基于RBF神经网络的螺杆泵井故障诊断

针对螺杆泵井工况复杂、故障种类繁多,反映特征参数与故障类型的数学模型难以搭建,提出了建立一种基于RBF神经网络的螺杆泵井故障诊断模型。选取日产液量、动液面深度、电机功率作为输入向量,将抽油杆断脱、泵漏失、油管漏失等故障类型作为输出向量,采用RBF神经网络工具箱建立了螺杆泵井故障诊断模型,并对网络进行了训练,利用该网络测试了大庆油田两口螺杆泵故障井,结果表明：RBF神经网络具有较快的收敛速度和良好的稳定性能;验证了建立的RBF神经网络的螺杆泵井故障诊断模型的正确性\可行性和有效性。     

基于BP神经网络的油井井斜角误差补偿研究

介绍了延长石油常用的石油测井测斜仪器及其测量原理,分析了其工作过程中可能存在的误差及其来源。针对井眼姿态测量中主要测量参数之一的井斜角,利用前馈神经网络算法,建立了以测量井斜角为输入、期望的井斜角为输出的三层BP神经网络模型,并用实际测斜仪器的测量数据进行现场测试。实验数据表明,采用该BP神经网络补偿算法,可将井斜角的实际测量精度从提高至以内。     

基于RBF神经网络的水轮机故障诊断研究

基于RBF神经网络,提出使用RBF神经网络进行水轮机故障诊断,给出RBF神经网络模型及算法。对水轮机故障信号进行分析,并提取故障信号特征量,将故障信号特征向量作为学习样本,通过训练,使构造的RBF神经网络能够反映特征向量和故障类型之间的映射关系,从而达到故障诊断的目的。     

基于RBF神经网络路径安全策略

通过非线性时间序列的策略分析,按照神经网络的路径选择特点和非线性数据的分析方法进行总体评估,提出基于RBF神经网络路径安全策略.     

国内外井斜控制技术的发展

随着油田勘探开发的进一步深入,在钻井过程中井斜给钻井工程带来一系列的危害,因而钻井过程中的防斜纠斜技术也越来越引起油田开发人员的重视。文中从原因分析入手,简述井斜的危害及其控制技术的发展,对传统的防斜纠斜原理及方法做以简要介绍,重点归纳了近几年来出现的新的井斜控制技术。     

常规稳斜钻具控制井斜的问题探讨

井斜是钻井工作永恒的话题,井斜大可能导致卡钻,同时后期作业时电测、下套管遇阻、遇卡等恶性事故,对于油气开发如果目的层不中靶,失去钻探意义,所以说井斜控制至关重要。目前常用的控制井斜办法是吊打、使用钟摆钻具组合抠斜和塔式钻具防斜、使用工具井斜;井斜增大吊打时,参数难以强化,特别是较硬的地层机速很低,严重影响了钻井施工进度;而使用钟摆钻具,只能控制地层倾角较小的地层井斜增长。对于西北工区很多地层倾角较大的井和山前井,钟摆钻具难以抑制井斜增大。目前使用较多的是使用MWD+弯螺杆或者是进口工具power-V和VTK控制井斜;使用MWD+弯螺杆主要受螺杆和仪器寿命限制不得不起钻更换螺杆和仪器,增加了施工时效和井下风险;而使用进口工具效果较好,但其费用较高,直接增加了单井成本。顺南2井就是属于地层倾角较大的地层,我们使用常规钻具在控制井斜方面取得了较好的效果,希望以后能在其他相似区块可以得到应用,创造更大的经济效益。     

基于RBF神经网络的流向变换催化燃烧反应器床层温度分布的动态模型

清除工业废气中低浓度挥发性有机物(VOCs)的流向变换催化燃烧反应器的床层温度依时变化，为了实现实时预测和控制，用动态RBF(Radial Basis Function)神经网络建立了反应器床层瞬态温度分布的预测模型。着重讨论了动态RBF神经网络的基本结构，依据RBF网络线性输出的特点，给出了预测模型参数的在线修正方法。仿真结果与中试装置现场数据的对照表明，所建立的模型简单、精度高，能满足控制要求。     

基于模糊RBF神经网络的无刷直流电机调速控制

针对无刷直流电机的速度控制,把模糊控制与神经网络原理相结合,提出了基于模糊RBF神经网络的PID控制方法,该网络具有自适应性。利用最小均方差来调整网络的权值,使径向基函数快速收敛,获得较佳PID控制参数,达到对转速跟随控制。同时自适应网络对整个系统的动态性能起到了改善作用。仿真结果表明该方法具有很好的控制效果。     

基于RBF神经网络断路器注塑成型工艺优化

塑壳断路器一般通过注塑成型工艺制得。在注塑成型过程中,模具温度、熔体温度、保压压力以及保压时间均对制件的翘曲变形产生一定的影响。以模具温度、熔体温度、保压压力以及冷却时间作为研究参数,以翘曲变形量作为研究目标,采用最优拉丁超立方抽样法抽取合适的样本,建立RBF神经网络模型,结合遗传算法对制件的翘曲变形量进行优化,得到最佳的成型工艺参数组合。结果表明：四个因素的影响程度大小为模具温度>冷却时间>保压压力>熔体温度。当模具温度为50℃、熔体温度为250℃、保压压力为60 MPa以及冷却时间为10 s时,制件的翘曲变形量最小为2.307 7 mm,相较未优化前降低1.294 2 mm,制件成型质量得到明显改善。     

基于BP和RBF神经网络预测硬质阳极氧化膜的硬度

通过两种不同方式分别构建NEWRB函数RBF神经网络和K-均值聚类RBF神经网络,同时构建BP神经网络.采用正交实验数据对不同神经网络进行训练,然后用训练完成的不同神经网络预测硬质阳极氧化膜的硬度,并将预测结果与实测值进行对比.结果表明:与BP神经网络相比,NEWRB函数RBF神经网络和K-均值聚类RBF神经网络的平均...     

