(机械电子工程专业论文)有杆抽油泵的智能工况分类研究.pdf_第1页
(机械电子工程专业论文)有杆抽油泵的智能工况分类研究.pdf_第2页
(机械电子工程专业论文)有杆抽油泵的智能工况分类研究.pdf_第3页
(机械电子工程专业论文)有杆抽油泵的智能工况分类研究.pdf_第4页
(机械电子工程专业论文)有杆抽油泵的智能工况分类研究.pdf_第5页
已阅读5页,还剩115页未读, 继续免费阅读

(机械电子工程专业论文)有杆抽油泵的智能工况分类研究.pdf.pdf 免费下载

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

论文题目:有杆抽油泵的智能工况分类研究 学科专业:机械电子工程 博士生:王凯 指导教师:刘宏昭教授 摘要 签名: 签名: 凯 ,卢一 有杆抽油系统是机械采油方式的主要设备。石油市场严重的供需矛盾迫使石油企业必 须降低采油成本、提高产量。为了提高设备开机率和降低能耗,有杆抽油泵工况分类成为 相关领域科研人员的研究热点。以人工智能为代表的新技术革命为这个课题研究提供了技 术支持。本文的主要工作是针对泵功图研究有杆抽油泵智能工况分类问题。主要研究工作 包括以下几个方面: 依据抽油泵结构和工作原理,从定向井多级混合杆抽油杆柱上选取微元体并对其作动 力学分析,建立一个反映抽油杆柱动态变化的波动方程。对整个杆柱采用变步长采样,利 用有限差分法求解偏微分方程,得n s f - 柱分界面处和均质段任意位置处各自的位移表达 式。经差分计算和迭代计算获得抽油泵柱塞位移表达式和载荷表达式,完成了最终的数学 建模。利用m a t l a b 将该数学模型程序化实现来获取泵功图,进而提取特征点和构造特 征参数。 针对有杆抽油泵的泵功图特征数据样本集,提出了关联缩放思想的样本数据标准化处 理算法。使用m a t l a b 神经网络工具箱分别建立b p 网络模型和r b f 网络模型,进行多 种参数调整的仿真试验对比,实现对有杆抽油泵的工况分类。 建立包含泵功图特征参数与抽油系统的抽汲参数、井况数据、故障代码、改进建议的 总数据库。依据典型工况的泵功图图谱,借助于领域知识与专家经验将计算所得的特征参 数对照各典型工况进行逐一比较匹配,制定推理机和产生式规则存入规则库,最终构造出 产生式规则系统,该系统可实现对有杆抽油泵的工况精确分类。 通过讨论标准支持向量机和非线性软间隔支持向量机的分类问题求解过程,总结了支 持向量机的两个核心思想。利用l i b s v m 和l i b s v m m a t 经过基于r b f 核函数和k 。折 交叉验证的模型参数寻优,分别建立推广能力较强的支持向量机多分类器模型,进行有杆 抽油泵工况的模式分类测试分析,并且与使用神经网络方法的分类结果做了对比分析。 通过讨论最小二乘支持向量机用于非线性多分类问题求解过程,提出基于群体智能理 论的全局优化进化算法粒子群算法用于最小二乘支持向量机分类器模型参数选择。利用 西安理工大学博士学位论文 l ss v m l a b 采用径向基核函数和最小输出编码算法建立了有杆抽油泵工况分类的最, , i x - - 乘支持向量机分类器模型。通过与b p 网络、r b f 网络仿真试验结果对比发现,基于最小 二乘支持向量机的多分类模型在解决有杆抽油泵工况分类问题中表现出优异的性能。 针对神经网络等传统的有监督模式识别方法用于有杆抽油泵系统进行工况分类存在 的缺陷以及支持向量机在大规模训练样本或训练样本严重不平衡时的多分类问题求解中 能效不足,提出了基于改进分类策略的超球支持向量机多分类算法。提出了赋予三种工作 集选择方式的贯序最小优化算法用于支持网格搜索以便进行参数寻优和根据训练样本规 模适时引入核缓存技术和上三角矩阵策略。开发了基于j a v a 语言、功能完备的超球支持 向量机软件包h s s v m 1 1 7 ,编写了使用指南。利用该软件包对抽油泵工况进行了多分类 仿真试验,并与b p 神经网络、支持向量机方法加以比较,仿真试验结果表明改进后的超 球支持向量机算法理论严谨、参数寻优迅速、分类正确率高,适用于采油工程领域中大规 模复杂的智能分类问题。 关键词:有杆抽油泵;智能工况分类;产生式规则系统;支持向量机;参数寻优 a b s t r a c t t i t l e :r e s e a r c ho ni n t e l l i g e n to p e r a t i o nm o d e sc l a s s f - i c a t l o nf o rs u c k e r r o dp u m p m a j o r :m e c h a n i c a la n de l e c t r o n i ce n g i n e e r i n g c a n d i d a t e w a n gk a i s u p e r v i s o r - p r o f l i uh o n g z h a o a b s t r a c t s i g n a t u r e : s i g n a t u r e : s u c k e r - r o dp u m p i n gu n i ti sm a j o re q u i p m e n tu s e di nm e c h a n i c a lo i lp