基于Freeman链码特征值的示功图分类识别研究

示功图分析是目前比较常用的油井故障诊断方法,基于神经网络的示功图分类识别要求准确地提取示功图的特征值,特征值的质量直接关系到示功图识别的效率和可靠性。传统的示功图特征值提取方法计算量很大,与油井现场的实时性要求相悖。为了解决这一问题,提出了用Freeman链码来表达示功图特征,对示功图的识别进行研究。分析了示功图Freeman链码的提取方法以及典型工况链码特征,建立示功图链码特征样本库,给出了示功图识别的方法步骤,在MAT-LAB下进行仿真验证。结果表明,Freeman链码特征值能够有效地分类出各种典型工况示功图,神经网络具有更快的收敛速度和更高的识别效率。     

基于PSO-RBF神经网络的示功图识别

针对广泛应用的有杆抽油机故障率较高的现状,提出傅立叶描述子和RBF神经网络相结合的算法判断抽油机工况。该算法基于典型示功图的几何特征,提取低频区傅里叶描述子作为特征参数,再结合上、下冲程的载荷变化量,构成代表对应工况的12个综合特征参数,利用RBF神经网络建立识别网络模型,对数据进行网络训练得到RBF神经网络。通过MATLAB仿真平台完成了PSO-RBF神经网络的示功图识别的仿真验证,实际运用在油田生产中准确性良好。     

基于功图分析的有杆抽油泵故障诊断技术研究

在油井开采中,利用计算机技术准确判断油井井下故障,实现采油系统的数字化与智能化,是当今石油行业急需解决的重大难题之一;通过示功图分析诊断有杆抽油泵故障是油田分析泵况的主要手段,目前,国内外对示功图的识别还是主要依靠人完成,虽然计算机识别技术早已实现,但是,由于其准确度有限,并未得到推广;为此,在大量文献研究的基础上,对有杆抽油泵故障诊断技术进行了综述;首先介绍了抽油泵故障诊断技术的发展历程,其次对井下泵功图转换模型建立、泵功图特征值提取方法和特征值匹配方法的国内外功图识别技术进行了分析,最后指出了目前有杆泵故障诊断技术中存在的主要问题及今后需要努力的方向。     

对传过程神经元网络在油井故障诊断中的应用

为更好解决抽油机井示功图模式诊断问题,依据示功图绘制原理,将示功图识别看作动态系统连续曲线（位移-时间曲线和载荷-时间曲线）的模式识别问题。利用过程神经元能同时处理时、空二维信息,可自动抽取时变函数样本的过程模式特征,在机制上对时变信号的分类问题具有较好的适应性,提出一种基于对传过程神经元网络诊断模型及其学习算法。以油井实测数据对模型进行训练和故障识别,取得了较好的应用效果。     

基于傅里叶特征谱和相关系数的织物疵点检测

为提高织物疵点自动检测的准确度,提出一种基于傅里叶特征谱和相关系数的织物疵点检测算法。以平纹、斜纹织物为研究对象,对织物图像进行傅里叶变换,得到织物图像的频谱图;定位频谱中的特征峰点,提取表征图像灰度、纹理的五个特征值;以正常织物为模板,计算待检图像特征值与模板图像特征值之间的相关系数,确定用于识别织物疵点的阈值,来实现织物疵点检测。实验结果表明:当阈值设定为0.80时,该算法能够实现稀密路、断经、吊经、纬缩、破洞等常见疵点的准确检测。     

基于LIBSVM的融合傅里叶幅值与相位的示功图识别方法

通过示功图来诊断抽油机井工况,是确保油井安全高效生产的一种重要手段。针对现有示功图特征提取只利用其离散傅里叶变换(Discrete Fourier Transform,DFT)的幅度谱而忽略了其相位谱,从而导致识别率较低的问题,提出了一种融合DFT的幅度谱与相位谱的示功图识别方法。首先,将示功图数据组成复数序列,取其DFT的幅度谱与相位谱构造特征向量;其次,对已知故障种类的示功图的特征向量进行训练,构造多分类支持向量机(Support Vector Machines,SVM)分类判别模型;最后,通过LIBSVM分类识别方法对未知类别的示功图进行分类识别,从而诊断抽油井的工况。实测结果表明,与只利用DFT幅度谱的方法相比,该方法能够有效地提高示功图的识别率,能为油井工况的准确分析、诊断与实时优化控制提供技术支撑。     

