發(fā)布時間：2024-06-01 03:01

　　隨著數(shù)字化油田建設(shè)與發(fā)展,示功圖數(shù)據(jù)邁入了大數(shù)據(jù)時代。將神經(jīng)網(wǎng)絡(luò)作為核心算法的示功圖診斷法成為了當(dāng)今抽油機故障診斷領(lǐng)域的研究熱點和發(fā)展趨勢。RBF神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)之一,但是其核函數(shù)參數(shù)選擇的局限性對算法的性能造成很大影響。本文從優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的核函數(shù)參數(shù)入手,建立了PSO-RBF神經(jīng)網(wǎng)絡(luò),提升了RBF神經(jīng)網(wǎng)絡(luò)的性能。并使用PSO-RBF神經(jīng)網(wǎng)絡(luò)作為核心算法研制了新的油田智能故障診斷系統(tǒng),用于抽油系統(tǒng)的故障診斷。首先基于矩陣灰度化原理,自行設(shè)計編寫了一套示功圖灰度化程序,對實采各類示功圖進(jìn)行了灰度化處理,提取了示功圖的灰度矩陣特征信息,建立了作為故障診斷樣本數(shù)據(jù)來源的示功圖灰度矩陣特征信息數(shù)據(jù)庫。針對RBF神經(jīng)網(wǎng)絡(luò)在核函數(shù)參數(shù)選擇上的局限性,提出了針對其核函數(shù)參數(shù)的優(yōu)化策略,比對優(yōu)化方法后,選定K-Means++算法優(yōu)化RBF網(wǎng)絡(luò)核函數(shù)的中心值,使用改進(jìn)后的PSO算法代替梯度下降法,優(yōu)化RBF網(wǎng)絡(luò)核函數(shù)的權(quán)值和寬度,構(gòu)建了POS-RBF神經(jīng)網(wǎng)絡(luò);并采用UCI數(shù)據(jù)庫中的Winequality數(shù)據(jù)以及建立的示功圖特征信息數(shù)據(jù)庫中的數(shù)據(jù)對改進(jìn)前后的算法性能進(jìn)行對比,對比結(jié)...

【文章頁數(shù)】：64 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖1-1API診斷法示功圖對比圖

圖1-1API診斷法示功圖對比圖圖1-2API設(shè)計法無因次曲線對比圖

圖1-2API設(shè)計法無因次曲線對比圖

2圖1-2API設(shè)計法無因次曲線對比圖井下示功圖診斷法是通過直接測量抽油泵井下工作工作數(shù)據(jù)得到示功圖[11]。，美國Gilbert等人發(fā)明了井下動力儀。由于直接進(jìn)行井下測量，因此可以消除大機工作過程中對井上測量精度造成影響的因素。如：力的傳遞慣性、光桿摩擦、及一系列未知因....

圖1-3論文組織結(jié)構(gòu)圖

圖1-3論文組織結(jié)構(gòu)圖K-Means++算法和改進(jìn)的PSO算法對RBF神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)絡(luò)�；�后構(gòu)建的PSO-RBF神經(jīng)網(wǎng)絡(luò)為核心算法，研制一種新的油田

圖2-1智能示功儀

第二章示功圖特征信息的獲取和計算機技術(shù)的發(fā)展，數(shù)字化成為了當(dāng)前世界首次由美國前副總統(tǒng)戈爾提出。所謂“數(shù)字性、集成性三者融合的數(shù)據(jù)系統(tǒng)。受此概念球”概念具體應(yīng)用到到油氣田開發(fā)上，提出實現(xiàn)多層次、大數(shù)據(jù)融合，利用虛擬現(xiàn)實技絡(luò)化、智能化、可視化特點。通過互聯(lián)網(wǎng)信管理。實現(xiàn)基于數(shù)據(jù)的產(chǎn)....

本文編號：3985460