摘要 | 第4-5页 |
ABSTRACT | 第5-6页 |
创新点摘要 | 第7-10页 |
绪论 | 第10-13页 |
0.1 课题研究背景及意义 | 第10页 |
0.2 国内外研究现状 | 第10-11页 |
0.3 本文主要内容 | 第11-13页 |
第一章 示功图理论及典型故障示功图分析 | 第13-22页 |
1.1 抽油井泵工作原理 | 第13-14页 |
1.1.1 有杆泵采油方式 | 第13页 |
1.1.2 抽油机工作原理 | 第13-14页 |
1.2 示功图 | 第14-15页 |
1.2.1 示功图的定义 | 第14-15页 |
1.2.2 理论示功图的形成 | 第15页 |
1.3 典型故障示功图分析 | 第15-21页 |
1.4 本章小结 | 第21-22页 |
第二章 基于灰度图像势能的示功图特征提取 | 第22-35页 |
2.1 现场示功图的形成 | 第22页 |
2.1.1 现场示功图的形成 | 第22页 |
2.1.2 示功图的绘制 | 第22页 |
2.2 示功图的识别 | 第22-24页 |
2.2.1 灰度图像 | 第22-23页 |
2.2.2 示功图灰度处理 | 第23-24页 |
2.3 图像势能与轮廓势能 | 第24-29页 |
2.3.1 像素势能 | 第25-26页 |
2.3.2 累积势能 | 第26-27页 |
2.3.3 图像势能 | 第27-29页 |
2.4 基于图像势能的轮廓特征 | 第29-34页 |
2.4.1 改进的轮廓势能算法 | 第30-33页 |
2.4.2 统计特征值的计算 | 第33-34页 |
2.5 本章小结 | 第34-35页 |
第三章 基于信息熵与灰关联的抽油井故障诊断 | 第35-46页 |
3.1 灰关联理论 | 第35页 |
3.1.1 理论介绍 | 第35页 |
3.1.2 影响灰色关联理论关联度的主要因素 | 第35页 |
3.2 典型关联度模型 | 第35-37页 |
3.3 灰色关联分析模型的建立 | 第37-39页 |
3.3.1 数据预处理 | 第37-38页 |
3.3.2 灰色关联度的计算 | 第38-39页 |
3.3.3 计算关联度 | 第39页 |
3.3.4 关联序 | 第39页 |
3.4 待诊断抽油井示功图灰关联计算 | 第39-41页 |
3.5 基于信息熵的灰关联改进算法 | 第41-43页 |
3.5.1 信息熵 | 第41-42页 |
3.5.2 基于信息熵灰关联的抽油井示功图故障诊断 | 第42-43页 |
3.6 结果分析 | 第43-44页 |
3.7 本章小结 | 第44-46页 |
第四章 改进的模糊支持向量机抽油井故障诊断 | 第46-65页 |
4.1 支持向量机分类 | 第46-49页 |
4.1.1 最优分类超平面 | 第46-47页 |
4.1.2 线性支持向量机分类 | 第47-48页 |
4.1.3 非线性支持向量机 | 第48-49页 |
4.2 多分类支持向量机 | 第49-51页 |
4.3 模糊支持向量机 | 第51-54页 |
4.3.1 模糊支持向量机的建立 | 第52-53页 |
4.3.2 隶属度分析 | 第53-54页 |
4.4 改进的模糊支持向量机 | 第54-61页 |
4.4.1 混合分类模式 | 第54-57页 |
4.4.2 基于距离和样本密度的模糊隶属度 | 第57-61页 |
4.5 实例分析 | 第61-64页 |
4.6 本章小结 | 第64-65页 |
结论 | 第65-66页 |
参考文献 | 第66-69页 |
发表文章目录 | 第69-70页 |
致谢 | 第70-71页 |
详细摘要 | 第71-79页 |