)備示功圖動態(tài)識別方法和裝置至少具有下列優(yōu)點(diǎn)以及有益效果:本發(fā)明通過利用抽油設(shè)備示功圖樣本建立特征庫，并利用BP神經(jīng)網(wǎng)絡(luò)算法對抽油設(shè)備示功圖樣本進(jìn)行訓(xùn)練，以校正特征庫，這樣，可以利用該校正的特征庫對采集到的抽油設(shè)備示功圖進(jìn)行快速準(zhǔn)確的識別；從而本發(fā)明提供的技術(shù)方案增強(qiáng)了抽油設(shè)備的自動化管理程度，進(jìn)而進(jìn)一步提高了油井的原油產(chǎn)量，并提高了油田工作效率，同時完善了油井作業(yè)的管理制度。
[0014]綜上所述，本發(fā)明在技術(shù)上有顯著的進(jìn)步，并具有明顯的積極技術(shù)效果，誠為一新穎、進(jìn)步、實(shí)用的新設(shè)計(jì)。
[0015]上述說明僅是本發(fā)明技術(shù)方案的概述，為了能夠更清楚了解本發(fā)明的技術(shù)手段，而可依照說明書的內(nèi)容予以實(shí)施，并且為了讓本發(fā)明的上述和其他目的、特征和優(yōu)點(diǎn)能夠更明顯易懂，以下特舉較佳實(shí)施例，并配合說明書附圖，詳細(xì)說明如下。
【專利附圖】

【附圖說明】
[0016]圖1為本發(fā)明的基于BP神經(jīng)網(wǎng)絡(luò)的特征庫的建立過程的流程圖；
[0017]圖2為本發(fā)明的嚴(yán)重缺液情況下的示功圖標(biāo)準(zhǔn)樣本示意圖；
[0018]圖3為本發(fā)明的傅里葉變換后的載荷位移變化曲線示意圖；
[0019]圖4為本發(fā)明的對抽油設(shè)備示功圖樣本進(jìn)行分割示意圖；
[0020]圖5為本發(fā)明的特征庫中存儲的數(shù)組形式的載荷特征向量示意圖；
[0021]圖6為本發(fā)明的特征庫中存儲的數(shù)組形式的位移特征向量示意圖；
[0022]圖7為本發(fā)明的輸出層矩陣示意圖；
[0023]圖8為本發(fā)明的利用已成功建立的特征庫對采集的抽油設(shè)備示功圖進(jìn)行動態(tài)識別過程的流程圖；
[0024]圖9為本發(fā)明的對采集到的抽油設(shè)備示功圖進(jìn)行識別的一個具體例子的示意圖?！揪唧w實(shí)施方式】
[0025]為更進(jìn)一步闡述本發(fā)明為達(dá)成預(yù)定發(fā)明目的所采取的技術(shù)手段及功效，以下結(jié)合附圖及較佳實(shí)施例，對依據(jù)本發(fā)明提出的基于BP神經(jīng)網(wǎng)絡(luò)的抽油設(shè)備示功圖動態(tài)識別方法和裝置的【具體實(shí)施方式】、結(jié)構(gòu)、特征及其功效，詳細(xì)說明如后。
[0026]實(shí)施例一、基于BP神經(jīng)網(wǎng)絡(luò)的抽油設(shè)備示功圖動態(tài)識別方法。
[0027]本實(shí)施例的方法主要包括兩部分，一部分為:特征庫的建立過程，另一部分為:利用已成功建立的特征庫對采集的抽油設(shè)備示功圖進(jìn)行動態(tài)識別過程。下面結(jié)合圖1-9對這兩部分內(nèi)容分別進(jìn)行說明。
[0028]一、特征庫的建立過程，其流程如圖1所示。
[0029]圖1中，S100、首先對抽油設(shè)備示功圖樣本的時域數(shù)據(jù)進(jìn)行歸一化處理，之后，對歸一化處理后的時域數(shù)據(jù)進(jìn)行采樣處理，從而可以獲得離散的時域數(shù)據(jù)序列。
[0030]上述抽油設(shè)備示功圖樣本也可以稱為標(biāo)準(zhǔn)樣本，該標(biāo)準(zhǔn)樣本有可能會存在不符合具體地區(qū)實(shí)際情況的現(xiàn)象，因此，需要通過后續(xù)的S150對特征庫中存儲的與該樣本對應(yīng)的內(nèi)容進(jìn)行修正。
[0031]對抽油設(shè)備示功圖樣本的時域數(shù)據(jù)進(jìn)行歸一化處理可以方便后續(xù)的處理過程，使數(shù)據(jù)具有通用性。本實(shí)施例可以采用現(xiàn)有的歸一化處理方式對時域數(shù)據(jù)進(jìn)行歸一化處理，在此不對歸一化處理過程進(jìn)行詳細(xì)說明。