r o d u c t i o n t h e s e r i o u sc o n t r a d i c t i o nb e t w e e ns u p p l ya n dd e m a n df o r c e so i lc o m p a n i e st or e d u c et h e i rp r o d u c t c o s ta n di n c r e a s et h e i rp r o d u c t i o n i n t e l l i g e n to p e r a t i o nm o d e sc l a s s i f i c a t i o nf o rs u c k e r - r o d p u m p i n gs y s t e mh a sb e e nar e s e a r c hf o c u sf o rt h e r e s e a r c h e r si nr e l a t e df i e l d ,i no r d e rt o i m p r o v et h eo p e r a t i n gr a t eo fm a c h i n e sa n dr e d u c ee n e r g yc o n s u m p t i o n a r t i f i c i a li n t e l l i g e n c e a sar e p r e s e n t a t i v eo fn e wt e c h n o l o g i c a lr e v o l u t i o np r o v i d e st e c h n i c a ls u p p o r tf o rt h i ss u b j e c t r e s e a r c h t h i sd i s s e r t a t i o nm a i n l yf o c u s e so ni n t e l l i g e n to p e r a t i o nm o d e sc l a s s i f i c a t i o ns t u d y f o rs u c k e r - r o dp u m p i n gu n i tb a s e do np u m pd y n a m o m e t e rc a r d t h em a i nr e s e a r c hw o r k i n c l u d e st h ef o l l o w i n gs e v e r a la s p e c t s : a c c o r d i n gt o t h es t r u c t u r ea n dw o r k i n gp r i n c i p l eo fs u c k e r - r o dp u m p ,am i c r o u n i ti s s a m p l e df r o mt h em u l t i s t a g es u c k e rr o ds t r i n go fd i r e c t i o n a lw e l la n dt h ek i n e t i ca n a l y s i si s p e r f o r m e df o rt h es e l e c t e du n i tt oe s t a b l i s hap a r t i a ld i f f e r e n t i a le q u a t i o ns t y 7 l ew a v ee q u a t i o n s a m p l i n gw i t hv a r i a b l es t e p w i s em e t h o df o rt h ew h o l er o d ,t h ed i s p l a c e m e n te x p r e s s i o n sf o rt h e m u l t i s t a g er o da ta r b i t r a r yp o s i t i o no ft h eh o m o g e n e i t ys e c t i o na n dt h ei n t e r f a c ep o s i t i o na r e o b t a i n e db ys o l v i n gt h ew a v ee q u a t i o nw i t ht h ef i n i t ed i f f e r e n c em e t h o d s u b s t i t u t i n gt h ei n i t i a l a n db o u n d a r yc o n d i t i o n s ,t h ed i s p l a c e m e n ta n dl o a de x p r e s s i o n so fp u m pp l u n g e rp o s i t i o nc a n b eo b t a i n e db yt h ed i f l b r e n c ea n di t e r a t i v ec o m p u t a t i o na n dt h ef i n a lm a t h e m a t