| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究的目的意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-13页 |
| 1.2.1 螺杆泵井工况诊断技术研究 | 第8-11页 |
| 1.2.2 ANN和SVM故障诊断技术研究 | 第11-12页 |
| 1.2.3 存在的问题 | 第12-13页 |
| 1.3 主要研究内容 | 第13页 |
| 1.4 本文创新点 | 第13-14页 |
| 第二章 地面驱动螺杆泵井工况诊断理论基础 | 第14-26页 |
| 2.1 地面驱动螺杆泵采油系统及其工作原理 | 第14-16页 |
| 2.1.1 螺杆泵采油系统组成 | 第14-15页 |
| 2.1.2 螺杆泵工作原理 | 第15-16页 |
| 2.2 井筒流体压力梯度计算模型 | 第16-18页 |
| 2.3 抽油杆柱受力分析 | 第18-22页 |
| 2.3.1 轴向载荷计算模型 | 第18-19页 |
| 2.3.2 扭矩计算模型 | 第19-21页 |
| 2.3.3 弯矩计算模型 | 第21-22页 |
| 2.4 螺杆泵井常见工况分类及故障原因分析 | 第22-25页 |
| 2.4.1 地面驱动螺杆泵井常见工况分类 | 第22-23页 |
| 2.4.2 地面驱动螺杆泵井故障原因分析 | 第23-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 基于人工神经网络的地面驱动螺杆泵井工况诊断方法 | 第26-40页 |
| 3.1 人工神经网络算法 | 第26-30页 |
| 3.1.1 人工神经网络基本概念 | 第26页 |
| 3.1.2 人工神经元模型 | 第26-28页 |
| 3.1.3 神经网络的拓扑结构 | 第28-29页 |
| 3.1.4 神经网络的学习规则 | 第29-30页 |
| 3.2 BP神经网络 | 第30-32页 |
| 3.2.1 BP网络的结构 | 第30页 |
| 3.2.2 BP网络学习过程 | 第30-32页 |
| 3.3 地面驱动螺杆泵井工况诊断系统建立 | 第32-39页 |
| 3.3.1 特征参数选择 | 第32-34页 |
| 3.3.2 输入参数预处理 | 第34-35页 |
| 3.3.3 输出参数预处理 | 第35-36页 |
| 3.3.4 网络模型设计 | 第36-37页 |
| 3.3.5 人工神经网络诊断算法的实现 | 第37-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 基于支持向量机的地面驱动螺杆泵井工况诊断方法 | 第40-56页 |
| 4.1 统计学习理论 | 第40-42页 |
| 4.1.1 VC维理论 | 第40-41页 |
| 4.1.2 结构风险最小化 | 第41-42页 |
| 4.2 支持向量机算法 | 第42-52页 |
| 4.2.1 支持向量机基本概念 | 第42-43页 |
| 4.2.2 支持向量分类机 | 第43-48页 |
| 4.2.3 多类分类问题 | 第48-52页 |
| 4.3 地面驱动螺杆泵井工况诊断系统建立 | 第52-55页 |
| 4.3.1 特征参数选择 | 第52页 |
| 4.3.2 输入参数预处理 | 第52页 |
| 4.3.3 输出参数预处理 | 第52页 |
| 4.3.4 支持向量机模型设计 | 第52-53页 |
| 4.3.5 支持向量机诊断算法的实现 | 第53-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第五章 程序设计与实例计算分析 | 第56-74页 |
| 5.1 程序设计 | 第56-60页 |
| 5.1.1 软件设计思路 | 第56-58页 |
| 5.1.2 计算程序流程图 | 第58-60页 |
| 5.2 实例计算分析 | 第60-73页 |
| 5.2.1 杆柱受力分析 | 第60-62页 |
| 5.2.2 人工神经网络诊断分析 | 第62-66页 |
| 5.2.3 支持向量机诊断分析 | 第66-73页 |
| 5.3 本章小结 | 第73-74页 |
| 结论 | 第74-75页 |
| 参考文献 | 第75-79页 |
| 攻读硕士学位期间取得的学术成果 | 第79-80页 |
| 致谢 | 第80页 |