| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 创新点摘要 | 第6-9页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 课题的研究背景及意义 | 第9-10页 |
| 1.2 抽油机故障诊断技术发展现状 | 第10页 |
| 1.3 粗糙集理论研究现状 | 第10-11页 |
| 1.4 LVQ 神经网络研究现状 | 第11-12页 |
| 1.5 论文的主要研究内容 | 第12页 |
| 1.6 论文的安排 | 第12-14页 |
| 第二章 有杆泵抽油机示功图分析 | 第14-26页 |
| 2.1 引言 | 第14页 |
| 2.2 抽油机工作原理 | 第14-17页 |
| 2.3 抽油机典型示功图及分析 | 第17-25页 |
| 2.3.1 泵正常工作示功图 | 第18页 |
| 2.3.2 气体影响示功图 | 第18-19页 |
| 2.3.3 气锁现象示功图 | 第19页 |
| 2.3.4 泵工作正常但供液不足示功图 | 第19-20页 |
| 2.3.5 油管漏失示功图 | 第20页 |
| 2.3.6 油管出砂示功图 | 第20-21页 |
| 2.3.7 活塞脱出工作筒示功图 | 第21页 |
| 2.3.8 下碰泵示功图 | 第21页 |
| 2.3.9 连抽带喷井示功图 | 第21-22页 |
| 2.3.10 抽油杆断脱示功图 | 第22页 |
| 2.3.11 固定阀（吸入部分）漏失示功图 | 第22-23页 |
| 2.3.12 游动阀（排出部分）漏失示功图 | 第23页 |
| 2.3.13 排出阀和吸入阀同时漏失示功图 | 第23-24页 |
| 2.3.14 泵工作正常但油稠示功图 | 第24页 |
| 2.3.15 惯性作用下的理论示功图 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 基于粗糙集的 LVQ 神经网络 | 第26-35页 |
| 3.1 引言 | 第26页 |
| 3.2 基本理论和算法概述 | 第26-31页 |
| 3.2.1 粗糙集 | 第26-27页 |
| 3.2.2 SOM 神经网络 | 第27-28页 |
| 3.2.3 LVQ 神经网络 | 第28-29页 |
| 3.2.4 粗糙集与 LVQ 神经网络对比 | 第29-30页 |
| 3.2.5 结合方式 | 第30-31页 |
| 3.3 粗糙集 LVQ 神经网络 | 第31-33页 |
| 3.3.1 基本思想 | 第31页 |
| 3.3.2 粗糙集 LVQ 模型设计 | 第31-32页 |
| 3.3.3 步骤和流程图 | 第32-33页 |
| 3.4 本章小结 | 第33-35页 |
| 第四章 抽油机故障诊断 | 第35-49页 |
| 4.1 引言 | 第35页 |
| 4.2 数据采集与分析 | 第35-37页 |
| 4.2.1 抽油机示功图坐标数字化 | 第35-36页 |
| 4.2.2 抽油机示功图归一化 | 第36-37页 |
| 4.3 数据特征提取 | 第37-41页 |
| 4.4 抽油机故障诊断 | 第41-46页 |
| 4.4.1 粗糙集建立决策表 | 第42-43页 |
| 4.4.2 连续属性离散化 | 第43-44页 |
| 4.4.3 粗糙集属性约简 | 第44页 |
| 4.4.4 建立 LVQ 神经网络 | 第44页 |
| 4.4.5 RS-LVQ 神经网络训练 | 第44-45页 |
| 4.4.6 基于 RS-LVQ 神经网络的有杆泵故障诊断结果 | 第45-46页 |
| 4.5 各种诊断结果比较分析 | 第46-48页 |
| 4.6 本章小结 | 第48-49页 |
| 结论 | 第49-50页 |
| 参考文献 | 第50-52页 |
| 发表文章目录 | 第52-53页 |
| 致谢 | 第53-54页 |
| 详细摘要 | 第54-69页 |