i c a lm o d e l i n gi s c o m p l e t e d t h em a t l a bc o u l d b ea p p l i e dt o p r o g r a m m a t i c a l l y r e a l i z ed r a w i n gp u m p d y n a m o m e t e r c a r d a n dt h e n ,i tc o u l de x t r a c tc h a r a c t e r i s t i c s p o i n t s a n d c o n f i g u r e d c h a r a c t e r i s t i c sp a r a m e t e r sb a s e do nt h ec a r d ad a mn o r m a l i z a t i o na l g o r i t h mb a s e do nr e l a t e dz o o mi sp r o p o s e df o r t h ec h a r a c t e r i s t i cd a t ao f p u m pd y n a m o m e t e rc a r d s b pa n dr b f n e u r a ln e t w o r km o d e l sa l ee s t a b l i s h e df t r s f l yb ym a t l a b n e u r a ln e t w o r kt o o l s ,a n dt h e no p e r a t i o nm o d e sc l a s s i f i c a t i o nf o rs u c k e r - r o dp u m pi sr e a l i z e d t h r o u g hs i m u l a t i o nt e s t i n gc o m p a r i s o no f v a r i o u s n e tp a r a m e t e r s i 西安理工大学博士学位论文 a g l o b l ed a t a b a s ei ss e tu pi n c l u d i n gc h a r a c t e r i s t i cp a r a m e t e r sa b o u tp u m pd y n a m o m e t e r c a r d ,s u c t i o np a r a m e t e r s ,o i l - w e l ld a t a , f a u l tc o d ea n dp r o p o s e di m p r o v e m e n t so ft h ep u m p i n g s y s t e m t h ec a l c u l a t e dc h a r a c t e r i s t i cp a r a m e t e r sa r ec o m p a r e da n dm a t c h e dw i t ht h et y p i c a l m o d e si n d i v i d u a l l yt ot h ei n f e r e n c ee n g i n e ,a n dp r o d u c t i o nr u l e sa r ef o r m u l a t e da n ds t o r e di n t h eg l o b a ld a t a b a s e ,a c c o r d i n gt ot h ei n d i c a t o rd i a g r a m so fa l lt h et y p i c a lo p e r a t i n gm o d e sa n d u s i n gt h ee x p e r t i s ea n dd o m a i nk n o w l e d g e t h u s ,t h ep r o d u c t i o nr u l e ss y s t e mi sb u i l tu p ,w h i c h c a nr e a l i z et h eo p e r a t i o nm o d e sc l a s s i f i c a t i o nf o r t h ep u m pa c c u r a t e l y a f t e rd i s c u s s i n gs t a n d a r ds u p p o r tv e c t o rm a c h i n e s ( s v m ) a n dn o n l i n e a rs o f t m a r g i ns v m c l a s s i f i c a t i o na l g o r i t h m ,s v m st w oc o r e i d e o l o g i e sa r es u m m a r i z e d w i t ht h eh e l po fm o d e l p a r a m e t e r so p t i m i z a t i o nb a s e d - o nr b f k e r n e