基于ELM和连续过程神经网络的抽油机工况诊断

发布时间：2018-01-19 04:26

  本文关键词： 工况诊断 过程神经元网络 极限学习 Moore-Penrose广义逆 网络训练　出处：《计算机工程与科学》2017年10期 　论文类型：期刊论文

【摘要】：普通神经网络进行抽油机工况诊断时存在诊断精度偏低的问题,提出选用连续过程神经元网络作为诊断模型,特征输入选取能直接反映示功图几何形态特征的位移和载荷两种连续信号。为提高模型学习速度,提出过程神经网络的极限学习算法,将训练转换为最小二乘问题,根据样本输入计算隐层输出矩阵,使用SVD法求解Moore-Penrose广义逆,最后计算隐层输出权值。通过诊断实验,模型学习速度提升5倍左右,与普通神经网络进行对比,诊断精度提高8个百分点左右,验证了方法的有效性。
[Abstract]:There is the problem of low diagnostic accuracy in the condition diagnosis of pumping unit by common neural network. The continuous process neural network is used as the diagnostic model. In order to improve the speed of model learning, a limit learning algorithm of process neural network is proposed in order to select two kinds of continuous signals of displacement and load that can directly reflect the geometric shape of indicator graph. The training is transformed into the least square problem, and the hidden layer output matrix is calculated according to the sample input, and the SVD method is used to solve the Moore-Penrose generalized inverse. Finally, the output weight of hidden layer is calculated. Through the diagnosis experiment, the learning speed of the model is increased about 5 times, and compared with the common neural network, the diagnostic accuracy is increased by about 8 percentage points, which verifies the validity of the method.
【作者单位】： 东北石油大学计算机与信息技术学院;山东科技大学信息科学与工程学院;
【基金】：国家自然科学基金(61170132) 黑龙江省教育厅基金(11551015)
【分类号】：TE933.1;TP183
【正文快照】： 1　引言在油田生产过程中,对抽油机故障的及时诊断,对油田生产、安全具有重要作用。示功图中不仅包含抽油机的状态信息,而且可实时反映井内因素影响,因此利用示功图进行准确的工况诊断具有很重要的现实意义[1]。目前,各采油厂利用示功图诊断过程中,主要使用人工方式,方法有网

【相似文献】

相关期刊论文 前10条

1 吴新杰,孙定源,闫光辉;基于神经网络处理油井液面深度的方法[J];辽宁大学学报(自然科学版);2000年01期

2 段善宁,汪玉春;神经网络技术在储运工程中的应用综述[J];天然气与石油;2004年04期

3 孙辉;;神经网络技术在油田防砂中的应用及发展方向分析[J];中外能源;2007年03期

4 贺康;庞海荣;代粉蕾;;SOM神经网络在全液压钻机液压系统故障诊断中的应用[J];煤矿机械;2011年04期

5 孙玉学;谢建波;赵景原;历艳明;王娇;;应用量子神经网络快速预测储层敏感性[J];钻采工艺;2012年05期

6 魏海平，夏吾勇;基于神经网络的离线调优控制的研究[J];抚顺石油学院学报;1997年01期

7 施云惠,阮秋琦;基于再生核神经网络的断层面模型重构[J];中国图象图形学报;2005年06期

8 胡永建;闫博;鲁文俊;何媛媛;;神经网络自动训练及井下复杂情况诊断[J];计算机应用;2011年S1期

9 余建星,祁世芳;基于神经网络的长输管道综合可靠度评估方法[J];油气储运;2001年09期

10 印兴耀，吴国忱，张洪宙;神经网络在储层横向预测中的应用[J];石油大学学报(自然科学版);1994年05期

相关会议论文 前3条

1 刘喜梅;于飞;;润滑油脱蜡过程的神经网络方法建模及仿真[A];'99系统仿真技术及其应用学术交流会论文集[C];1999年

2 孙效功;王硕儒;;函数型连接神经网络的一种改进算法及其应用[A];1993年中国地球物理学会第九届学术年会论文集[C];1993年

3 詹治田;E．B．Karus;刘淑妹;;神经网络在多井插值中的应用[A];1995年中国地球物理学会第十一届学术年会论文集[C];1995年

相关博士学位论文 前3条

1 肖红;离散过程神经网络算法及在储层识R%中的应用研究[D];东北石油大学;2015年

2 张涛;用人工神经网络研究元素与岩浆岩、沉积岩岩性及沉积岩矿物的关系[D];西北大学;2016年

3 王琼;基于优化理论的神经网络研究及在抽油机故障诊断中的应用[D];东北石油大学;2011年

相关硕士学位论文 前10条

1 赵丹;混沌遗传算法的神经网络在输油管道泄漏中的应用[D];东北石油大学;2015年

2 张莉;基于粗糙集与神经网络的天然气管道泄漏检测[D];东北石油大学;2015年

3 周坤;管道智能检测装置里程系统的研究与设计[D];东北大学;2014年

4 王思宇;基于EMD和BP神经网络的天然气管道泄漏监测[D];东北石油大学;2016年

5 龙盼;基于优化BP神经网络的油田回注水余氯预测模型研究[D];武汉科技大学;2016年

6 赵月娇;基于生物地理优化算法的神经网络故障诊断方法研究[D];东北石油大学;2013年

7 周志光;神经网络技术在油田分析中的应用研究[D];吉林大学;2007年

8 李桂山;基于静态电成像的砂砾岩储层岩性识别研究[D];中国石油大学;2011年

9 李松松;神经网络在管道漏磁信号分析中的应用[D];沈阳工业大学;2003年

10 张晗;基于神经网络的录井导向专家系统研究[D];大连海事大学;2009年

，

本文编号：1442637