基于LSTM的抽油机井工况诊断研究

抽油机井工况诊断和预测对于掌握抽油机井运行状态、有效提升油井生产效率具有重要意义。目前主要基于抽油机井示功图诊断井下工况。考虑示功图时序性这一特征,通过卷积神经网络提取示功图中的静态特征值,结合上下行电流、载荷等动态生产参数,建立基于LSTM神经网络的抽油机井工况预测模型,将卷积神经网络与LSTM神经网络相融合,提高了工况诊断精度和诊断方法的合理性。141口抽油机井故障预测准确率达到96%以上,实验结果与BP神经网络、卷积神经网络等单一工况诊断模型相比较,预测效果更接近真实值。     

基于PNN网络和Freeman链码的抽油机井工况诊断

利用概率神经网络(PNN)对抽油机井工况进行诊断,建立了抽油机井工况诊断的概率神经网络模型;对示功图提取特征值的质量好坏直接影响识别效率和可靠性,提出了用Freeman链码对等效的电流示功图提取特征参数,进行预处理,建立抽油机典型工况的链码特征样本库;将Freeman链码作为特征向量,利用MATLAB对网络进行训练;结果表明,Freeman链码能够有效地识别各种典型工况示功图,并且该概率神经网络学习速度快、诊断准确率高,可用于抽油机井工况的实时监测和诊断.     

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。     

基于T-S模糊神经网络的抽油机井故障诊断

针对油田抽油机井故障的特点,提出了基于T-S模糊神经网络的抽油机井故障诊断方法。即将神经网络的学习能力引入到模糊系统中,将模糊系统的模糊化处理、模糊推理、精确化计算通过分布式的神经网络来表示,从而提高系统的学习能力和表达能力。提出了基于LM优化的BP算法以提高网络收敛速度,利用MATLAB神经网络工具箱建立模糊神经网络诊断模型,经仿真测试表明,所提出的故障诊断方法能有效地对抽油机故障识别,正确率较高、效果较稳定,可提高网络训练及诊断速度。     

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。     

抽油机电参数远程智能故障诊断技术研究

针对抽油机在运行时易出现异常工况的问题,对基于电参数信息的抽油机井远程故障诊断方法进行了研究。讨论了故障诊断时电能参数推算变量的测量与计算方法,并将其集成到相关的故障诊断系统中。鉴于诊断模型获取的故障模态的实时性和可靠性,利用fuzzy-ARTMAP神经网络建立了抽油机井电能信息诊断模型。最终的现场试验结果验证了该方法在油井远程故障诊断方面的有效性,表明该项技术具有一定的实用和推广价值。     

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。     

基于免疫神经网络的故障诊断方法研究

设计了一种免疫神经网络故障诊断方法,将神经网络权值进行编码作为抗体,将网络误差作为抗原,算法首先利用免疫算法的全局收敛特性,对网络权值进行全局搜索,然后再利用BP算法的局部搜索性能对网络权值进行局部搜索;以抽油机井为对象进行了仿真研究,并与BP神经网络故障诊断方法进行比较分析,表明免疫神经网络故障诊断方法能够有效避免陷入局部极小值的现象,并且在一定程度上加快了算法的运行速度。     

基于1D-CNN-LSTM注意力网络的抽油机井故障诊断

针对传统基于示功图的抽油机井故障诊断方法存在特征提取复杂、模型参数量大、诊断效率低的问题，提出一种基于1D-CNN-LSTM注意力网络的故障诊断方法。将示功图转化为载荷位移序列作为网络输入，使用一维卷积神经网络（1D-CNN）在提取序列局部特征的同时减小序列长度；考虑到序列的时序特性，进一步使用长短时记忆网络（LSTM）提取序列的时序特征；为突出关键特征影响，引入Attention机制，对故障类型相关的时序特征赋予更高的注意力权重；最后将加权特征输入全连接层，利用Softmax分类器实现故障诊断。实验结果表明，所提方法的平均准确率、精确率、召回率和F1值分别达到99.13%、99.35%、99.17%和99.25%，模型大小仅为98 kB。相比基于特征工程的方法具有更高的诊断精度和泛化能力，相比基于二维卷积神经网络（2D-CNN）模型的诊断方法，显著减少了模型参数量和训练时间，提高了故障诊断效率。     

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。     

优化的BP网络在抽油井故障诊断中的应用研究

抽油井故障诊断系统是油井系统产量的关键,为了更好更快地对当前油井系统进行诊断以保证石油的产量,人们利用各种各样的技术来完成这一目标。BP神经网络技术就是新兴的油井故障诊断手段之一,但是由于其容易陷于局部最优解、收敛速度慢以及泛化能力差等缺点,运用融入免疫算法浓度概念的遗传算法对BP神经网络进行优化,并将优化后的BP神经网络算法应用于抽油机现场的故障诊断过程中,结果显示优化后的BP算法有更高的诊断率,更快的运行速度,因而优化后的BP算法的寻找全局最优点的能力更强,收敛速度更快。     

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.     

