基于IFOA-KELM-MEA模型的游梁式抽油机采油系统井下工况的短期预测

实现对井下工况的预测是及时掌握抽油井生产状态的有效方法,对提高油井生产效率和降低维护成本具有十分重要的意义。采用混沌理论实现抽油井井下工况的短期预测,首先将所提取的示功图的不变曲线矩特征向量作为预测变量,在证明其数据序列具有混沌特性后,由核极限学习机(kernel extreme learning machine,ELM)建立混沌时间序列预测模型,对其中的几个不确定参数采用改进的果蝇优化算法(improved fruit fly optimization algorithm,IFOA)进行优化选取,IFOA采用全局群体多样进化和局部个体随机变异的策略,最后,对模型所预测的结果进行物元分析(matter-element analysis,MEA),诊断其属于哪种故障类型。由某油田作业区的两口生产井进行实例验证,结果表明所提出的IFOA-KELM-MEA预测模型是合理有效的。     

游梁式抽油机机构的运动学分析

通过对目前我国采油厂主要使用的游梁式抽油机组成及工作原理的介绍,对其进行运动学研究,分别介绍了游梁式抽油机机构运动模块的研究,包括原动机模型、数学模型、减速器模型、抽油机主体模型等.同时利用相关的数学原理和计算模拟软件对游梁式抽油机机构的运动受力进行分析,最终为合理利用和改造游梁式抽油机使其更加节能、应用更加广泛.     

基于OS-ELM的游梁式抽油机系统电动机负载扭矩的在线混合建模

由于难以掌握电动机工作效率与复杂动态负载的准确关系,游梁式抽油机系统普遍存在“大马拉小车”的现象。针对这个问题,研究负载动态变化下电动机负载扭矩的建模新方法,将“驴头”悬点载荷看作系统的负载,提出了基于OS-ELM的在线混合模型。首先根据采油工作原理,建立系统各机构的机理模型;然后针对模型中的主要不确定参数--井下摩擦力,建立基于OS-ELM的在线软测量模型,首先由历史生产数据离线训练得到初始结构,其次采用滑动窗口方法指导模型的在线更新。通过研究,井下摩擦力不再是依赖主观经验给定的定值,而是跟随系统变化的动态值,这更加符合实际生产工况。由一口生产井进行实例验证,仿真结果表明本文所提出方法是合理有效的。     

新型天平游梁式抽油机的应用效果分析

文中通过新型天平游梁式抽油机在油田生产中的现场应用,对该装置在节能降耗、提高工作效率等几方面的实际情况进行了跟踪摸索,获得了较好的应用效果。     

游梁式抽油机的远程智能故障诊断

近些年来,我国的油田得到了长期的开采,我国大部分油田也丧失了自身进行自喷的能力,此外,由于油田地质条件存在着不同,我国有些油井在最初的开采不能够进行自喷,本着对油田原油的产量进行保障,对于那些不自喷油井我们必须要采取机械采油这一种方法进行开采,本文中,笔者就对游梁式抽油机的远程智能故障诊断进行分析.     

游梁式抽油机变速驱动优化建模与节能机理研究

依据能量守恒原则,为充分利用抽油机运动件的惯性能量,建立了抽油机变速驱动力模型、求解方法和全周期优化运行方法。计算结果表明:合适的变速运行方案能够提高系统效率和节电率,降低电机功率峰值和扭矩峰值,降低减速箱扭矩峰值和悬点载荷峰值。油田应用结果表明:变速优化技术能够提高抽油机井系统的综合工作性能,提高产量,降低能耗,提高安全性。     

基于Gath-Geva算法和核极限学习机的多阶段间歇过程软测量

间歇过程具有较强的非线性,多阶段、慢时变及批次间存在变化,采用单一预测模型不能反映间歇过程的多阶段特性及阶段间过渡特性。提出一种基于Gath-Geva聚类和核极限学习机（kernel extreme learning machine,KELM）的多模型软测量方法。首先采用主成分分析（principal component analysis,PCA）对输入做特征提取,然后利用Gath-Geva算法对间歇过程进行多阶段工况划分,根据生产工况特性划分为不同的操作阶段后,分别建立局部KELM模型。对任一待预测样本,分别计算其对应各局部模型的预测值,最后采用贝叶斯集成,将其隶属于各局部模型的模糊隶属度作为权重和预测值融合得到最终预测值。以青霉素发酵数据进行实验测试,结果表明所提多模型算法相较于单一模型,具有更高的预测精度。     

