基于Elman神經(jīng)網(wǎng)絡(luò)的示功圖診斷研究.pdf

1、當(dāng)前在抽油機(jī)井的開采過程中，及時(shí)地了解和掌握抽油機(jī)井下的工作狀況，實(shí)現(xiàn)整個(gè)采油系統(tǒng)的自動(dòng)監(jiān)控，是整個(gè)石油行業(yè)迫切需要解決的課題。由于抽油機(jī)井下環(huán)境比較復(fù)雜，抽油設(shè)備經(jīng)常會(huì)遭受到無故的損壞，會(huì)嚴(yán)重影響石油的產(chǎn)量和經(jīng)濟(jì)效益。因此，本文在傳統(tǒng)的工況故障診斷上研究了抽油機(jī)井的智能診斷技術(shù)。
　　傳統(tǒng)上，油井工作人員通過實(shí)測(cè)地面示功圖來判斷抽油機(jī)井下的工作狀況，但是由于抽油機(jī)桿柱的變型、桿柱粘滯阻力、振動(dòng)和慣性等其它因素的影響，地面示功圖很

2、難對(duì)井下泵的工作狀況做出正確地判斷。因此本文通過研究井下泵的電流變化規(guī)律來反應(yīng)泵的工作情況，這種方法被稱為電流法。然后應(yīng)用此原理建立了以井下泵電流隨時(shí)間變化的示功圖診斷模型。接著本文詳細(xì)的闡述了示功圖的圖形形成過程和特點(diǎn)，并對(duì)這些示功圖進(jìn)行預(yù)處理和示功圖尺寸歸一化，建立了示功圖故障樣本集。通過對(duì)示功圖的形狀特征的研究，依據(jù)圖像處理原理，將示功圖灰度矩陣化，然后提取出了基于示功圖灰度矩陣的六個(gè)特征參數(shù)，把這六個(gè)參數(shù)構(gòu)成分類特征向量。研究了

3、BP神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)、網(wǎng)絡(luò)的集成、網(wǎng)絡(luò)的參數(shù)配置。比較BP神經(jīng)網(wǎng)絡(luò)和Elman神網(wǎng)絡(luò)的優(yōu)缺點(diǎn)，最后選用Elman神經(jīng)網(wǎng)絡(luò)建立了抽油機(jī)井下故障智能分類模型，將分類特征向量作為網(wǎng)絡(luò)的輸入，將故障的類型模式作為輸出，經(jīng)過Elman神經(jīng)網(wǎng)絡(luò)對(duì)大量樣本的學(xué)習(xí)，最后把學(xué)習(xí)的知識(shí)以權(quán)值和閾值的形式存儲(chǔ)在網(wǎng)絡(luò)中。
　　本文利用Matlab編寫出了示功圖圖形特征提取模塊和Elman神經(jīng)網(wǎng)絡(luò)分類模塊，將所訓(xùn)練好的網(wǎng)絡(luò)應(yīng)用于仿真測(cè)