An expert system for fault diagnosis in internal combustion engines using probability neural network

An expert system for fault diagnosis in internal combustion engines using adaptive order tracking technique and artificial neural networks is presented in this paper. The proposed system can be divided into two parts. In the first stage, the engine sound emission signals are recorded and treated as the tracking of frequency-varying bandpass signals. Ordered amplitudes can be calculated with a high-resolution adaptive filter algorithm. The vital features of signals with various fault conditions are obtained and displayed clearly by order figures. Then the sound energy diagram is utilized to normalize the features and reduce computation quantity. In the second stage, the artificial neural network is used to train the signal features and engine fault conditions. In order to verify the effect of the proposed probability neural network (PNN) in fault diagnosis, two conventional neural networks that included the back-propagation (BP) network and radial-basic function (RBF) network are compared with the proposed PNN network. The experimental results indicated that the proposed PNN network achieved the best performance in the present fault diagnosis system.     

An engine fault diagnosis system using intake manifold pressure signal and Wigner–Ville distribution technique

This paper proposed an engine fault diagnosis system based on intake manifold pressure signal and artificial neural network with the Wigner–Ville distribution technique. Traditionally, the engine diagnostic method depends on the experience of the technician, but some faults might be inaccurately judged by the technician’s experience when the engine is operating. In the present study, an engine platform diagnosis system using intake manifold pressure was developed. The algorithm of the proposed system consisted of Wigner–Ville distribution (WVD) for feature extraction and the neural network technique for fault classification. In previous work, the Wigner–Ville distribution was often used to analyze the non-stationary signal, because it provides a simple and clear energy spectrum diagram both in the time and frequency domains. This instantaneous energy diagram presented the magnitude of each engine fault under various operating conditions. The Wigner–Ville distribution extracts these features as database input to a neural network and the neural network is used to develop the training and testing modules. To prove the efficiency of the neural network, both the radial basis function neural network and generalized regression neural network are used and compared. The experimental results demonstrated the proposed system is effective and the performance is satisfactory.     

基于BP神经网络模型的电机故障诊断专家系统

针对传统机械设备故障诊断专家系统存在知识获取能力弱、求解有一定局限性等问题，介绍了BP神经网络旋转机械故障诊断专家系统，对单位BP算法，BP神经网络的建立、训练及应用作了具体说明。该系统学习效率高，故障诊断准确，已成功应用于铁路机车走行部的轮对电机在线故障诊断。     

装载机远程服务与故障诊断系统研究

通过分析网络化环境下装载机远程服务与故障诊断系统的特点,在此基础上提出该系统的结构,并使用BP神经网络进行装载机的故障诊断,阐述了基于BP神经网络和专家系统混合的神经网络故障诊断专家系统的基本原理。最后分析了基于EJB的装载机远程服务与故障诊断系统的软件实现方法。     

基于神经网络的分解炉喂煤量智能控制系统

介绍了一种基于神经网络的智能专家系统,给出了系统的结构,具体描述了神经网络专家系统的基本原理。并以水泥工业的新型干法分解炉喂煤量智能控制系统为例说明了神经网络智能控制的推理过程。控制结果表明了该方法的有效性。     

基于模糊模式识别的抽油井示功图判别算法研究

针对有杆抽油井示功图诊断分析问题,研究特定故障情况下示功图特征值算法。把示功图数据通过傅里叶变换由空域转换成频域形式,仅保留较低频率上的系数a0、a1、b1,并将其作为特征值。根据所得到的特征值结合模式识别算法能够实现有杆抽油井示功图快速准确的识别和分类。实际应用表明,利用基准示功图28种类型的特征值的选取,计算出每种示功图的特征矢量,并保存到特征库中。对给定示功图特征值进行模式识别,即可得出该图隶属于哪种模式。