lf u n c t i o na n dk f o l dc r o s sv a l i d a t i o n ,l i b s v m a n dl i b s v m m a ta r ea p p l i e dt oe s t a b l i s ht h es v mm u l t i c l a s s i f i e rm o d e l sw i t hh i g h e r g e n e r a l i z a t i o nc a p a b i l i t y t h em o d e l sa r eu s e dt oo p e r a t i o np a t t e r nc l a s s i f i c a t i o na n da n a l y s i s f o rt h es u c k e r - r o dp u m p t h ec l a s s i f i c a t i o nr e s u l t sa r ec o n t r a s t i v e l ya n a l y z e db o t hf r o ms v m a n db pn e u r a ln e t w o r k a f t e rd i s c u s s i n gl e a s ts q u a r e ss u p p o r tv e c t o rm a c h i n e s ( l s s v m ) s o l v i n ga l g o r i t h mf o r m u l t i c l a s s i f i c a t i o nq u e s t i o n ,p a r t i c l es w a r mo p t i m i z a t i o na l g o r i t h mb a s e d o nt h ep o p u l a t i o n o fi n t e l l i g e n tb i o n i ce v o l u t i o n a r yc o m p u t a t i o ni sp r o p o s e dt op a r a m e t e rs e l e c t i o nf o rl s s v m c l a s s i f i e rm o d e l al s s v mc l a s s i f i c a t i o nm o d e li sb a s e d o nr b fk e r n e lf u n c t i o na n d m i n i m u mo u t p u tc o d i n ga l g o r i t h m t h i sm o d e li sa p p l i e dt oo p e r a t i o nm o d e sc l a s s i f i c a t i o nf o r s u c k e r - r o dp u m p t h ep r o p o s e dl s s v m i a bi sa p p l i e dt oe s t a b l i s ht h el s s v mm u l t i c l a s s i f i e rm o d e lt o o p e r a t i o nm o d e sc l a s s i f i c a t i o n f o rs u c k e r - r o d p u m p t h ec l a s s i f i c a t i o n m o d e lb a s e d o n l s s v ms h o w sm u c hb e t t e rp e r f o r m a n c et h r o u g hc o m p a r i n gt h es i m u l a t i o nt e s t i n gr e s u l t o b t a i n e db ys v m b pn e u r a ln e t w o r ka n dr b fn e u r a ln e t w o r k m a n yd r a w b a c k se x i s ti no p e r a t i o nm o d e sc l a s s i f i c a t i o nt or o d p u m p i n gu n i tw i t ht h e t r a d i t i o n a ls u p e r v i s e dp a r e mr e c o g n i t i o nm e t h o d ss u c ha sn e u r a ln e t w o r k sa n ds v mh a s s c a r c ec a p a c i t yo fs o l v i n gm u l t i c l a s s i f i c a t i o nw i t l lt h el a r g es c a l et r a i n i n gs a m p l es e to rt h e s e r i o u su n b a l a n c eb e t w e e nt h ea l lc l a s s e so ft r a i