基于奇异值特征的管道压力波识别方法

在输油管道泄漏诊断过程中,提取压力波动信号的哪种特征参数作为识别依据是提高管道泄漏诊断准确率的关键。为此提出一种基于奇异值分解的压力波动信号特征提取方法,并通过构建BP神经网络对其分类,判断管道所处工况状态。在不影响识别效果的前提下,对奇异值向量进行适当降维压缩,能达到消除压力信号噪声和减少识别运算量的目的。试验表明,采用引入"动量项"的BP神经网络压力波识别分类器识别准确率高。基于奇异值特征与BP神经网络的管道压力波识别方法运算速度快,能满足管道泄漏监测在线运行的要求,有较高的应用价值。     

基于EMD与模糊聚类的发动机故障诊断方法

针对发动机气门故障信号的非平稳性、非线性等特点,提出一种基于经验模态分解(EMD)和C均值模糊聚类相结合的诊断方法。运用EMD方法提取故障信号的能量特征指标,利用C均值模糊聚类方法对此特征进行聚类。通过与小波包分解提取频带能量指标的特征提取方法相对比,结果表明运用EMD方法的模糊聚类方法能更有效地识别故障类型,非常适用于故障样本较少的发动机故障诊断。对新待测样本的识别结果验证了该方法在发动机故障诊断中的有效性。     

BP神经网络在电潜泵井故障诊断中的应用

电流卡片是诊断电潜泵井故障诊断的主要依据,目前主要由技术人员凭经验手动完成,难以实现快速大批量诊断,诊断结果准确性受工程师技术水平与工作状态影响较大。提出了应用BP神经网络进行电潜泵故障诊断的方法,首先集合专家经验,对不同工况电流卡片的特征进行分析,得到特征样本库。然后对样本库进行学习训练,得到神经网络计算所需的权值和阈值,并进行保存。将要诊断的电流卡片的特征数据输入,运用BP神经网络识别算法计算得到相似度。最后根据相似度的大小找出与样本库中最接近的故障类型作为该潜油电泵的故障类型。通过编程应用,证明提出的方法可以准确、快速、批量地诊断电潜泵井工况,可推广应用。     

一种基于BP神经网络的完井液污染类型识别方法

目的 解决油田目的层钻井过程中完井液受盐水、残酸等污染后不能高效识别污染类型的问题。方法 对完井液进行不同质量占比的盐水、残酸污染测定,采用K-means聚类订正不同污染等级数据样本的标签。根据数据样本特征的获取难易度、隐藏层数目,训练不同的BP神经网络模型,并由留一交叉验证法检验模型的分类准确率。结果 数据样本拥有的特征越多,训练的BP神经网络分类准确率越高,隐层数目越多,分类准确率反而越低。选择包含“流变+老化+滤失+井名”4类特征的数据样本建立1隐藏层的BP神经网络模型,其平均分类准确率达到93.18%。结论 由流变、滤失等特征训练的BP神经网络模型可快速应用于试油现场,解决完井液污染类型识别问题,避免了试油现场因缺少大型仪器而无法鉴别完井液污染类型的难题。     

基于小波包和BP神经网络的潜油直驱螺杆泵系统故障诊断

为准确诊断潜油直驱螺杆泵系统故障,提出了一种基于小波包和BP神经网络的螺杆泵系统故障诊断方法。对螺杆泵在不同工况下有功功率进行3层小波包分解,提取小波包特征能量,然后构造小波包特征能量向量,并以该向量作为故障样本对3层BP神经网络进行训练,实现了智能化故障诊断。仿真结果表明:训练的BP网络能很好地诊断潜油直驱螺杆泵系统的故障。     

基于不变矩特征和神经网络的有杆泵故障诊断

不变矩具有平移、旋转、比例不变的特征,已经广泛应用于图形识别。本文将图形的不变矩作为识别特征,通过提取泵示功图的7个不变矩特征、对不变矩特征进行修正以及进行不变矩特征向量的标准化,然后利用改进算法的BP神经网络作为分类器,进行有杆泵故障诊断。利用9种常见故障泵示功图作为神经网络的训练样本,训练后的网络对实测示功图进行诊断,诊断结果和实测有杆泵故障诊断结果相吻合。     

