| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 创新点摘要 | 第6-7页 |
| 目录 | 第7-9页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 引言 | 第9页 |
| 1.2 课题研究目的与意义 | 第9页 |
| 1.3 油井工况故障诊断技术国内外研究现状 | 第9-12页 |
| 1.4 论文的主要研究内容 | 第12-13页 |
| 第二章 游梁式抽油机井工况监测设计 | 第13-28页 |
| 2.1 抽油机及抽油泵工作原理 | 第13-15页 |
| 2.2 监测系统总体设计 | 第15-18页 |
| 2.2.1 设计思想及总体设计 | 第15页 |
| 2.2.2 第一、二级 ZigBee 网络 | 第15-16页 |
| 2.2.3 GPRS 三级网络 | 第16-17页 |
| 2.2.4 监测系统总体网络结构 | 第17-18页 |
| 2.3 监测系统硬件设计 | 第18-25页 |
| 2.3.1 MCU 模块单元 | 第19-20页 |
| 2.3.2 无线通讯模块 | 第20-23页 |
| 2.3.3 传感器模块 | 第23-24页 |
| 2.3.4 外围模块 | 第24-25页 |
| 2.4 监测系统软件设计 | 第25-28页 |
| 2.4.1 ZigBee 部分软件设计 | 第25-26页 |
| 2.4.2 GPRS 部分软件设计 | 第26-28页 |
| 第三章 基于傅里叶描述子的示功图特征提取 | 第28-43页 |
| 3.1 示功图 | 第28-33页 |
| 3.1.1 理论示功图分析 | 第28-29页 |
| 3.1.2 典型故障示功图分析 | 第29-33页 |
| 3.2 示功图预处理 | 第33-35页 |
| 3.2.1 尺寸预处理 | 第33页 |
| 3.2.2 点数预处理 | 第33-35页 |
| 3.3 傅里叶描述子 | 第35-36页 |
| 3.3.1 示功图特征向量的提取方法 | 第35-36页 |
| 3.3.2 傅里叶描述子的基本原理 | 第36页 |
| 3.4 标准示功图 Fourier 描述子的提取过程 | 第36-41页 |
| 3.5 仿真结果 | 第41-43页 |
| 第四章 分层循环学习 RBFNN 模型 | 第43-51页 |
| 4.1 人工神经网络原理 | 第43-44页 |
| 4.1.1 神经网络模型 | 第43-44页 |
| 4.1.2 神经网络的学习过程 | 第44页 |
| 4.2 RBFNN 模型 | 第44-46页 |
| 4.2.1 RBF 神经网络结构 | 第44-45页 |
| 4.2.2 基于梯度下降法的 RBF 神经网络 | 第45-46页 |
| 4.3 遗传算法 | 第46-48页 |
| 4.3.1 遗传算法的基本原理 | 第46-47页 |
| 4.3.2 基于遗传算法的 RBF 神经网络 | 第47-48页 |
| 4.4 分层循环学习 RBFNN 模型算法的提出 | 第48-49页 |
| 4.5 仿真实验及分析 | 第49-51页 |
| 第五章 基于 RBFNN 模型的抽油机井故障诊断 | 第51-54页 |
| 5.1 RBFNN 模型诊断流程 | 第51-52页 |
| 5.2 游梁式抽油机井故障诊断实例 | 第52-54页 |
| 5.2.1 输入、输出向量以及训练与测试样本的确定 | 第52-53页 |
| 5.2.2 测试结果 | 第53-54页 |
| 结论 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 攻读硕士学位期间发表的论文 | 第59-60页 |
| 致谢 | 第60-61页 |
| 详细摘要 | 第61-72页 |