n i n gs a m p l e s ah y p e rs p h e r es u p p o i r tv e c t o r m a c h i n e s ( h s s v m ) m u l t i c l a s s i f i c a t i o na l g o r i t h mb a s e d - o ni m p r o v e dc l a s s i f i c a t i o np o l i c yi s p r o p o s e d s e q u e n t i a lm i n i m a lo p t i m i z a t i o nw i t ht h r e ew o r k i n gs e ts e l e c t i o nm o d e ss u p p o r t e d g r i d r e s e a r c ht h a ti sa p p l i e dt or a np a r a m e t e ro p t i m i z a t i o n t h ek e r n e lc a c h et e c h n o l o g ya n d u p p e rt r i a n g l em a t r i x ( u t m ) p o l i c ya r ei n t r o d u c e di nt e r m so ft h es c a l eo ft r m n i n gs a m p l es e t t h et o o l k i th s s v m 1 17b a s e do ni m p r o v e dh s s v ma l g o r i t h mi sd e v e l o p e da n dh a sf u l l y f u n c t i o n s t h em a n u a lo fh s s v m 1 17i s m u l t i c l a s s i f i c a t i o ns i m u l a t i o ne x p e r i m e n t t h e 1 1 w r i r e nt o o t h et o o l k i ti s a p p l i e dt o r u n s i m u l a t i o ne x p e r i m e n tr e s u l ti sc o m p a r e dw i t h 一 全! 兰竺一 b pn e u r a ln c t w o 出a n dc l a s s i c a ls o f t m a r g i ns v m t o o l so nt h es a m es i m u l a t i o ne x p e r i m e m o b i e c t t h ee x p e r i m e n tr e s u l ts h o w st h a ti m p r o v e dh s s v ma l g o r i t h m h a st h ea d v a n t a g e so f 妤c tm e o 巩量置s tp 删t e ro p t i m i z a t i o n , p o w e r f u lg e n e r a l i z a t i o na b i l i t y , h i g hc l a s s i f i c a t i o n a c c 啪c y a i l ds 仃0 n g e rs e l f - a d a p t a t i o n ,e t c f o rt h i sl e a s o n ,i ti s s u i t a b l ef o rt h ec o m p l e xa 】m l a r g es c a l eo f f a u l ti n t e l l i g e n c eo p e r a t i o nm o d e sc l a s s i f i c a t i o ni nt h eo i l 。p r o d u c t l o ne n 9 1 n e e 姗g f i e l d k e yw o r d s :s u c k e r - r o dp u m p ;i n t e l l i g e n to p e r a t i 。nm o d e sc l a s s i f i c a t i o n ;p r o d u c t i o n m l e s s y s t e m ;s u p p o r tv e c t o rm a c h i n e ;p a r a m e t e ro p t i m i z a t i o n i i i 西安理工大学博士学位论文 i v 绪论 1 绪论 1 1 课题研究的目的及意义 石油不仅是能源,更是一种战略资源,与国民经济和国家安全息息相关。近年来的一 些战争和武装冲突都与石油有关。石油生产引起人们越来越多的关注。在国内外石油生产 中,以有杆抽油为代表的机械采油占据着主要地位。由于井下工况复杂,如何及时、准确 地了解有杆抽油系统( 包括地面设备、井下设备和油井本身) 的工作状况,对提高抽油井 效率、降低机械采油成本和提高油井产量都具有非常重大的现实意义【z j 。 