钻井泵液力端故障诊断新方法

往复泵液力端故障原因及故障与征兆间对应关系复杂,为了全面地利用获取的振动信号资源,得到更全面、准确的诊断结果,将分析得到的幅值域的峭度指标、峰值指标、脉冲指标、裕度指标、波形指标和歪度等6个参数,频域的重心频率、均方根频率、频率标准差等3个参数以及32个小波包分频带能量值作为神经网络输入的备选特征向量,由此形成了液力端综合振动信号特征参数的神经网络诊断系统。为了对网络的性能进行比较,分别构建了BP网络和RBF网络。将上述特征输入向量作不同组合,分别输入该网络并进行训练诊断和效果对比,由此求得了最优诊断系统组合。利用此神经网络诊断系统,对现场实际使用的钻井泵液力端进行了多次的测试分析和调试,证明这种方法对钻井泵液力端的故障诊断是行之有效的,可取得较高的诊断准确率。     

基于边际谱熵的钻井振动筛故障诊断

为了及时诊断出钻井振动筛故障,对振动筛故障信号进行了边际谱熵特征提取,结合人工神经网络识别振动筛故障。选取3种故障样本数据,每种40组共计120组。每种随机抽取20组作为训练样本,另外20组作为测试样本。提取边际谱熵作为特征值,送入到BP神经网络进行建模训练。成功识别了振动筛的故障种类,实现了振动筛的故障诊断,并对振动筛故障提出预防措施。诊断整体准确率高达90%,是一种简单高效的振动筛故障诊断方法。     

径向基神经网络油气层损害诊断方法

在诊断油气层损害方面,人工神经网络具有许多优越性,尤其是BP神经网络,但BP神经网络存在的一些缺点限制了它的推广应用.通过对BP神经网络和径向基神经网络的对比表明,径向基神经网络具有收敛速度快和预测精度高等优点,其网络模型的预测绝对误差平均为13.89%,而L-M优化算法网络的为32.63%.建立了径向基神经网络在油气层损害诊断领域的应用方法,对油气层敏感性和损害程度进行了预测,网络预测值和实际值的相关系数达0.991以上,准确率大于80%.该方法在孤东油田得到了很好的应用,成功率达100%,实现了对油气层损害类型和程度的定量诊断,与其他方法相比具有诊断结果准确性高、推广应用方便、收敛速度快等优点.     

用改进的BP神经网络评判管道的腐蚀类型

用BP神经网络分析评判管道的腐蚀类型,可以避开寻找各种因素对腐蚀类型影响规律的难题,方便准确地分析评判出管道的腐蚀类型,但是传统的BP神经网络存在收敛速度较慢和容易陷入局部极小点两个问题,为此文章提出了将传统的BP神经网络与共轭梯度优化算法相结合,以优化网络权值和阈值的计算,同时确定了相应的计算方法。将改进后的BP神经网络应用到管道腐蚀类型的评判中,取得了良好的效果。计算结果表明,改进后的BP神经网络具有更好的学习能力,可以在更少的迭代次数和时间内,得到高精度的输出结果。     

神经网络信息融合技术在故障诊断中的应用

在简述多传感器信息融合技术和BP诊断神经网络的基本概念后 ,详细讨论了基于神经网络多传感器信息融合的柴油机故障诊断技术 ,给出了测试系统框图和数据处理模式。在4 135柴油机上进行的 10种故障状态和 7种神经网络输入特征的故障监测和诊断实验表明 ,压力信息与振动信息的融合诊断效果比单一压力信息或单一振动信息要好 ,融合诊断的正确识别率比单一信息分别提高了 1 6%和 2 8 3% ,神经网络多源信息融合技术对复杂机械故障状态有较好的可诊断性和准确性。     

钻井机械故障诊断数据挖掘系统结构的研究

利用数据挖掘技术,研究了复杂的钻井机械故障诊断问题,提出了钻井机械故障诊断数据挖掘系统的结构框架,并对基于神经网络的钻井机械故障诊断进行了分析,给出了钻井机械故障诊断系统连接模型.通过钻井机械故障诊断数据挖掘系统的运用实例,验证了该诊断方法的正确性和实用性.     

