论文部分内容阅读
故障诊断实质上是一类模式分类问题。传统的诊断技术已经不能适应社会的发展,而以专家系统和人工神经网络为代表的智能诊断方法正在被广泛和深入地研究,此类方法不需要建立系统及设备的模型,而是将故障诊断归结为模式聚类问题来解决。
抽油系统的故障诊断技术一直是采油工程的一个重要研究课题,通过计算机诊断及时准确地了解抽油系统的工作状况对于提高油田经济效益和实现远程采油控制的自动化、智能化、网络化都具有极其重要的意义。而在实际工作中是以示功图作为分析井下工作状况的主要依据的。
论文对抽油系统故障诊断技术的发展历史进行了回溯,重点论述了人工智能诊断技术,包括数据的采集与预处理、数据的特征提取与选择以及识别分类的具体方法。与传统的分类方法相比,人工神经网络是一个更为有效的识别方法。
在综述了人工神经网络的发展历史、研究现状、应用领域、基本理论和优点之后,分析了几种主要神经网络模型的原理及特点。作为对比,首先研究了BP神经网络模型及其存在的问题,提出了相应的改进方法,并且通过实例比较了各种训练函数,提出实际应用时应当注意的问题。然后重点研究了自组织竞争网络模型的联想学习规则、模型存在的一些问题及解决方法,并且通过实例比较了数据规格化前后的训练效果。
从两次实验可以看出,和BP神经网络模型相比,自组织竞争神经网络模型具有很多优势:收敛速度快,不存在局部极小值,泛化性能好;不需要经过大量费力耗时的实验摸索才能确定合适的神经网络模型、算法以及参数设置;不需要提供输入样本向量的目标输出向量,就可以进行自组织训练和分类,适合用于具有大批具有典型聚类特性的相似数据的分类问题。因此提出将自组织竞争神经网络应用于抽油系统的故障诊断中来实现示功图的自动聚类,建立ND-SOC有杆抽油智能故障诊断系统,并给出系统进行故障诊断的具体步骤,其中修改了自组织竞争网络模型中竞争层输入向量的计算公式,解决了死神经元的问题并且使该神经网络能够区分未经规格化的向量。
将ND-SOC有杆抽油故障智能诊断系统应用于江苏油田实测数据,获得了理想的诊断结果,对故障的识别率达到了99.9%以上,证明了系统的实用性。本系统于2003年6月开始在江苏油田试用,取得了理想的效果。