[0032]本實(shí)施例可以按照預(yù)定采樣頻率f對實(shí)際接收到的一段連續(xù)信號x(t)(即抽油設(shè)備示功圖樣本的時域數(shù)據(jù))進(jìn)行采樣，從而將一段連續(xù)信號x(t)轉(zhuǎn)換為一段離散的信號序列X[n](即離散的時域數(shù)據(jù)系列)。
[0033]S110、對上述獲得的離散的時域數(shù)據(jù)序列進(jìn)行傅立葉變換，以獲得頻域數(shù)據(jù)序列。
[0034]通過本步驟中的傅立葉變換可以將離散的時域數(shù)據(jù)序列轉(zhuǎn)換為頻域數(shù)據(jù)序列。本實(shí)施例可以采用現(xiàn)有的傅立葉變換方式進(jìn)行時域數(shù)據(jù)序列到頻域數(shù)據(jù)序列的轉(zhuǎn)換，在此不對傅立葉變換的具體實(shí)現(xiàn)過程進(jìn)行詳細(xì)說明。
[0035]一個具體的例子，井W269-10在嚴(yán)重缺液的情況下的示功圖標(biāo)準(zhǔn)樣本如圖2，傅里葉變換后的載荷位移變化曲線如圖3所示。
[0036]S120、利用上述頻域數(shù)據(jù)序列中的部分?jǐn)?shù)據(jù)替代上述離散的時域數(shù)據(jù)序列中位置對應(yīng)的部分?jǐn)?shù)據(jù)，并利用上述替代后的時域數(shù)據(jù)序列進(jìn)行傅立葉逼近計(jì)算，以獲得傅立葉逼近特征值。
[0037]具體的替代過程可以為:將頻域數(shù)據(jù)序列中的前K個數(shù)據(jù)替代離散的時域數(shù)據(jù)序列中的前K個數(shù)據(jù)X(k)，以重構(gòu)頻域信號，其中，K為自然數(shù)且小于時域數(shù)據(jù)序列中的數(shù)據(jù)
的數(shù)量。
[0038]傅立葉逼近為線性逼近，一個具體的實(shí)現(xiàn)方式為:根據(jù)f (X)在區(qū)間[0，2 π ]上的2η+1 個等距點(diǎn) Xj=2 3i/(2n+l)*(i+0.5) (i=l，2...2n)處的函數(shù)值 f i=f (xi)，求傅立葉級數(shù)
【權(quán)利要求】
1.一種基于BP神經(jīng)網(wǎng)絡(luò)的抽油設(shè)備示功圖動態(tài)識別方法，其特征在于，所述方法包括:特征庫的建立過程以及利用已成功建立的特征庫對采集的抽油設(shè)備示功圖進(jìn)行動態(tài)識別過程，其中所述特征庫的建立過程包括: 對抽油設(shè)備示功圖樣本的時域數(shù)據(jù)進(jìn)行歸一化處理，并對歸一化處理后的時域數(shù)據(jù)進(jìn)行采樣處理，以獲得離散的時域數(shù)據(jù)序列； 對所述離散的時域數(shù)據(jù)序列進(jìn)行傅立葉變換，以獲得頻域數(shù)據(jù)序列； 利用所述頻域數(shù)據(jù)序列中的部分?jǐn)?shù)據(jù)替代所述離散的時域數(shù)據(jù)序列中位置對應(yīng)的部分?jǐn)?shù)據(jù)，并利用所述替代后的時域數(shù)據(jù)序列進(jìn)行傅立葉逼近計(jì)算，以獲得傅立葉逼近特征值； 利用對角線分割方式將所述歸一化處理后的抽油設(shè)備示功圖樣本分割為四部分，并從右下部分提取特征向量； 所述傅立葉逼近特征值和所述特征向量存儲于特征庫中； 利用BP神經(jīng)網(wǎng)絡(luò)算法對抽油設(shè)備示功圖樣本進(jìn)行訓(xùn)練，并利用訓(xùn)練獲得的特征值校正特征庫中的傅立葉逼近特征值。
2.如權(quán)利要求1所述的動態(tài)識別方法，其特征在于，所述利用已成功建立的特征庫對采集的抽油設(shè)備示功圖進(jìn)行動態(tài)識別過程包括: 對采集的抽油設(shè)備示功圖的時域數(shù)據(jù)進(jìn)行歸一化處理，并對歸一化處理后的時域數(shù)據(jù)進(jìn)行采樣處理，以獲得離散的時域數(shù)據(jù)序列； 對所述離散的時域數(shù)據(jù)序列進(jìn)行傅立葉變換，以獲得頻域數(shù)據(jù)序列； 利用所述頻域數(shù)據(jù)序列中的部分`數(shù)據(jù)替代所述離散的時域數(shù)據(jù)序列中位置對應(yīng)的部分?jǐn)?shù)據(jù)，并利用所述替代后的時域數(shù)據(jù)序列進(jìn)行傅立葉逼近計(jì)算，以獲得傅立葉逼近特征值； 利用對角線分割方式將所述歸一化處理后的抽油設(shè)備示功圖分割為四部分，并從右下部分提取特征向量； 利用貼近度算法對采集到的抽油設(shè)備示功圖對應(yīng)的傅立葉逼近特征值和特征向量進(jìn)行基于特征庫的貼近度計(jì)算，以識別所述采集的抽油設(shè)備示功圖。