我国西北和东北地区的油田有着地广油井稀的特点,油井的生产管理是油田管理的薄 弱环节之一。有些油田采用人工巡井强化油井管理,即采油工人每天必须检查抽油机的工 作状态,观察井口回压和油温,估算抽油机运行效率,若发现抽油机工作异常、油井不出 油等故障,立即停机 3 1 。很明显,这种落后的管理方式费时费力,容易出现误判,根本无 法适应现代化生产,为了提高采油效率和设备开机率,降低能耗,工程技术人员从各方面 入手进行了卓有成效的研究和技术革新,如何实现抽油系统故障的智能实时诊断和准确处 置已成为研究重点方向。 1 2 课题研究的理论基础 从本质上讲,故障诊断就是模式识别( p a t t e r nr e c o g n i t i o n ) 或者模式分类( p a t t e r n c l a s s i f i c a t i o n ) 问题。贝叶斯决策理论、概率密度函数的估计理论、线性判别函数、非线 性判别函数、近邻法则等传统的模式识别方法在工程领域的应用已趋成熟。 2 0 世纪8 0 年代以来,计算机技术的迅速发展使得计算机通过机器学习( m a c h i n e l e a r n i n g 或者c o m p u t a t i o n a ll e a r n i n g ) 或训练实现模式识别( 分类) 成为可能,而且已经 取得了很好的目标识别效果。机器学习是人工智能( a r t i f i c i a li n t e l l i g e n c e ,a i ) 的一个重 要研究和应用领域。通过引入a i 信息处理大规模数据的目标识别与分类的新方法已经成 为人们急切关注的热点之一。目标识别与分类问题的任务是对目标的类别、属性作出某种 判断。目标识别与分类技术主要经历了从传统模式识别技术到近2 0 年来发展其来的基于 模型的智能识别技术。人工神经网络的起源、发展与计算机的研究发展同步。它是由简单 处理单元( 神经元) 所组成的众多并行分布的处理机。这种处理机在存储经验知识、应用 经验知识、联想思维、推理等方面,具有和人脑相似的自然特性。神经网络已经渗透到智 能控制、信号处理、模式识别、视觉工程等很多工程领域。 2 0 世纪9 0 年代以来,模式识别领域两个主要的研究方向包括核机器学习和集成学习。 核机器学习方法是基于统计学习理论和核技术建立的,以支持向量机为核心算法的一类统 计机器学习方法【4 j 。与其他学习机相比,支持向量机基于结构风险最小化原则,具有更好 的推广能力( g e n e r a l i z a t i o nc a p a b i l i t y ) 和很强的普适性。综合新近的智能算法关于改进 模式识别支持向量机算法精度、求解速度和推广能力的方法相继推出。集成学习的分类方 西安理工大学博士学位论文 法是构建一种对单个分类器进行集成的学习方法,将各个分类器的分类结果以一定的方式 集成起来实现对新样本点的分类,要求各个分类器之间相互独立而且具有差异性。 1 3 有杆抽油泵工况分类技术的发展历史 有杆抽油泵的工况分类技术是油田采油作业保持稳产高效和科学管理的重要手段。各 石油公司都很重视对重要设备的状态监测、故障预警、工况分类、故障处置等工作,不遗 余力地投入了大量的人力、物力、财力开展故障诊断技术的研究。 利用电动机的电参数、各种液压仪表指示参数、示功图等可对整个抽油泵系统的各种 工作状况进行分析和判断是这项研究工作的基本切入点。 抽油泵工况分类技术的研究,一直是国内外采油工程技术人员的一个重要研究课题。 研究人员经过几十年的努力,抽油泵工况分类技术得到了飞速发展,就其研究内容与技术 发展来说,大致可以分为以下四种方法【z j : 第一,“五指式动力仪”分析法。它主要依靠经验丰富的操作员手掌握住光杆的感觉 来分析抽油设备的工作状况,这种方法原始的方法只适用于浅井,随着泵挂深度的增加以 及技术的发展,该方法早已被淘汰。 第二,地面示功图分析法。该方法提出于1 9 2 7 年,利用光杆动力仪绘制关于光杆处 载荷位移曲线,即光杆示功图,然后对该示功图进行分析解释,以判断油井与设备故 障。光杆的理论示功图是在泵速约为零时的地面示功图,形状为平行四边形,与抽油泵的 理论示功图相近似。但是当泵速大于零时,由于应力波沿抽油杆柱传递的滞后,其形状发 生变化,因而只有浅井低速时地面示功图对故障的分析解释才是正确的。 第三,井下示功图诊断法。这种方法提出于1 9 3 6 年,是利用井下动力仪随同抽油泵 一起下入井内直接测量泵示功图,消除抽油杆、井壁等不确定因素给分析、解释带来的困 难。虽然作为判定其它工况分类方法准确性的判定依据,是准确可靠的,但是该方法耗资 巨大,工艺复杂,不能实时观察井下工况,因此没有得到推广使用。 第四,初步的计算机诊断法。这种方法提出于1 9 6 6 年,其基本原理是把抽油杆柱作为 井下动态信号的传导线,抽油泵作为发送器,抽油泵柱塞上的载荷变化以应力波的形式沿抽 油杆柱传递到地面,被作为接收器的动力仪所接收。据此原理,建立了带阻尼的波动方程作 为描述应力波在抽油杆柱中传递过程的基本微分方程,以光杆动载荷及位移作为边界条件, 可以得到抽油杆柱任意截面处的位移和载荷计算式,从而绘出所需的抽油杆各截面及泵的示 功刚5 j 1 6 j 。根据示功图,可以对整个油井生产系统的工作状况做出分析和判断。