有杆抽油系统故障智能诊断及其应用研究

论文摘要

近年来在石油工业开采中,有杆采油占据着主导地位。由于油井井下工况十分复杂,环境极其恶劣,所以故障发生率很高。虽然目前出现了许多诊断方法,但依靠单一的神经网络或专家系统不能很好地完成诊断,为此本文提出一种基于小波包与神经网络相结合的有杆抽油系统故障智能诊断方法,对故障进行快速有效地诊断。本文以有杆抽油井故障诊断系统为研究对象,深入分析有杆抽油系统工作原理,在数字信号分析及小波包分解的基础上,先通过对齿轮振动信号实例仿真,验证应用小波包进行能量特征向量提取的可行性；然后应用极差正规法对采集到的示功图数据进行归一化预处理,并利用验证后的小波包分解方法对示功图进行能量特征向量提取；在对比分析RBF网络与BP网络函数逼进性能的基础上,选择了具有较高精度逼近能力的RBF网络；最后将小波包分解与RBF网络有机相结合,构建了RBF网络模型,利用所建模型,以某油田现场实测示功图数据为例,对抽油井系统故障进行了诊断,以六种工况下的故障类型为例进行识别,故障识别率达到97%,取得良好的实验效果。采用上述理论研究成果,将ACCESS数据库与MATLAB方法融合,设计与开发有杆抽油井故障智能诊断系统,实现了油井故障的高效诊断。该实验系统表明本文所提出的应用小波包与RBF网络相结合的方法对油井故障诊断是可行的,且诊断结果正确可靠,诊断方法较好。

论文目录

• 中文摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题研究的目的及意义
• 1.2 国内外发展状况
• 1.2.1 国内发展状况
• 1.2.2 国外发展状况
• 1.3 课题研究主要内容及创新点
• 1.3.1 课题研究主要内容
• 1.3.2 创新点
• 第二章 小波及小波包分析
• 2.1 小波分析的基本理论
• 2.1.1 连续小波变换
• 2.1.2 离散小波变换
• 2.1.3 多分辨率分析及Mallat算法
• 2.2 小波包基本理论
• 2.2.1 小波包理论分析
• 2.2.2 小波包的性质
• 2.2.3 小波包的空间分解
• 2.2.4 小波包算法
• 2.3 小波包用于故障信号的特征提取
• 2.4 齿轮振动信号的小波包应用
• 2.4.1 振动信号的时域分析
• 2.4.2 振动信号的频域分析
• 2.4.3 振动信号的小波包分析
• 2.5 小结
• 第三章 有杆抽油系统故障诊断原理及其示功图特征提取
• 3.1 有杆抽油系统工作原理
• 3.2 有杆抽油机井主要故障类型
• 3.3 示功图的分析
• 3.3.1 示功图的概念
• 3.3.2 示功图的特征
• 3.4 示功图的特征向量提取
• 3.4.1 数据的采集与预处理
• 3.4.2 特征向量提取
• 3.5 小结
• 第四章 神经网络模型分析
• 4.1 人工神经网络的概述
• 4.1.1 人工神经网络的发展
• 4.1.2 神经网络的特点
• 4.1.3 神经网络在故障诊断中的应用
• 4.2 人工神经网络的模型结构及学习规则
• 4.2.1 人工神经元的模型结构
• 4.2.2 网络的学习规则
• 4.3 径向基函数网络
• 4.3.1 RBF网络的模型
• 4.3.2 RBF函数的学习过程
• 4.4 RBF网络与BP网络在函数逼近领域内的性能比较
• 4.4.1 基于ANN的函数逼近理论
• 4.4.2 RBF网络与BP网络在函数逼近领域内的应用举例
• 4.5 小结
• 第五章 基于RBF网络的抽油机井故障诊断
• 5.1 RBF网络故障诊断流程
• 5.2 基于RBF网络的抽油机井故障诊断实例
• 5.2.1 输入与输出向量的确定
• 5.2.2 示功图特征向量的提取
• 5.2.3 网络输出结果及实验分析
• 5.3 小结
• 第六章 有杆抽油井故障诊断系统设计
• 6.1 MATLAB图形用户界面设计原则和步骤
• 6.1.1 GUI对象层次
• 6.1.2 GUI设计原则与设计步骤
• 6.1.3 GUI设计向导控制面板
• 6.2 软件数据库的创建
• 6.2.1 数据库设计的基本步骤
• 6.2.2 数据表的建立
• 6.2.3 MATLAB与数据库的连接
• 6.3 有杆抽油井故障智能诊断系统介绍
• 6.3.1 有杆抽油井故障智能诊断系统框图
• 6.3.2 各主要功能模块的开发
• 6.4 小结
• 第七章 结论与展望
• 7.1 本文结论
• 7.2 展望
• 致谢
• 参考文献
• 攻读学位期间发表的论文
• 硕士学位论文详细摘要