抽油井无线传感器网络太阳能示功仪硬件设计

针对当前抽油井示功仪普遍存在的充电维护费用高、网络接入功能弱化等问题,基于太阳能技术、Zig Bee无线自组网技术、双轴加速度传感器和应变式压力传感器,设计实现了新一代一体化太阳能示功仪.详细介绍了示功仪各单元的硬件组成与实现,并构建了面向抽油井工况监测的无线传感器网络。在长庆油田部署了7个示功仪节点、7个无线压力传感器节点和1个多协议网关进行现场测试并试运行。结果表明:示功仪对游梁式抽油机位移测量的最大误差为0.09m,太阳能支持节点连续7个阴雨天正常工作,实测示功图符合抽油井工况实际。     

油田监测与分析系统核心算法修正

随着油田智能化发展的需要,传统的故障诊断、动液面、产量计量算法已不能满足油井问题在实时性和准确性方面的要求。针对目前国内外油井监测与分析系统中存在的问题,本文对系统核心算法故障诊断、动液面、产量计量进行修正。其中,故障诊断采用基于关联度函数修正的方法,并给出一种专家知识库实时更新完善策略。动液面算法采用物元分析的方法,通过建立物元模型确定油井的最优多相流算法。产量计算算法采用均值滤波的方法,通过消除示功图中复杂的频率部分精确求取示功图有效冲程。并对以上修正算法进行了仿真,提高了油井问题诊断的准确性和诊断效率,为智能油田提供理论基础。     

基于链码的减震器示功图故障检测算法

减震器示功图是测量减震器外特性的重要手段,快速准确的识别减震器故障类型对降低减震器的次品率和改善减震器的设计缺陷具有重要意义。为此,提出了基于链码的多特征模式匹配算法对故障示功图进行分类。首先,对示功图进行预处理并记录最大拉伸阻尼力和最大压缩阻尼力的值,对预处理后的示功图进行十字分割,分别求出分割后的示功图各部分的链码序列,然后求出其对称性、链码长度、面积这三个特征值,最后根据编码原则对特征参数进行编码,将其编码后的值与类型库的编码进行匹配,从而得出样本的故障类型。实验结果表明,该算法能够正确识别示功图的13类基本故障类型。     

基于谱域特征提取与线性回归分类的智能人脸识别算法

针对人脸识别中由于光线、表情变化和遮挡导致人脸图像变化的问题,提出了一种谱域特征提取与线性回归分类算法相结合的智能人脸识别方法。为了实现特征提取的目的,首先使用Viola-Jones算法从原始图像中提取初始人脸部分,并将其转换为120×120像素大小的灰度图像;然后提出了一种计算极坐标傅里叶变换（FFT）以获得预处理人脸图像主要幅度谱特征的新框架,进一步在预处理的图像上执行2D-DFT,并表示为1D P-FFT。特征值是1D P-FFT幅值中的最大值,提取的特征值用于构造表示人脸图像的符号对象。最后利用快速有效的线性回归分类算法实现分类。在AR和GT数据库上进行了各种实验,分别取得了97.51％和98.02％的准确率,与最近报道的一些人脸识别技术相比,提出的方法识别准确率更高。     

基于神经网络的示功图诊断研究

在抽油机井生产过程中,及时掌握抽油机井工况,实现抽油机井的远程监测和科学管理,是当前抽油机采油系统迫切需要研究的一个重大课题。在传统工况诊断的基础上研究了抽油机井工况智能诊断技术。通过对示功图的网格化,建立了示功图的计算模型,通过对这些模型进行预处理,建立了抽油机井典型工况的特征参数样本库。研究了BP神经网络的基本结构,并将BP神经网络诊断系统应用于抽油机井示功图识别,取得了良好的效果。     

基于支持向量机的抽油机井功图识别研究

抽油机的异常情况会使油田的产油效率降低,而不同的异常类型对应的抽油机示功图特征也各不相同,因此造成的损害程度也不同。针对以上问题,文中提出了一种抽油机井功图识别模型,该方法将支持向量机（ SVM）用于抽油机井功图识别。首先利用改进的矢量曲线数据压缩方法（ICVDC）对抽油机井下示功图进行特征数据提取,在此基础上,采用“一对一”分类法建立基于支持向量机的井下示功图分类模型,进而对不同特征的示功图进行分类识别,并与其他识别分类模型进行了识别分类效果对比。实验结果表明,该方法分类准确度高,有效地解决了示功图的识别和分类问题,方便对油井设备等进行进一步的故障分析处理,从而大大提高抽油机的性能与效率,以此来达到油田提高采收率的目的。     

