毕业论文（设计）-基于神经网络抽油井故障诊断

《毕业论文（设计）-基于神经网络抽油井故障诊断》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、目录第1章概述11」研究目的和意义11.2国内外研究现状11.3本文的组织安排3第2章抽油机故障诊断原理42」抽油机的工作原理42.2抽油机的主要故障52.3本章小结6第3章神经网络技术73.1神经网络简介73.2神经网络三要素93.3BP神经网络123.4本章小结19第4章抽油井故障诊断系统的研究及实现204」系统总体设计204.2系统开发工具-MATLAB的简要介绍214.3基于神经网络的抽油井故障诊断系统基本原理224.4基于神经网络的故障诊断模型的实现224.5本章小结29总结29参考文献30致谢31第1章概述1・1研究目的和意义冇杆

2、泵抽油法是当前国内外应用最广泛的传统的机械釆油技术。目前，世界上80%到85%的采汕井都采用这种采汕方式。常规钢抽汕杆工作吋在汕管中上下反复运动，在这种交变载荷的作用下经常会发生一些故障：疲劳断裂事故，接箍外积蜡严重，泵效低，能耗高等。因而每年仅有杆泵抽油井故障诊断，检修就得耗费数以亿计的资金。所以有杆泵井的故障诊断不仅具有巨大的社会效益，更具有巨大的经济效益。抽油井故障诊断技术的研究，一直是国内外采油工程技术人员的一个重要课题。经过儿十年的研究和实践，抽油机井故障的分析与诊断技术有了相当大的进展。其中利用泵示功图对抽油井的各种工作状况进行分

3、析和判断是其基本切入点，随着计算机图像处理技术和模式识别技术的进展，利用计算机诊断是未来的主导趋势。人工神经网络是近年来发展起来的十分热门的交叉学科。它涉及生物、电子、计算机、数学、物理等学科，有着I•分广泛的应用背景和前景。神经网络技术的出现，为故障诊断问题提供了一种新的解决途径。木文即是研究将神经网络运用到抽油井的故障诊断中。1.2国内外研究现状自从抽油井在油111服役以来，冇杆泵抽油井的故障诊断先后经丿力了从靠感觉分析到靠仪器测量分析，从仪器测量分析到计算机处理分析，并向智能化诊断不断迈进的发展过程。近几I•年来诊断技术得到了飞速的发展

4、，特别是计算机诊断技术的出现，使其进入了一个崭新的阶段。有杆泵抽油系统故障诊断技术经丿力了如下儿个发展阶段：121“五指式动力仪”分析方法这种方法主要依靠操作人员手掌的感觉来分析抽油设备的工作状况。由经验丰富的操作人员用手握住光杆，跟随光杆上下运动儿个冲程，凭感觉来判断抽油泵的某些故障。这种原始的方法只能在很浅的油井上使用，随着泵挂深度的增加，以及技术的发展，这种方法早己被淘汰了。122计算机诊断法1966年以來，美国、加拿大、委内瑞拉、哥伦比亚等国开始推广应用该技术。我国是1983年开始引进及应用计算机诊断法的。据统计，1988年全国诊断9

5、8261井次，调参数改9387井次，增产原油143.7万吨。不过，利用计算机诊断技术给出问题所在，还要由技术人员根据井下实际情况其故障，因此故障识别成功率依赖于技术人员的技术与经验。1.2.3人工智能诊断技术人工智能研究如何用计算机来模拟人的思维和行为，即由机器来完成某些与人类智能有关的活动（如判断、推理及学习等）。将人工智能的理论和方法应用于设备的故障诊断，发展智能化的故障诊断技术己成为当今故障诊断技术发展的主派。在抽油井的故降诊断领域，对智能故障诊断技术的研究己取得许多成果。1988年H.J・Derek等⑴在走访许多著名专家后研制出有杆泵

6、抽油井故障诊断专家系统，它是将地面实测的泵示功图转换成井下泵示功图，然后与标准泵示功图进行比较以判断故障类型。同年，J.G.Svinos等推出了一种由Basic语言编制的有杆泵诊断专家系统，该系统有5个模块，用产生式法则建立规则库，运用反向推理机建立了一个可以识别典型泵示功图并计算出冇关数据的专家系统，然后利用这些数据诊断冇杆抽油系统的故障。随后P・Schirmer等人首次运用模式识别技术来分析泵示功图的形状，建立了可以诊断7种井下泵故障的专家系统。1991年，我国的张嗣伟运用故障树分析技术也建立了一个有杆泵抽油诊断专家系统。近年来，人工神经

7、网络理论的发展，为故障诊断技术开拓了一条新的研究途径。由于神经网络貝有分布并行信息处理、联想记忆、口适应、□学习和容错性等功能,因而可以将神经网络用于解决知识表示、获取和并行推理等问题。信息的分布式存储是神经网络能够解决专家系统中知识获取这个“瓶颈”问题的关键所在。神经网络专家系统与传统的计算机局域式信息处理方式不同，它是用大量神经元的互连及对各互连接权值的分布来表示特定的概念或知识。在进行知识获取吋，它只要求专家或用户捉供训练样本，通过特定的学习算法对样本进行学习，经过不断修改权值分布来达到训练要求，网络就记忆学习到了专家求解问题的启发式知

8、识和经验。在神经网络屮，允许输入信息偏离学习样本，只要输入模式接近某一学习样本的输入模式，则输出亦会接近学习样木的输出模式，这种性质使得神经网络专家系统具有联想记忆