| 题名 | 基于智能型的BP神经网络的示功图故障诊断研究 |
| 作者 | 张宁 |
| 答辩日期 | 2017 |
| 导师 | 郝晓弘 |
| 关键词 | 抽油机 故障诊断 示功图 形状不变矩 傅里叶描述子 迭代学习 BP神经网络 |
| 学位名称 | 硕士 |
| 英文摘要 | 众所周知,石油资源是我们人类赖以生存和发展的物质基础。原油生产过程中普遍使用抽油机,但大多数抽油机工作在无人值守的状态下,井下工况复杂,负荷随着抽油过程不断发生变化,导致抽油机经常发生故障,影响到油田的产量和效益。本文针对目前抽油机故障诊断准确率不高、智能性不强的问题,提出了一种基于智能型的BP神经网络的示功图故障诊断研究方法。首先,本文对抽油机示功图故障诊断的国内外研究现状进行了简单介绍。从中国石油天然气集团公司的油气生产物联网系统(A11)项目中学习到了正常示功图和20种主要故障示功图类型。将从系统中得到的20种抽油机示功图故障类型图作为BP神经网络训练的教师信号。其次,在对相关基本原理学习的基础上,结合油田实际采油过程,建立了抽油机示功图故障诊断模型。该模型分为三个步骤:第一步是利用相应的传感器进行基础数据采集。第二步是由每个抽油机配备的示功仪绘制示功图。第三步是示功图故障诊断方法解析,也是本文的主要研究内容。最后,重点进行示功图故障诊断方法解析,本文将其分为三个阶段:第一个阶段是选取形状不变矩和傅里叶描述子相结合的新方法进行示功图特征参数提取,二者结合,提高了运行速度、降低了计算量,对图形旋转、尺度及平移的不变性表现稳定;第二个阶段是进行示功图故障诊断分类识别,针对BP神经网络训练的缺点,采用迭代学习控制优化BP神经网络的权值,使得该算法综合性能好,缩短了训练时间、提高了训练速度,并具有识别准确率高、泛化能力强的特点,克服了传统方法需要人工提取特征和网络易陷入局部最小的缺点;第三个阶段是将识别结果与专家诊断法的诊断结果及斜率诊断法的诊断结果进行对比,若诊断结果一致则可确定故障类型,若不一致,则需要重新进行识别判断。得出最终的诊断结果。利用MATLAB软件进行模型训练仿真实验。从测试过程和结果看出本文诊断方法性能具有一定优势,相同测试样本情况下,识别时间相对支持向量机识别方法提高约9ms,诊断的准确率也有大幅提高。本文提出的方法非常适于油田大量示功图的实时故障诊断。弥补了现有的诊断方法的不足,得到了更高的诊断正确率,具有广阔的应用前景。 |
| 语种 | 中文 |
| 页码 | 61 |
| URL标识 | 查看原文 |
| 内容类型 | 学位论文 |
| 源URL | [http://ir.lut.edu.cn/handle/2XXMBERH/92802]  |
| 专题 | 电气工程与信息工程学院 |
| 作者单位 | 兰州理工大学 |
| 推荐引用方式 GB/T 7714 | 张宁. 基于智能型的BP神经网络的示功图故障诊断研究[D]. 2017. |
| 个性服务 |
| 查看访问统计 |
| 相关权益政策 |
| 暂无数据 |
| 收藏/分享 |
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。
修改评论