A recognition and novelty detection approach based on Curvelet transform,nonlinear PCA and SVM with application to indicator diagram diagnosis

Indicator diagram plays an important role in the health monitoring and fault diagnosis of reciprocating compressors. Different shapes of indicator diagram indicate different faults of reciprocating compressor. A proper feature extraction and pattern recognition method for indicator diagram is significant for practical uses. In this paper, a novel approach is presented to handle the multi-class indicator diagrams recognition and novelty detection problems. When multi-class faults samples are available, this approach implements multi-class fault recognition; otherwise, the novelty detection is implemented. In this approach, the discrete 2D-Curvelet transform is adopted to extract the representative features of indicator diagram, nonlinear PCA is employed for multi-class recognition to reduce dimensionality, and PCA is used for novelty detection. Finally, multi-class and one-class support vector machines (SVMs) are used as the classifier and novelty detector respectively. Experimental results showed that the performance of the proposed approach is better than the traditional wavelet-based approach.     

示功图与模糊神经网络结合的抽油机故障诊断

随着石油工业的发展,采油工艺的提高,抽油机故障诊断在生产环节中尤为重要,对分析传统示功图对抽油机故障诊断不足进行了分析,其不足主要集中在诊断分析方式属于定性分析,并且诊断维度过于单一.首先对抽油机的故障进行了总结,并引入模糊神经网络,并在模糊神经网络中引入黄金分割法的变步长BP算法实现推理过程,通过模糊神经网络与示功图特征综合评判其故障生成诊断方案用来实现从不同维度解决抽油机故障方面的问题,同时本文通过仿真实验验证了该理论的可行性.     

智能动态诊断模型及在示功图识别中的应用

针对抽油机井示功图模式诊断问题,提出了一种基于过程神经元网络的动态诊断模型和方法。过程神经元网络（PNN）的输入和连接权均可以是时变函数,通过对训练函数样本集的学习,可自动抽取时变函数样本的过程模式特征,并可将多个过程特征加以组合形成类别输出,在机制上对时变信号的分类问题具有较好的适应性。建立了一种基于PNN的动态诊断模型和方法,给出了基于函数基展开结合梯度下降的学习算法,对油田实测的抽油机井示功图进行工作状态识别,取得了较好的应用效果。     

基于神经网络的抽油机故障诊断

自组织特征映射网络（Self-Organization Map,SOM）是一种具有强大的自学习功能、良好的自组织性和自适应性的神经网络,能够将输入数据映射到输出神经元阵列中,并保持数据集的拓扑结构和密度分布不变。针对基于传统竞争神经网络的抽油机示功图聚类时分类精度低的缺点,对自组织特征映射神经网络的学习速率和临域的递减方式进行改进,并在Matlab环境下进行仿真验证。仿真结果表明,本文所采取的改进能有效的提高聚类的精度和准确性。     

Voronoi图算法及其在混合电路的衬底耦合研究中的应用

提出了对版图进行划分的Ｖｏｒｏｎｏｉ图的算法：将Ｖｏｒｏｎｏｉ图进行变换,通过扫描技术,从下到上对每个点与交点进行处理,从而形成变换后的Ｖｏｒｏｎｏｉ图,最后将此图转换为Ｖｏｒｏｎｏｉ图．在计算中,针对集成电路的物理特性,改进了阱区附近的Ｖ图的生成以及多个水平位置点和兼并问题．算法时间复杂度为Ｏ（ｎｌｏｇｎ）,空间复杂度为Ｏ（ｎ）．     

基于Leap Motion和支持向量机的手势识别

为了使手势识别在更多的领域得到推广及应用,提出了基于Leap Motion体感设备实时跟踪技术获取手势三维空间坐标信息的方法,并从中分别提取角度信息和相对坐标信息,构建手势特征数据,建立手势识别模型.对特征数据进行归一化处理后,利用支持向量机(SVM)分类器进行训练、建模和分类,实现手势识别.实验结果表明:以角度数据和坐标数据作为手势特征的方法可行,平均识别率分别为96.6%和91.8%.通过对比可以得出:以角度数据作为特征值具有较高的准确性和鲁棒性,并避免了单纯依照一种特征值产生的局限性.