基于误差校正的预测控制算法综述

在分析了模型预测误差的来源后,对近20年来典型的基于误差校正的预测控制算法作了较全面的回顾,分析各种方法的研究现状及其成功应用的实例。     

基于RBF神经网络控制的新型有源滤波器的研究

针对有源电力滤波器(APF)的传统控制方法的缺点和应用局限性,提出了一种基于RBF神经网络的控制方法,该方法控制精度高,滤波效果好,同时在主电路中加入软开关环节,减小功率开关器件开通关断损耗,进一步提高APF的工作效率。本文利用Matlab对有源电力滤波器进行仿真研究,仿真结果表明在有效地检测出谐波分量的基础上,基于新控制方法的有源电力滤波器可以很好地滤除谐波,完成抑制谐波的作用。     

基于RBF神经网络的制浆蒸煮终点预测模型

为稳定纸浆质量,实现蒸煮终点的精确预测,建立基于RBF网络的终点预测模型,通过与BP模型的比较,可知基于RBF网络的蒸煮终点预测模型具有较好的快速性及准确性.     

基于井斜分析的地层裂缝预测方法与应用

裂缝型油田投入开发后,主要表现为裂缝方向油井见水早、含水上升快、产量递减快。如何做到在裂缝性油田未投入开发前识别裂缝及其方向特征,为开发提供依据。利用大量的单井测井资料,通过与无源微地震法监测裂缝方向和微电阻率成像法判断的裂缝方向比较,得出一种经济、实用的判断裂缝方向的新方法。     

基于粗糙集和RBF神经网络的风电场短期风速预测模型

结合粗糙集提出了一种RBF神经网络短期风速预测模型。采用粗糙集对预测模型的输入特征空间进行约简,找出对未来预测的风速具有主要影响的因素,以此作为RBF神经网络预测模型的输入变量;在RBF神经网络训练的过程中,采用在线滚动优化策略,将最新的样本加入训练集,从而使预测模型能够跟踪风速的最新变化。将提出的方法用于某风电场的1 h短期风速预测,仿真实验结果表明该方法具有结构简单、预测精度高的优点。     

基于RBF神经网络PID的阳极氧化电源电流控制

阳极氧化电源系统是一个非线性、时变性的复杂系统,建立数学模型比较困难。传统PID控制方法无法保证阳极氧化电源电流拥有恒流、抗干扰能力强、超调小等特性。为了解决上述问题,开发了一种基于RBF神经网络PID的阳极氧化电源电流控制算法。利用RBF神经网络的自我学习能力,实现传统PID控制参数的自适应调整。仿真结果表明:基于RBF神经网络PID的控制算法响应速率快、超调小,拥有一定的抗干扰能力。     

基于RBF神经网络的遗传算法在织物染色配色中的应用研究

本文提出一种基于RBF神经网络的遗传算法解决织物染色配色问题的模型,该模型以遗传算法为主,通过使用RBF神经网络建立遗传算法的适应度函数来共同解决织物染色配色问题。通过实验表明,使用基于RBF神经网络的遗传算法配色模型可以快速提供满足企业要求的染色配方。     

基于RBF神经网络陶瓷窑炉温度动态矩阵控制

陶瓷窑炉普遍具有纯滞后、大惯性、非线性、时变复杂等特点,其精确数学模型往往很难获取。针对这类系统,本文采用RBF神经网络建立被控对象模型,避免了常规控制算法建立对象精确数学模型的困难。应用动态矩阵预测算法实现对被控系统的预测控制。该控制方法具有很好的动、静态性能和强鲁棒性。以陶瓷窑炉温度为对象,与PID控制进行了比较;仿真结果证明了所提控制方法的有效性。     

基于神经网络的AD590温度传感器非线性校正技术

针对AD590温度传感器的非线性校正问题,在双点校正基础上提出一种新的校正方法——神经网络法。此神经网络采用1-3-2-1结构,节点函数采用S型函数,实际结果表明,在-10～ 100℃较宽的温度范围内温度误差小于0．05℃。     

基于有界误差分布假设的常压塔稳态过程数据校正方法

可靠的过程数据是实施操作优化等的关键.现有的稳态数据校正方法都是假设测量误差服从零均值和已知方差的正态分布,而实际的测量误差都是有界的.在假设测量误差服从有界正态分布前提下,提出一种新的数据协调和过失误差检测同步算法,并在一个工业常压塔上的应用表明了该算法的有效性.