基于人工智能算法的示功图智能识别研究

发布时间：2021-08-07 03:47

　　有杆柱塞泵抽油机井在我国石油开采中占有举足轻重的地位。抽油机井发生故障时,不仅会造成石油开采不能有序地进行,影响进度目标,严重时还会造成安全事故。因此准确地对抽油机井故障进行诊断很有必要。通过识别油井示功图形状来判断抽油机井工况是目前主流的故障诊断方法。传统方式中巡井工人根据平时的经验来识别示功图形状,但这种方法效率和准确度低、不能满足油田现代化生产的需要。而传统智能算法识别示功图主要通过人工预先选取示功图几何特征,然后根据特征进行示功图分类识别。人工选取的示功图几何特征经常受到人为因素的干扰,导致特征提取不准确,降低了分类精度。针对上述问题,本文提出了基于人工智能算法的示功图智能识别方法,主要研究内容及成果如下:本文详细研究了有杆柱塞泵抽油机工作原理及油井示功图的形成原理,分析了不同油井示功图与抽油机井工况之间的对应关系。详细叙述了人工智能算法中机器学习与深度学习理论,并对深度学习理论中卷积神经网络（CNN）与栈式稀疏自编码神经网络（SSAENN）的结构和算法原理进行了详细阐述。对采集到的示功图数据进行预处理,分别对CNN和SSAENN网络进行示功图识别模型搭建,对构建完成的识别模型... 

【文章来源】：河南科技大学河南省

【文章页数】：63 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 课题背景及研究意义
    1.2 国内外发展及研究现状
    1.3 论文研究内容及结构
第2章 有杆柱塞泵抽油机井故障诊断基本原理
    2.1 石油开采方式介绍
    2.2 有杆柱塞泵抽油系统结构
        2.2.1 抽油机
        2.2.2 抽油泵
    2.3 油井示功图概述
    2.4 典型故障示功图
    2.5 本章小结
第3章 人工智能与深度学习
    3.1 人工智能概述
    3.2 深度学习
        3.2.1 深度学习概述
        3.2.2 浅层学习和深度学习
        3.2.3 深度学习模型分类
    3.3 卷积神经网络
        3.3.1 卷积神经网络算法思想
        3.3.2 卷积操作
        3.3.3 池化操作
        3.3.4 全连接层
        3.3.5 Dropout优化
        3.3.6 卷积神经网络训练
    3.4 栈式稀疏自编码神经网络
        3.4.1 栈式稀疏自编码器
        3.4.2 Softmax分类器
        3.4.3 栈式稀疏自编码神经网络训练过程
    3.5 本章小结
第4章 深度学习模型在油井示功图智能识别中的应用
    4.1 油井示功图识别流程
    4.2 示功图预处理
        4.2.1 示功图数据归一化
        4.2.2 示功图二值化和细化处理
    4.3 确定示功图样本标签
    4.4 CNN网络模型识别示功图流程分析
    4.5 SSAENN网络模型识别示功图流程分析
    4.6 本章小结
第5章 实验结果分析与应用
    5.1 实验平台与示功图样本选择
    5.2 CNN网络识别示功图实验
        5.2.1 CNN网络结构和参数选择
        5.2.2 CNN网络识别示功图结果
    5.3 SSAENN网络识别示功图实验
        5.3.1 SSAENN网络结构和参数选择
        5.3.2 SSAENN网络识别示功图结果
    5.4 深度学习网络与支持向量机的改进模型识别示功图
        5.4.1 SVM算法原理
        5.4.2 改进模型识别示功图流程
        5.4.3 SVM参数优化
        5.4.4 改进模型示功图识别结果
    5.5 实验结果与分析
        5.5.1 深度学习模型实验结果分析
        5.5.2 改进模型实验结果分析
    5.6 工程应用
    5.7 本章小结
第6章 结论
参考文献
致谢
攻读学位期间的研究成果



本文编号：3327017