基于优化RBF网络的油田智能故障诊断系统研究

发布时间：2024-06-01 03:01

　　随着数字化油田建设与发展,示功图数据迈入了大数据时代。将神经网络作为核心算法的示功图诊断法成为了当今抽油机故障诊断领域的研究热点和发展趋势。RBF神经网络是目前应用最广泛的神经网络之一,但是其核函数参数选择的局限性对算法的性能造成很大影响。本文从优化RBF神经网络的核函数参数入手,建立了PSO-RBF神经网络,提升了RBF神经网络的性能。并使用PSO-RBF神经网络作为核心算法研制了新的油田智能故障诊断系统,用于抽油系统的故障诊断。首先基于矩阵灰度化原理,自行设计编写了一套示功图灰度化程序,对实采各类示功图进行了灰度化处理,提取了示功图的灰度矩阵特征信息,建立了作为故障诊断样本数据来源的示功图灰度矩阵特征信息数据库。针对RBF神经网络在核函数参数选择上的局限性,提出了针对其核函数参数的优化策略,比对优化方法后,选定K-Means++算法优化RBF网络核函数的中心值,使用改进后的PSO算法代替梯度下降法,优化RBF网络核函数的权值和宽度,构建了POS-RBF神经网络;并采用UCI数据库中的Winequality数据以及建立的示功图特征信息数据库中的数据对改进前后的算法性能进行对比,对比结...

【文章页数】：64 页

【学位级别】：硕士

【部分图文】：

图1-1API诊断法示功图对比图

图1-1API诊断法示功图对比图图1-2API设计法无因次曲线对比图

图1-2API设计法无因次曲线对比图

2图1-2API设计法无因次曲线对比图井下示功图诊断法是通过直接测量抽油泵井下工作工作数据得到示功图[11]。，美国Gilbert等人发明了井下动力仪。由于直接进行井下测量，因此可以消除大机工作过程中对井上测量精度造成影响的因素。如：力的传递惯性、光杆摩擦、及一系列未知因....

图1-3论文组织结构图

图1-3论文组织结构图K-Means++算法和改进的PSO算法对RBF神经网络参数进行优络。化后构建的PSO-RBF神经网络为核心算法，研制一种新的油田

图2-1智能示功仪

第二章示功图特征信息的获取和计算机技术的发展，数字化成为了当前世界首次由美国前副总统戈尔提出。所谓“数字性、集成性三者融合的数据系统。受此概念球”概念具体应用到到油气田开发上，提出实现多层次、大数据融合，利用虚拟现实技络化、智能化、可视化特点。通过互联网信管理。实现基于数据的产....

本文编号：3985460