3.如權(quán)利要求1或2所述的動態(tài)識別方法，其特征在于，所述利用所述頻域數(shù)據(jù)序列中的部分?jǐn)?shù)據(jù)替代所述離散的時域數(shù)據(jù)序列中位置對應(yīng)的部分?jǐn)?shù)據(jù)包括: 將所述頻域數(shù)據(jù)序列中的前K個數(shù)據(jù)替代所述離散的時域數(shù)據(jù)序列中的前K個數(shù)據(jù)，其中，K為自然數(shù)且小于時域數(shù)據(jù)序列中的數(shù)據(jù)數(shù)量。
4.一種基于BP神經(jīng)網(wǎng)絡(luò)的抽油設(shè)備示功圖動態(tài)識別裝置，其特征在于，包括:用于建立特征庫的建立模塊以及用于利用已成功建立的特征庫對采集的抽油設(shè)備示功圖進(jìn)行動態(tài)識別的識別模塊； 所述建立模塊包括: 歸一化模塊，用于對抽油設(shè)備示功圖樣本的時域數(shù)據(jù)進(jìn)行歸一化處理，并對歸一化處理后的時域數(shù)據(jù)進(jìn)行采樣處理，以獲得離散的時域數(shù)據(jù)序列； 傅立葉變換模塊，用于對所述離散的時域數(shù)據(jù)序列進(jìn)行傅立葉變換，以獲得頻域數(shù)據(jù)序列； 傅立葉逼近模塊，用于利用所述頻域數(shù)據(jù)序列中的部分?jǐn)?shù)據(jù)替代所述離散的時域數(shù)據(jù)序列中位置對應(yīng)的部分?jǐn)?shù)據(jù)，并利用所述替代后的時域數(shù)據(jù)序列進(jìn)行傅立葉逼近計(jì)算，以獲得傅立葉逼近特征值； 提取模塊，用于利用對角線分割方式將所述歸一化處理后的抽油設(shè)備示功圖樣本分割為四部分，并從右下部分提取特征向量； 特征庫，用于存儲所述傅立葉逼近特征值和所述特征向量； 訓(xùn)練模塊，用于利用BP神經(jīng)網(wǎng)絡(luò)算法對抽油設(shè)備示功圖樣本進(jìn)行訓(xùn)練，并利用訓(xùn)練獲得的特征值校正特征庫中的傅立葉逼近特征值。
5.如權(quán)利要求4所述的動態(tài)識別裝置，其特征在于，所述識別模塊包括: 所述歸一化模塊，用于對采集的抽油設(shè)備示功圖的時域數(shù)據(jù)進(jìn)行歸一化處理，并對歸一化處理后的時域數(shù)據(jù)進(jìn)行采樣處理，以獲得離散的時域數(shù)據(jù)序列； 所述傅立葉變換模塊，用于對所述離散的時域數(shù)據(jù)序列進(jìn)行傅立葉變換，以獲得頻域數(shù)據(jù)序列； 所述傅立葉逼近模塊，用于利用所述頻域數(shù)據(jù)序列中的部分?jǐn)?shù)據(jù)替代所述離散的時域數(shù)據(jù)序列中位置對應(yīng)的部分?jǐn)?shù)據(jù)，并利用所述替代后的時域數(shù)據(jù)序列進(jìn)行傅立葉逼近計(jì)算，以獲得傅立葉逼近特征值； 所述提取模塊，用于利用對角線分割方式將所述歸一化處理后的抽油設(shè)備示功圖分割為四部分，并從右下部分提取特征向量； 貼近度模塊，用于利用貼近度算法對采集到的抽油設(shè)備示功圖對應(yīng)的所述傅立葉逼近特征值和特征向量進(jìn)行基于特征庫的貼近度計(jì)算，以識別所述采集的抽油設(shè)備示功圖。
6.如權(quán)利要求4或5所述的動態(tài)識別裝置，其特征在于，所述利用所述頻域數(shù)據(jù)序列中的部分?jǐn)?shù)據(jù)替代所述離散的時域數(shù)據(jù)序列中位置對應(yīng)的部分?jǐn)?shù)據(jù)包括: 將所述頻域數(shù)據(jù)序列中的前K個數(shù)據(jù)替代所述離散的時域數(shù)據(jù)序列中的前K個數(shù)據(jù)，其中，K為自然數(shù)且小于時域數(shù)據(jù)序列中的數(shù)據(jù)數(shù)量。
【文檔編號】G06N3/02GK103886339SQ201310236339
【公開日】2014年6月25日 申請日期:2013年6月14日 優(yōu)先權(quán)日:2013年6月14日
【發(fā)明者】李龍 申請人:洛陽乾禾儀器有限公司