基于ARIMA时间序列模型的中国塑料制品产量预测研究

根据中国2000~2019年塑料制品产量的时间序列数据,研究差分自回归移动平均模型ARIMA(p,d,q)的建模和应用。利用白噪声检验和平稳性检验对原始序列进行预处理及ARIMA模型识别,在模型定阶后进行参数估计,检验模型拟合效果,并预测塑料制品的产量。结果表明:ARIMA(2,1,1)模型可以很好地描述塑料制品产量的变化趋势,使用该模型可以预测未来五年的塑料制品产量。     

基于时间序列ARMA模型的拱桥施工变形预测

为了促进时间序列分析方法在桥梁施工监测中的应用,利用时间序列ARMA模型对某特大桥主桥施工监控过程中主拱肋控制点变形数据进行分析,预测了后续主拱肋施工阶段的变形情况,并与实测数据进行比较。结果表明,时间序列ARMA模型在桥梁施工中预测拱肋变形具有较高的精度和可靠性,为桥梁施工的控制和监测提供了有效的手段。该研究成果说明时间序列分析方法可大大地改善参数的估计精度,提高模型的预测效果。     

基于主成分物元可拓模型的岩爆倾向性预测

岩爆会对井下工作人员和设备造成严重的伤害和破坏,开展岩爆倾向性预测研究具有重要的现实意义。以岩爆倾向性预测为目标,综合考虑岩爆的影响因素,从岩性、应力、围岩3个角度选取12个影响因素作为评价指标,采用主成分分析法和物元可拓模型建立新的预测模型即主成分物元可拓模型,选取国内7个典型工程实例,运用主成分物元可拓模型进行岩爆倾向性等级预测,将预测结果与实际情况进行对比,发现预测结果与实际情况基本吻合,准确率达到了85.71%。以白鹤滩水电站地下厂房为工程实例,对该预测模型的精度作进一步检验,结果表明,该水电站地下厂房的岩爆倾向性等级为Ⅱ级,属于弱岩爆,预测结果与实际情况吻合。     

基于多尺度核JYMKPLS迁移模型的间歇过程产品质量的在线预测方法

针对过程数据不足,且具有强非线性和多尺度特性的新间歇过程,结合迁移学习方法与多尺度核学习方法的优势,提出了一种基于多尺度核JYMKPLS（Joint-Y multi-scale kernel partial least squares）迁移模型的间歇过程产品质量在线预测方法。该方法首先通过迁移学习利用相似源域的旧过程数据提高新间歇过程建模效率和质量预测的精度。然后,针对间歇过程数据的非线性和多尺度特性问题,引入了多尺度核函数以更好地拟合数据变化的趋势,从而提高模型的预测精度。此外,提出模型在线更新和数据剔除,通过在线持续改善迁移模型对新间歇过程的匹配程度,以消除相似过程间的差异性给迁移学习带来的不利影响,从而不断地提升预测精度。最后,通过仿真验证了所提方法的有效性,结果表明,与传统的数据驱动建模方法相比,本文所提方法能够有效提高建模效率和预测精度。     

基于局部线性嵌入的测地线流式核多工况软测量建模方法

针对复杂工业过程在多工况条件下缺乏标记样本无法进行软测量建模,而原有模型失准问题,研究了一种局部线性嵌入(locally linear embedding, LLE)和测地线流式核(geodesic flow kernel, GFK)相结合的无监督软测量建模方法。该方法首先通过局部线性嵌入提取各个工况间的公共模式信息,然后将已知工况数据和未知工况数据的公共模式信息投影到流形空间,利用测地线流式核框架在流形空间上实现域迁移,以减小不同工况间数据的分布差异。最后用偏最小二乘回归法建立软测量模型,得到主导变量的软测量值。通过对TE过程中不同工况下的成分变量软测量和不同工况下的球磨机负荷参数软测量结果,验证了所提算法的实用性和有效性。     

基于灰色关联分析的极限学习机在混凝土抗压强度预测分析中的应用*

利用灰色关联分析法筛选出表征混凝土抗压强度的重要因素指标,并以选取的因素指标为输入变量、以抗压强度为输出变量,创建极限学习机(ELM)模型,克服了冗余因素对模型精度的影响。实例分析表明经指标优化选择的ELM模型具有较高的精度,对抗压强度的预测效果明显优于未经指标筛选的ELM模型,也远好于支持向量机的预测效果,为混凝土抗压强度预测提供了一种新思路。     

