学位论文详细信息
文献类型:学位论文
授予单位:重庆科技学院
授予学位:硕士
学位年度:2018
语 种:中文
摘 要:抽油机故障诊断技术是采油工程中的重要组成部分,由于抽油机井下工况条件复杂,整个生产过程呈现强耦合、非线性和参数动态时变等特性,一旦发生故障,难以及时准确的给出诊断结果,造成财产损失甚至危害人身安全。因此,建立一套准确有效的抽油机故障诊断系统具有重要的应用价值。针对抽油机故障诊断问题,提出一种基于自适应UKF-RBF神经网络的抽油机故障诊断方法,并对其关键技术问题展开研究,主要内容包括:(1)提出一种基于近似多边形曲线的示功图特征提取方法。油田示功图通常由144点的位移、载荷数据构成,直接将示功图数据输入模型进行故障诊断将会导致运算量大,出现维度灾难问题。针对这一问题,提出近似多边形曲线的特征提取方法,在充分保留示功图形状特征的基础上,删除大量冗余点,以降低示功图数据维度,在此基础上利用傅立叶变换提取示功图特征点,降低傅里叶变换时间,为故障诊断模型提供了更真实有效的特征数据。(2)提出一种自适应UKF-RBF神经网络的抽油机故障诊断方法。传统径向基(Radial Basis Function,简称RBF)神经网络建模方法为静态建模,效果仅局限于环境相对稳定工业系统,当系统参数呈现强耦合、时变等特性,则无法保障模型的精度。针对这一问题,首先建立基于RBF神经网络故障诊断模型,然后利用无迹卡尔曼滤波(Unscented Kalman Filter,简称UKF)算法对RBF神经网络参数寻优,实施动态演化建模。同时,针对抽油机运行过程中伴随着大量未知时变且均值不为0的噪声,引入自适应因子对噪声信号进行放缩,从而提高UKF滤波精度,建立自适应UKF-RBF故障诊断模型。实验表明模型具有较高故障诊断精度,满足油田实际生产的需求。(3)开发了基于自适应UKF-RBF模型的抽油机故障诊断软件。利用MATLAB与C#混合编程,将本文所提出的自适应UKF-RBF故
关 键 词:示功图 抽油机 故障诊断 RBF神经网络 无迹卡尔曼滤波
分 类 号:TE933.1]
参考文献:
正在载入数据...
二级参考文献:
正在载入数据...
耦合文献:
正在载入数据...
引证文献:
正在载入数据...
二级引证文献:
正在载入数据...
同被引文献:
正在载入数据...