基于粒子群算法的神经网络抽油机故障诊断研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题研究目的及意义 | 第10-11页 |
| 1.2 国内外抽油机故障诊断的方法 | 第11-12页 |
| 1.3 神经网络在故障诊断中的应用 | 第12-14页 |
| 1.3.1 神经网络在各领域故障诊断的应用 | 第13页 |
| 1.3.2 神经网络在抽油机故障诊断中的应用 | 第13-14页 |
| 1.4 粒子群优化算法发展及研究方向 | 第14-15页 |
| 1.5 主要研究内容 | 第15页 |
| 1.6 论文安排 | 第15-16页 |
| 第二章 抽油机概述 | 第16-20页 |
| 2.1 抽油机简介 | 第16-17页 |
| 2.2 有杆式抽油机的工作原理 | 第17-18页 |
| 2.3 有杆抽油机的常见故障 | 第18-19页 |
| 2.4 本章小结 | 第19-20页 |
| 第三章 粒子群优化算法改进 | 第20-36页 |
| 3.1 粒子群算法的基本原理 | 第20-23页 |
| 3.1.1 粒子群算法的数学描述 | 第20-21页 |
| 3.1.2 粒子群算法的特点 | 第21页 |
| 3.1.3 粒子群算法参数选取 | 第21-22页 |
| 3.1.4 粒子群算法流程 | 第22-23页 |
| 3.2 改进粒子群优化算法的几种途径 | 第23-25页 |
| 3.2.1 提高收敛速度 | 第23-24页 |
| 3.2.2 对算法离散化 | 第24-25页 |
| 3.2.3 提高种群的多样性 | 第25页 |
| 3.3 基于动态调整学习因子的多粒子群算法 | 第25-30页 |
| 3.3.1 增强协同作用 | 第26页 |
| 3.3.2 速度扰动项改进 | 第26-27页 |
| 3.3.3 学习因子改进 | 第27-29页 |
| 3.3.4 改进后的多粒子群优化算法 | 第29-30页 |
| 3.4 算法收敛性分析 | 第30-32页 |
| 3.5 改进粒子群算法的测试 | 第32-35页 |
| 3.6 本章小结 | 第35-36页 |
| 第四章 粒子群优化神经网络 | 第36-44页 |
| 4.1 BP网络 | 第36-40页 |
| 4.1.1 BP网络算法 | 第36-37页 |
| 4.1.2 BP算法的计算公式 | 第37-39页 |
| 4.1.3 网络的泛化能力 | 第39-40页 |
| 4.2 粒子群算法优化神经网络方法 | 第40-43页 |
| 4.2.1 神经网络优化方法 | 第40-41页 |
| 4.2.2 编码方式 | 第41页 |
| 4.2.3 神经网络权值阈值的训练 | 第41-42页 |
| 4.2.4 适应度函数选取 | 第42页 |
| 4.2.5 性能指标 | 第42-43页 |
| 4.2.6 算法流程 | 第43页 |
| 4.3 本章小结 | 第43-44页 |
| 第五章 基于粒子群算法抽油机故障诊断研究 | 第44-56页 |
| 5.1 故障诊断流程与数据采集 | 第44-45页 |
| 5.1.1 基于粒子群优化故障诊断步骤 | 第44页 |
| 5.1.2 样本数据的采集 | 第44-45页 |
| 5.3 抽油机故障诊断的实现 | 第45-48页 |
| 5.3.1 神经网络的建立 | 第46页 |
| 5.3.2 粒子群参数设定 | 第46页 |
| 5.3.3 适应度函数选取 | 第46页 |
| 5.3.4 网络测试性能指标 | 第46-47页 |
| 5.3.5 故障诊断样本集 | 第47-48页 |
| 5.4 抽油机故障诊断结果 | 第48-55页 |
| 5.4.1 应用VCPSO的故障诊断 | 第48-49页 |
| 5.4.2 应用其它方法的故障诊断 | 第49-51页 |
| 5.4.3 诊断结果比较 | 第51页 |
| 5.4.4 相关参数对诊断结果的影响 | 第51-55页 |
| 5.5 本章小结 | 第55-56页 |
| 结论 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 发表文章目录 | 第60-61页 |
| 致谢 | 第61-62页 |
| 大庆石油学院硕i研究生学位论文摘要 | 第62-68页 |