该方法排除 了由于使用不同抽油机和井深的不同对地面示功图的影响,直接根据井下泵示功图对故障进 行诊断。但是井下泵示功图的形状受阻尼系数计算准确性的影响,当得出井下泵示功图以后, 仍然需要有经验的技术人员进行人工分析,对泵功图的解释智能化程度很低。 人工智能和计算机技术的快速发展以及现代石油工业的发展趋势使得人们更加重视 有杆抽油泵的智能工况分类技术的研究。 2 绪 论 1 4 有杆抽油泵泵功图获取技术的研究现状 人们对有杆抽油泵工况的研究离不开示功图。虽然地面示功图是抽油井地面能够容易 获取的基本资料,也是对抽油泵的工作状况进行分析的重要依据,但是它毕竟不能直接反 映在井下工作的抽油泵的实际工况。不同的井下问题会对泵功图的形状特征产生不同的影 响。对泵功图进行分析,就可以确定抽油井存在什么问题。由于泵功图包含了有杆抽油系 统运行情况的丰富信息,因此研究泵功图的形状可定性地判断出井下故障,这就需要设法 获取泵功图。 1 9 3 6 年美国人吉尔伯特( w e g i l b e r t ) 和萨金特( s b s u r g e n t ) 发明了井下动力仪 ( d o w n h o l ed y n a m o m e t e r ) 。人们利用井下动力仪随同抽油泵一起下入井内,直接测量泵 功图,称为直接测量泵功图法或者实测法。这种方法可以获得抽油泵工作状态的第一手资 料,消除抽油杆柱等诸多不确定因素给分析抽油系统工况过程带来的影响。直接测量泵功 图法虽然可以直接获得泵功图,但是操作人员必须将抽油泵和抽油杆提出,以安装井下动 力仪,然后再下入井内测量,另外也不可能即时观察井下工况。要观察井下工况,还要将 井下动力仪提出。因此,直接测量泵功图法耗资巨大,工艺复杂,没有得到推广使用1 2 j 。 然而人们为获取泵功图的努力并未停止,纷纷开始尝试通过建立数学模型获得泵功图。 文献 7 】提出一种井下力与位移的计算方法,建立了关于抽油杆柱的无阻尼波动方程 ( u n d a m p e dw a v ee q u a t i o n ) ,并利用其特征线求解。他假设杆柱中的力是由两个力波合成 的( 一个波向上运动,另一个波向下运动) ,由地面示功图计算两个力波。地面示功图重新 绘成力时间曲线和位移时间关系曲线。力可以直接由力时间关系曲线获得, 速度则可以由位移时间关系曲线对时间求一阶微分得到。对于无阻尼解,由地面示功 图计算的厂和g 值在整个杆柱中是不变的,用集中阻尼力来改进厂和g ,然后利用这两个移 动的力波来计算泵功图,该方法仅对等直抽油杆是适用的 2 1 。 文献 6 】研究出诊断分析技术,建立了抽油杆系的一维带阻尼波动方程,利用分离变 量法求得其截断的傅立叶级数近似解。所需的两个边界条件( b o u n d a r yc o n d i t i o n ) 由地 面示功图给出,并以载荷时间和位移时间关系曲线形式表示出来,该方法可以绘 出抽油杆柱任意截面和泵处的示功图【2 】。由于消除了抽油杆柱变形及振动的影响( 但同时 也疏忽了液柱的影响) ,该方法已经成为三十多年来世界各国计算机进行抽油井工况分类 的主要方法。 文献 8 】提出用差分方程计算泵功图,但是该方法不适用于不同抽油杆直径的组合杆 和不同抽油杆材质的混合杆的场合。 文献【9 】对等步长差分格式在遇到抽油杆柱材质发生变化的单元的等效形式进行了研究。 文献 1 0 】提出了适用于多级杆及混合杆的变步长差分格式。 文献1 1l 】提出利用快速傅立叶变换( f a s tf o u r i e rt r a n s f o r f l l ,f f t ) 求解诊断模型,加 快了获取泵功图的运算速度。 3 西安理工大学博士学位论文 文献 1 2 1 4 提出对杆柱进行力学和运动分析,建立了几何方程、运动平衡方程和本构 方程,得到泵功图计算模型,并给出了定解条件。 文献【1 5 【1 6 】提出在附加考虑抽油杆与油管的滑动摩擦力及油液的内摩擦力时,重新 采用微元矢量分析方法,得到泵功图计算模型,并给出了定解条件。 文献 1 7 1 提出建立了针对组合杆、混合杆的直井有杆泵预测与诊断模型。 文献 1 8 1 在考虑抽油杆柱三维振动、井眼轨迹、抽油杆与油管的滑动摩擦力时,求解 了斜井有杆泵预测与诊断模型。 文献 1 9 提出一种差分迭代的方法求解获取泵功图的数学模型。 文献 2 0 】 2 1 】提出采用采用显式有限差分法求解吉布斯方程来获取泵功图计算模型。 文献【2 2 】【2 3 】等人在考虑了杆柱的径向、轴向振动以及与油管液柱间的径向耦合振动 完成了建立所需的数学模型。 文献 2 4 1 将忽略了很多因素简化推导的吉布斯方程采用傅里叶级数展开和分离变量 法求解吉布斯方程获得简略的泵功图计算模型。 文献 2 5 】提出了一种迭代法与差分法相结合的数值分析算法,可以用来求解有杆抽油 泵系统故障诊断模型,获取泵功图。 由此可见,确实可以通过建立优良的数学模型的方法获得较为准确的泵功图。 1 5 有杆抽油泵工况智能分类技术的研究现状 2 0 世纪8 0 年代以来开发的抽油泵系统故障诊断技术开始具有初步的人工智能程度, 但是集成化程度和自动化程度还比较低,这一领域需要智能化程度更高的诊断技术研究。 利用示功图对抽油机泵系统的各种工况进行分析和判断是有杆抽油泵系统智能诊断技术 的基本切入点。