有杆泵故障智能诊断方法
| 1 引言 | 第1-13页 |
| ·研究目的和意义 | 第9页 |
| ·国内外研究现状与发展概况 | 第9-11页 |
| ·国外发展概况 | 第9-10页 |
| ·国内发展概况 | 第10-11页 |
| ·本文主要工作 | 第11-13页 |
| 2 诊断技术的理论基础 | 第13-29页 |
| ·泵的工作原理 | 第13-14页 |
| ·波动方程的建立 | 第14-17页 |
| ·抽油杆微元体受力分析 | 第14-16页 |
| ·深抽系统工况诊断数学模型 | 第16-17页 |
| ·诊断模型的有限差分解 | 第17-18页 |
| ·诊断模型的求解过程 | 第18-20页 |
| ·阻尼系数的迭代求解 | 第20-21页 |
| ·泵功图的几何特征 | 第21-24页 |
| ·井下抽油泵工况智能识别 | 第24页 |
| ·井下参数计算 | 第24-28页 |
| ·泵进口压力的计算 | 第24页 |
| ·抽油杆柱应力计算 | 第24-25页 |
| ·排量损失计算 | 第25-28页 |
| ·本章小结 | 第28-29页 |
| 3 专家系统方法 | 第29-35页 |
| ·专家系统的构成思想 | 第29页 |
| ·专家系统的基本特性 | 第29-30页 |
| ·专家系统的组成与结构 | 第30-31页 |
| ·基本组成 | 第30页 |
| ·一般结构 | 第30-31页 |
| ·专家系统的知识表示 | 第31-32页 |
| ·专家系统的知识获取 | 第32-33页 |
| ·建立规则库原则 | 第33页 |
| ·专家系统的设计与开发 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 4 遗传神经网络 | 第35-51页 |
| ·神经网络概述 | 第35页 |
| ·神经网络三要素 | 第35-37页 |
| ·人工神经元模型 | 第35-37页 |
| ·神经网络的拓扑结构 | 第37页 |
| ·神经网络的学习规则 | 第37页 |
| ·BP神经网络 | 第37-43页 |
| ·BP神经网络模型 | 第37-38页 |
| ·BP算法 | 第38-41页 |
| ·BP基本算法 | 第38-40页 |
| ·BP算法的改进 | 第40-41页 |
| ·BP网络的泛化能力及其形响因素 | 第41-43页 |
| ·训练样本集的影响 | 第42页 |
| ·网络结构与学习算法的影响 | 第42-43页 |
| ·遗传算法 | 第43-46页 |
| ·遗传算法的特点 | 第43-44页 |
| ·遗传算法的基本概念 | 第44-46页 |
| ·遗传算法的步骤 | 第46页 |
| ·遗传算法与BP网络相结合算法 | 第46-50页 |
| ·遗传算法优化 BP网络的优点 | 第50页 |
| ·本章小结 | 第50-51页 |
| 5 基于遗传神经网络与专家系统的混合智能系统 | 第51-53页 |
| ·集成多种智能方法的基本思想 | 第51页 |
| ·基于神经网络与专家系统的混合系统 | 第51-52页 |
| ·本章小结 | 第52-53页 |
| 6 有杆抽油井故障智能诊断系统实现 | 第53-66页 |
| ·集成智能诊断系统 | 第53-56页 |
| ·示功图故障分类 | 第53-55页 |
| ·集成智能诊断系统具体实现方式 | 第55-56页 |
| ·遗传神经网络参数 | 第56-61页 |
| ·网络输入向量 | 第56-58页 |
| ·网络输出向量 | 第58页 |
| ·网络隐含层及隐含层节点数 | 第58-59页 |
| ·学习率和冲量系数 | 第59页 |
| ·遗传算法参数 | 第59-60页 |
| ·网络模型的性能和泛化能力 | 第60-61页 |
| ·专家系统 | 第61-64页 |
| ·前置故障分类专家系统 | 第61页 |
| ·后置评判专家系统 | 第61-64页 |
| ·诊断系统对泵功图的识别 | 第64-65页 |
| ·本章小结 | 第65-66页 |
| 7 有杆抽油井故障诊断系统简介及诊断实例 | 第66-88页 |
| ·软件数据库 | 第66-68页 |
| ·数据交换与存储 | 第66-67页 |
| ·数据表 | 第67-68页 |
| ·软件主要功能 | 第68-75页 |
| ·有杆抽油井故障诊断实例 | 第75-87页 |
| ·本章小结 | 第87-88页 |
| 8 结论与建议 | 第88-90页 |
| ·结论 | 第88-89页 |
| ·建议 | 第89-90页 |
| 致谢 | 第90-91页 |
| 参考文献 | 第91-94页 |
| 答辩委员会 | 第94页 |