基于BP神经网络的螺杆泵井故障诊断方法

将神经网络原理应用于地面驱动螺杆泵采油系统的故障诊断,采用改进的BP神经网络,根据螺杆泵井的故障特点,通过理论研究,选取能够表征油井生产状态的状态变量作为神经网络的输入向量,归纳出常见的螺杆泵井故障形式作为目标输出。同时采集了大量现场数据,并进行分类整理,构成了网络的训练样本。通过对网络进行训练,获得具有一定泛化能力的网络。利用VB与Matlab编制的相应软件进行螺杆泵井的故障诊断,获得了正确的诊断结果,证明该方法具有一定的实用性。     

基于BP神经网络的柴油机磨损状态评价

为了准确识别柴油机的磨损状态,实现设备的“视情维修”,将柴油机的磨损状态分 为轻微磨损、正常磨损、异常磨损和剧烈磨损状态4个等级。采用油液分析技术中的铁谱分析和 光谱分析技术监测柴油机的磨损状况,选取光谱磨损元素的含量和3个定量铁谱参数作为输入参 数,应用BP神经网络对柴油机的磨损状态进行自动识别。验证结果表明,将BP神经网络应用到 基于铁谱和光谱联合监测的磨损状态评价体系中,可以准确客观地评价柴油机的磨损状态级别, 具有一定的智能化。     

基于信息融合理论的柴油机故障诊断技术

应用多传感器信息融合理论与不确定性决策理论,研究了基于神经网络和D-S证据理论相结合的信息融合的故障诊断方法。以传感器检测数据为输入,以神经网络输出构造基本概率赋值函数,对不同传感器的检测证据按D-S证据理论进行融合,得到待识别目标的诊断可信度。通过对柴油机振动监测数据、燃油压力波动信息以及两者融合信息的故障诊断结果的比较,表明基于神经网络和D-S证据理论相结合的多传感器信息融合方法用于复杂机械的故障诊断是可行和有效的。     

基于麻雀搜索算法与BP神经网络的压裂效果预测

现有工程技术方法对压裂效果的预测精度普遍不高，容易造成经济损失，为此以麻雀搜索算法(Sparrow Search Algorithm，SSA)优化人工神经网络的算法模型，开展以提高压裂效果预测精度为目标的研究。首先以BP神经网络模型对压裂效果进行预测，其次以麻雀搜索算法优化BP神经网络权值后的模型进行预测，通过数据对比发现后者的预测精度更高，且能解决BP神经网络收敛慢、易陷入局部最优解、易产生过拟合现象等问题。研究结果表明，经过麻雀搜索算法调整权值的BP神经网络模型平均相对准确率达到93.85%，不仅比工程方法预测结果的精度更高，还高于未以麻雀搜索算法优化的BP神经网络模型的90.91%，在实际任务中拥有更稳定的性能和更高的精度。     

基于神经网络的LPG泄散范围的预测方法

提出了一种基于BP神经网络预测液化石油气泄漏扩散范围的分析方法。详细说明了神经网络的分析模型以及样本的选取和学习过程,将BP神经网络的预测结果和采用传统方法的预测结果进行对比分析,表明基于神经网络的分析预测方法不仅能够正确区分液相与气相泄漏,还能准确地预测扩散危害距离,是一种准确、方便、快捷的分析方法,具有一定的工程应用价值。     

基于BP和LSTM神经网络的顺北油田5号断裂带地层孔隙压力智能预测方法

顺北油田断裂发育,地质构造复杂,储集层埋深达8 000 m,具有高温高压、窄钻井液密度窗口等特征,地层孔隙压力的预测精度难以满足工程需求。为了提高地层孔隙压力的预测精度,利用人工智能方法在处理复杂非线性问题上的优势,采用反向传播神经网络BP和长短期记忆循环神经网络LSTM这2种人工智能算法,基于顺北油田5号断裂带上3口井的声波时差、自然电位和自然伽马等11种特征数据以及经实测校正的地层孔隙压力标签数据,建立了顺北油田5号断裂带地层孔隙压力智能预测模型,BP神经网络模型的预测误差为3.927%,LSTM神经网络模型预测误差为2.864%。测试结果表明,LSTM神经网络模型具有更好的预测效果,满足现场地层孔隙压力的预测精度,为保障顺北油田5号断裂带钻井安全提供数据参考。