基于DBN-ELM的聚丙烯熔融指数的软测量

针对聚丙烯熔融指数软测量中预测精度不高的缺点,将基于深度置信网络-极限学习机（DBN-ELM）的软测量方法应用到熔融指数的软测量中。与传统深度置信网络（DBN）不同的是,该方法将极限学习机（ELM）算法运用到深度置信网络的训练中。首先用深度置信网络对原始数据进行数值分析来提取特征,然后将提取的特征输入到极限学习机中进行训练,得到软测量模型。实验验证表明,与支持向量机和单纯的深度置信网络模型相比,该方法具有更高的测量精度。     

用于水泥熟料fCaO预测的多核最小二乘支持向量机模型

针对水泥熟料游离氧化钙(fCaO)含量预测模型辨识的问题,考虑到单一核函数无法显著提高模型精度,采用多项式核函数、指数径向基核函数和高斯径向基核函数组合构建等价核的方法,建立了多核最小二乘支持向量机水泥熟料fCaO预测模型。同时,利用改进的粒子群优化算法对多核最小二乘支持向量机模型的6个待确定参数进行迭代寻优,避免了模型参数人工选取的盲目性。最后将基于改进粒子群的多核最小二乘支持向量机模型应用于熟料fCaO含量的实例仿真。结果表明,建立的水泥熟料fCaO含量预测模型精度高、泛化能力强。     

ASOS-ELM建模方法及在汽轮机热耗率预测中的应用

针对极限学习机（ELM）不能准确地预测汽轮机热耗率的问题,结合群智能优化算法,提出一种改进的共生生物搜索算法和极限学习机（ASOS-ELM）综合建模的方法。该方法利用改进的共生生物搜索（ASOS）算法优化ELM隐层激活函数的参数,求得最优的ELM模型。再将ASOS-ELM模型应用到热耗率建模中,首先用ELM初始化热耗率预测模型,以输出热耗率的均方根误差（RMSE）作为算法的适应度值,然后通过ASOS算法找到合适的ELM参数,从而得到准确的热耗率预测模型。并将热耗率预测的结果与传统的ELM模型、ASOS算法优化支持向量回归（SVR）模型、改进的粒子群算法（PSO）和基本的共生生物搜索算法（SOS）优化的ELM作对比。结果表明,ASOS-ELM模型在处理复杂的数据模型中,具有精确的预测能力与快速的收敛速度,为汽轮机热耗率建模提供了新思路。     

基于时间序列的胶结充填体变形预测

充填体沉降变形易导致其失去充填空区、支撑围岩及预防岩爆、岩层冒落的作用。为准确预测充填体的变形,建立时间序列GM(1,1)-AR(2)预测模型,对安庆铜矿灰砂比为1∶8、1∶10与1∶12的胶结充填体变形进行预测,以128至164 d的变形值为拟合样本,预测170至182 d的变形值,最大误差仅为0.825%,最小误差为0.185%,置信度远高于95%。该研究为深井矿山安全、高效回采提供了科学依据。     

基于自动谱聚类与多极端学习机模型的油井油液含水率软测量

油井油液的含水率是石油生产中的一个重要参数,及时、准确的测量对提高采油生产效率具有重要的意义。针对传统人工测量所存在的不足,引入软测量技术,建立基于自动谱聚类与多极端学习机（automatic spectral clustering-multiple extreme learning machines, ASC-MELM）的软测量模型。提出一种自动谱聚类（spectral clustering, SC）算法,由改进的萤火虫算法（firefly algorithm, FA）对聚类数目和尺度参数进行优化选取,所提出的改进萤火虫算法（improved firefly algorithm, IFA）采用以一定概率跳出当前解的机制,避免传统FA过早陷入局部最优解的不足;对聚类后的不同训练子集,分别由极端学习机（extreme learning machine, ELM）建立子模型,由IFA对其中的隐含层输入权值、隐含层神经元的偏置和隐含层节点个数进行优化选取;最后,将多个子模型的结果取加权平均值输出。由国内某油田作业区一口生产井进行实例验证,结果表明所提出方法具有较高的预测精度,对于实现油井油液含水率的软测量是合理有效的。     

基于多元时序分析的水华预测及因素分析方法

在水华防治工作中,水华预测一直都是一个难点,为了解决由于水华生成过程中多种特征因素间的交互影响建模困难,现有的水华预测方法预测结果还不够准确,以及不同影响因素与水华发生的相关性程度的判定等问题,采用多元时间序列分析技术,研究多特征因素的水华预测及因素分析方法,通过对水华生成过程中的特征因素时序建模分析,提出多重潜周期多元自回归模型,给出了基于多元周期平稳时序分析的水华预测以及因素分析结果。采用本文方法及传统方法分别对江苏太湖水华特征因素监测数据进行建模预测,结果表明,基于本文方法的水华特征因素预测结果与实测结果更相符、预测平均误差绝对值更小。