计算机图形技术和模式识别领域的快速发展使得利用计算机辅助诊断成为 故障诊断研究的主要趋势。 文献 2 6 1 尝试采用混合人工神经网络对特征明显的泵功图进行故障诊断。 文献【2 7 提出利用泵功图的几何特征,根据分析和对比油田1 0 0 多口油井实测数据资 料的对比,制定基于泵功图的几何特征的识别规则,可用于工况分类。 文献【2 8 针对地面示功图,将人工神经网络与模式识别技术相结合,建立抽油机井故 障诊断智能系统,能够快速、准确识别地面示功图。 文献 2 9 1 提出将泵功图上部分故障特征段数据参与神经网络运算,将一个功能复杂的 神经网络分解成若干个小的、功能简单的神经网络,可以减少神经网络的收敛迭代次数, 但是训练阶段总的耗时会成倍增加。 文献【3 0 对于分层有杆抽油系统,采用两个b p 神经网络对偏一t l , 阀抽油泵和管式泵的 泵功图进行模式识别,建立起分层有杆抽油系统故障诊断专家系统。 文献【3 1 】从泵功图入手,以一个故障子网为例,建立了一种基于人工神经网络的有杆 抽油机井井下故障诊断专家系统。 4 绪论 文献 3 2 1 建立了一种基于b p 神经网络的井下故障诊断专家系统,该专家系统的知识 库的静态知识以领域专家的诊断知识以产生式规则输入,动态知识在b p 神经网络中通过 训练样本学习实现网络内部获取。 文献【3 3 】分析影响抽油泵实效的各种因素,建立抽油泵故障树,对该故障树进行定性 分析和定量计算,求出故障树的全部最小割集和系统在工作时部件的概率重要度、关键重 要度和系统顶事件发生的概率,对影响抽油泵寿命的各主要因素进行了分析,并提出了一 些改进措施。 文献 3 4 】指出故障树分析可以描绘出系统失效和零部件失效的逻辑因果关系,能够给 出抽油泵中影响可靠性的一些共性因素,模糊理论研究影响可靠性的一些不确定因素。提 出将故障树分析和模糊综合评判分析相结合,建立组合分析法,对有杆抽油泵进行可靠性 分析。 文献 3 5 】提出采用差分曲线法对泵功图进行自动识别处理,对识别出的故障油井进一 步采用人工神经网络技术定位的新思路和新方法。 , 文献 3 6 从抽油杆柱静力分析、抽油杆柱特性值屈曲分析、抽油杆柱几何非线性屈曲 分析、抽油杆柱与油管的接触非线性分析等基础理论研究入手,以试验研究为基础,综合 考虑有杆抽油系统井下设备运动的影响因素,提出了一种能够计算有杆抽油系统井下设备 变形状况的诊断方法。 文献 3 7 针对示功图,采用计算机图像处理技术对进行二值化、滤波和标准化处理, 采用人工神经网络进行故障形式的识别。 文献 3 】提出应用波动方程,建立以泵功图为基础的井下故障诊断模型,实现地面示 功图到井下泵功图的转换。针对不同井下工况泵功图的几何特征,建立井下故障诊断参数 的计算模型。应用e l m a n 神经网络,建立井下故障诊断的人工神经网络的模型。指出专家 系统与人工神经网络相比,其模式识别能力较低。即使较为先进的专家系统,也只能对有 限的几种故障组合进行识别。 文献 3 8 - 4 0 提出利用自组织竞争( s e l g o r g a n i f i n gc o m p e t i t i v e ,s o c ) 神经网络用于抽 油泵地面示功图的工况分类,发现在样本数目足够时,s o c 网络比b p 网络取得更高的识别率。 文献 4 1 】提出采用灰度矩阵对泵功图进行图形特征分析和特征提取,并且利用改进算 法的人工神经网络用于有杆抽油泵故障诊断,提供了全新的理论方法和实现手段。同时指 出人工神经网络也有其固有的缺点。 文献【4 2 】提出了一种输入和权值均可是时变函数的过程神经元网络( p r o c e s sn e u r a l n e t w o r k s ,p n n ) 作为抽油机井示功图动态诊断模型和方法。 文献 4 3 】【4 4 】提出将人工神经网络用于有杆抽油泵工况的模式分类思想。 文献【4 5 】提出建立一个基于模糊规则的推理系统用于抽油泵故障诊断的方法,以指导 下设备维护。 因为各种客观原因,有些工程领域很难获取大量的样本,这种现实情况制约着遵循大 5 西安理工大学博士学位论文 数渐进理论的人工神经网络的应用效果。2 0 世纪9 0 年代初期诞生的统计学习理论是一种 专门研究小样本情况下机器学习规律的理论,有着完备的理论基础,被认为是目前针对小 样本统计估计和预测学习的最佳理论,开始受到广泛关注。支持向量机是基于统计学习理 论的一种新型的模式识别方法,是统计学习理论中最年轻最实用的内容1 4 6 】【4 7 1 ,目前仍处 在不断发展阶段。它较好地解决了小样本、高维数和非线性等问题,能够进行直观的几何 解释,在训练( 机器学习) 时总能得到全局最优解,克服了人工神经网络法中网络结构难 以合理确定和存在局部最优解等缺陷,开始成为克服“维数灾难 和“过学习 等传统困 难的有力手段,从而大大提高了机器学习的推广能力,这些优点使之成为继神经网络之后 新的研究热点,已经在模式识别、函数拟合等领域得到了广泛应用。 文献 4 8 】针对支持向量机多类分类器中存在的不可分类区域问题,引入模糊隶属度函 数,提出了一种模糊支持向量机的分类器并用于典型泵功图的模式识别。 文献 4 9 】提出利用支持向量机对抽油机工作功率、电流数据进行

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论