基于自适应UKF-RBF神经网络的抽油机故障诊断研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 1 绪论 | 第10-17页 |
| 1.1 课题研究目的与意义 | 第10页 |
| 1.2 抽油机故障诊断技术的国内外现状和发展 | 第10-15页 |
| 1.2.1 故障诊断技术 | 第10-11页 |
| 1.2.2 抽油机故障诊断方法 | 第11-12页 |
| 1.2.3 抽油机故障诊断国内外现状 | 第12-15页 |
| 1.2.4 抽油机故障诊断技术发展趋势 | 第15页 |
| 1.3 论文主要研究内容 | 第15-17页 |
| 2 抽油机示功图理论基础 | 第17-24页 |
| 2.1 游梁式抽油机工作原理 | 第17-18页 |
| 2.2 井下示功图 | 第18-23页 |
| 2.2.1 理论示功图 | 第18-19页 |
| 2.2.2 典型故障示功图分析 | 第19-23页 |
| 2.3 本章小结 | 第23-24页 |
| 3 基于傅里叶变换的示功图特征提取方法 | 第24-32页 |
| 3.1 示功图特征向量提取方法 | 第24-25页 |
| 3.2 傅里叶变换示功图特征提取基本原理 | 第25页 |
| 3.3 基于傅里叶变换的近似多边形特征提取 | 第25-27页 |
| 3.4 仿真结果 | 第27-31页 |
| 3.5 本章小结 | 第31-32页 |
| 4 基于自适应UKF-RBF神经网络的故障诊断 | 第32-51页 |
| 4.1 人工神经网络原理 | 第32-33页 |
| 4.1.1 神经网络的学习方式 | 第32-33页 |
| 4.1.2 神经网路系统的特性 | 第33页 |
| 4.2 RBFNN模型 | 第33-36页 |
| 4.2.1 RBF神经网络结构 | 第34-35页 |
| 4.2.2 基于梯度下降法的RBF神经网络 | 第35-36页 |
| 4.3 无迹卡尔曼滤波 | 第36-37页 |
| 4.3.1 UKF算法基本概念 | 第36页 |
| 4.3.2 UT变换 | 第36-37页 |
| 4.4 UKF-RBF神经网络模型 | 第37-42页 |
| 4.4.1 UKF-RBF神经网络算法的提出 | 第37-40页 |
| 4.4.2 算法仿真分析 | 第40-42页 |
| 4.5 噪声自适应UKF算法 | 第42-45页 |
| 4.5.1 问题描述 | 第42页 |
| 4.5.2 模型构建及稳定性分析 | 第42-45页 |
| 4.6 抽油机故障诊断实验 | 第45-50页 |
| 4.6.1 输入、输出向量及训练与测试样本的确定 | 第45页 |
| 4.6.2 游梁式抽油机单一故障诊断结果 | 第45-48页 |
| 4.6.3 多故障诊断训练与测试样本的确定 | 第48-49页 |
| 4.6.4 多故障诊断结果 | 第49-50页 |
| 4.7 本章小结 | 第50-51页 |
| 5 抽油机故障诊断软件设计开发 | 第51-58页 |
| 5.1 软件介绍 | 第51-53页 |
| 5.1.1 产品描述 | 第51页 |
| 5.1.2 用户特点 | 第51页 |
| 5.1.3 软件系统故障诊断流程图 | 第51-52页 |
| 5.1.4 系统功能结构 | 第52-53页 |
| 5.2 软件系统使用说明 | 第53-57页 |
| 5.2.1 系统登录 | 第53-54页 |
| 5.2.2 软件主界面 | 第54-55页 |
| 5.2.3 特征提取界面 | 第55-56页 |
| 5.2.4 故障诊断模型选择 | 第56页 |
| 5.2.5 故障诊断界面 | 第56-57页 |
| 5.3 本章小结 | 第57-58页 |
| 6 结论与展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-64页 |
| 附录A：专有名词 | 第64-65页 |
| 作者在攻读学位期间发表的论著及取得的科研成果 | 第65页 |
