1.一种基于改进无迹Kalman滤波与RBF神经网络的抽油机故障诊断方法，其特征在于，包括如下步骤：S1：选取抽油机一个冲程内完整的示功图，对示功图进行傅里叶变换选取低频部分的前f个示功图坐标参数，并结合抽油机三相电流参数b1,b2,b3构成决策变量X＝[a1,a2,…,af,b1,b2,b3]，f为所选示功图坐标参数的个数；

S2：在抽油机生产现场，选取至少一组决策变量X＝[a1,a2,…,af,b1,b2,b3]作为样本数据，输出为所述决策变量X或X1～Xi所对应的故障类型Y或Y1～Yl；

运用RBF神经网络对采集到的决策变量X或X1～Xi进行训练、检验，从而建立抽油机故障诊断模型；

S3：利用球形无迹变换，对传统无迹Kalman算法进行改进，建立改进无迹Kalman算法，即CUKF算法；

Sigma点的确定方式为：

(1)当状态为1维时，初始化向量序列为：

ω01＝0,

(2)当输入维数j＝2,3,…,n时，迭代公式为：式子中， 为第j维的第i个粒子点，共有n维；

(3)对所生成的Sigma点加入系统状态v的均值和协方差后为：其中 是状态变量的均值，Px为状态向量的协方差矩阵，从以上采样算法可以看出，除了原点以外其他采样点具有相同的权值，而且都位于半径为 的改进上；

S4：利用步骤S3中的CUKF算法，对步骤S2所得到的RBF神经网络模型寻优，得到一组最优参数；

S5：按照步骤S4所得的参数构建最优模型来对步骤S2中所选定的抽油机故障进行建模诊断，使其达到故障诊断目的。

2.根据权利要求1所述的基于改进无迹Kalman滤波与RBF神经网络的抽油机故障诊断方法，其特征在于，步骤S1中选定了二大类参数构成决策变量X，第一大类为运用傅里叶变换后的示功图坐标参数a1,a2,…a8，将每种故障示功图进行傅里叶变换得到示功图频谱图，其低频部分前8个点代表示功图图形特征，对每种故障分别进行傅里叶变换，选取变换后的前8个低频部分的示功图坐标参数a1,a2,…a8，第二大类为抽油机电流参数b1,b2,b3。

3.根据权利要求1所述的基于改进无迹Kalman滤波与RBF神经网络的抽油机故障诊断方法，其特征在于，在步骤S1中，选取一组决策变量时：选取抽油机一个冲程内完整的示功图，对示功图进行傅里叶变换选取低频部分的前8个示功图坐标参数，并结合抽油机三相电流参数b1,b2,b3构成决策变量X＝[a1,a2,…,a8,b1,b2,b3]，输入为1组决策变量X，输出为该组决策变量X所对应的故障类型Y；

在步骤S1中，选取12组决策变量时：在抽油机生产现场，选取12组决策变量X1,X2,...,X12及其对应的供液不足、油井出砂、油井结蜡、气体影响、气锁、固定凡尔漏失、游动凡尔漏失、双凡尔漏失、抽油杆断脱、泵上碰、泵下碰、连抽带喷故障类型作为数据样本，输入为n组决策变量X1～Xi，输出为n组决策变量X1～Xi所对应的故障类型Y1～Yl；1

4.根据权利要求1所述的基于改进无迹Kalman滤波与RBF神经网络结合的抽油机故障诊断方法，其特征在于，步骤S2中RBF神经网络由输入层、隐藏层和输出层构成；

针对抽油机故障诊断模型而言，网络结构为A-B-C，A为输入层，B为隐藏层，C为输出层，激活函数采用Sigmod函数，样本训练时的迭代次数为800次。

5.根据权利要求1所述的基于改进无迹Kalman滤波与RBF神经网络结合的抽油机故障诊断方法，其特征在于，步骤S3中的球形无迹变换中UT变换采样点为n+2个。

6.根据权利要求5所述的基于改进无迹Kalman滤波与RBF神经网络结合的抽油机故障诊断方法，其特征在于，步骤S5中的CUKF-RBF算法包括以下步骤：其中，CUKF算法部分为：

S511：初始化系统参数；

S512：计算Sigma点状态向量；

S513：进行系统状态一步预测及协方差矩阵；

S514：计算系统观测及协方差矩阵；

S515：计算卡尔曼增益；

S516：更新系统状态估计矩阵及协方差阵；

式中， 为k-1时刻的系统状态估计矩阵， 为卡尔曼增益矩阵，Y(k|k-1)为k-

1时刻的系统观测矩阵， 为k-1时刻的系统观测预测矩阵；

式中， 为k-1时刻系统估计矩阵协方差阵， 为k-1时刻系统观测矩阵协方差阵；

UKF算法部分为：

S521：更新RBF隐含层的输出：

式中，m为隐层神经元，共有J个， 为隐层神经元输出，cm为隐层神经元的中心，σm为隐层神经元的宽度；

S522：计算RBF输出层输出

式中，l为输出层神经元，共有M个，yl为网络输出层输出，ωm,l为更新后隐含层到输出层连接权值。