| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第一章 绪论 | 第9-13页 |
| ·研究背景和意义 | 第9页 |
| ·国内外研究现状 | 第9-11页 |
| ·本文主要工作 | 第11-12页 |
| ·论文结构和章节安排 | 第12-13页 |
| 第二章 抽油机井故障诊断原理介绍 | 第13-19页 |
| ·油田主要采油方法 | 第13-14页 |
| ·有杆泵抽油原理 | 第14-16页 |
| ·抽油机的工作机制 | 第14-15页 |
| ·抽油泵的工作机制 | 第15-16页 |
| ·示功图 | 第16-18页 |
| ·示功图的基本概念 | 第16页 |
| ·理论示功图 | 第16-18页 |
| ·示功图数据获得方法-电流法 | 第18页 |
| ·本章小结 | 第18-19页 |
| 第三章 基于灰度矩阵统计量的示功图特征提取研究 | 第19-39页 |
| ·典型故障示功图 | 第20-26页 |
| ·示功图预处理 | 第26-27页 |
| ·原始数据预处理 | 第26页 |
| ·示功图尺寸归一化 | 第26-27页 |
| ·灰度矩阵理论 | 第27-30页 |
| ·网格法 | 第27-28页 |
| ·灰度矩阵的提取 | 第28-30页 |
| ·特征参数的提取原则 | 第30-31页 |
| ·灰度矩阵的统计特征量 | 第31-32页 |
| ·仿真结果 | 第32-36页 |
| ·灰度矩阵特征参数样本库建立 | 第36-38页 |
| ·本章小结 | 第38-39页 |
| 第四章 基于 Elman 神经网络的示功图分类研究 | 第39-50页 |
| ·人工神经网络理论 | 第39-42页 |
| ·人工神经网络的基本概念 | 第39页 |
| ·神经元的构成原理 | 第39-40页 |
| ·人工神经网络的特点 | 第40-41页 |
| ·人工神经网络用于工况诊断的优势 | 第41-42页 |
| ·BP 神经网络 | 第42-44页 |
| ·BP 神经网络模型 | 第42页 |
| ·BP 神经网络算法 | 第42-44页 |
| ·Elman 神经网络 | 第44-46页 |
| ·Elman 神经网络模型 | 第44-46页 |
| ·Elman 神经网络算法 | 第46页 |
| ·Elman 神经网络模型的设计 | 第46-48页 |
| ·输入层节点数设计 | 第46-47页 |
| ·输出层节点数设计 | 第47页 |
| ·输出模式的设计 | 第47页 |
| ·隐含层节点数设计 | 第47-48页 |
| ·网络参数的选择 | 第48页 |
| ·网络仿真和样本测试 | 第48-49页 |
| ·本章小结 | 第49-50页 |
| 第五章 结论与展望 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 在学研究成果 | 第54-55页 |
| 致谢 | 第55页 |