發(fā)布時間：2021-08-07 03:47

　　有桿柱塞泵抽油機(jī)井在我國石油開采中占有舉足輕重的地位。抽油機(jī)井發(fā)生故障時,不僅會造成石油開采不能有序地進(jìn)行,影響進(jìn)度目標(biāo),嚴(yán)重時還會造成安全事故。因此準(zhǔn)確地對抽油機(jī)井故障進(jìn)行診斷很有必要。通過識別油井示功圖形狀來判斷抽油機(jī)井工況是目前主流的故障診斷方法。傳統(tǒng)方式中巡井工人根據(jù)平時的經(jīng)驗(yàn)來識別示功圖形狀,但這種方法效率和準(zhǔn)確度低、不能滿足油田現(xiàn)代化生產(chǎn)的需要。而傳統(tǒng)智能算法識別示功圖主要通過人工預(yù)先選取示功圖幾何特征,然后根據(jù)特征進(jìn)行示功圖分類識別。人工選取的示功圖幾何特征經(jīng)常受到人為因素的干擾,導(dǎo)致特征提取不準(zhǔn)確,降低了分類精度。針對上述問題,本文提出了基于人工智能算法的示功圖智能識別方法,主要研究內(nèi)容及成果如下:本文詳細(xì)研究了有桿柱塞泵抽油機(jī)工作原理及油井示功圖的形成原理,分析了不同油井示功圖與抽油機(jī)井工況之間的對應(yīng)關(guān)系。詳細(xì)敘述了人工智能算法中機(jī)器學(xué)習(xí)與深度學(xué)習(xí)理論,并對深度學(xué)習(xí)理論中卷積神經(jīng)網(wǎng)絡(luò)（CNN）與棧式稀疏自編碼神經(jīng)網(wǎng)絡(luò)（SSAENN）的結(jié)構(gòu)和算法原理進(jìn)行了詳細(xì)闡述。對采集到的示功圖數(shù)據(jù)進(jìn)行預(yù)處理,分別對CNN和SSAENN網(wǎng)絡(luò)進(jìn)行示功圖識別模型搭建,對構(gòu)建完成的識別模型... 

【文章來源】：河南科技大學(xué)河南省

【文章頁數(shù)】：63 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 課題背景及研究意義
    1.2 國內(nèi)外發(fā)展及研究現(xiàn)狀
    1.3 論文研究內(nèi)容及結(jié)構(gòu)
第2章 有桿柱塞泵抽油機(jī)井故障診斷基本原理
    2.1 石油開采方式介紹
    2.2 有桿柱塞泵抽油系統(tǒng)結(jié)構(gòu)
        2.2.1 抽油機(jī)
        2.2.2 抽油泵
    2.3 油井示功圖概述
    2.4 典型故障示功圖
    2.5 本章小結(jié)
第3章 人工智能與深度學(xué)習(xí)
    3.1 人工智能概述
    3.2 深度學(xué)習(xí)
        3.2.1 深度學(xué)習(xí)概述
        3.2.2 淺層學(xué)習(xí)和深度學(xué)習(xí)
        3.2.3 深度學(xué)習(xí)模型分類
    3.3 卷積神經(jīng)網(wǎng)絡(luò)
        3.3.1 卷積神經(jīng)網(wǎng)絡(luò)算法思想
        3.3.2 卷積操作
        3.3.3 池化操作
        3.3.4 全連接層
        3.3.5 Dropout優(yōu)化
        3.3.6 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練
    3.4 棧式稀疏自編碼神經(jīng)網(wǎng)絡(luò)
        3.4.1 棧式稀疏自編碼器
        3.4.2 Softmax分類器
        3.4.3 棧式稀疏自編碼神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程
    3.5 本章小結(jié)
第4章 深度學(xué)習(xí)模型在油井示功圖智能識別中的應(yīng)用
    4.1 油井示功圖識別流程
    4.2 示功圖預(yù)處理
        4.2.1 示功圖數(shù)據(jù)歸一化
        4.2.2 示功圖二值化和細(xì)化處理
    4.3 確定示功圖樣本標(biāo)簽
    4.4 CNN網(wǎng)絡(luò)模型識別示功圖流程分析
    4.5 SSAENN網(wǎng)絡(luò)模型識別示功圖流程分析
    4.6 本章小結(jié)
第5章 實(shí)驗(yàn)結(jié)果分析與應(yīng)用
    5.1 實(shí)驗(yàn)平臺與示功圖樣本選擇
    5.2 CNN網(wǎng)絡(luò)識別示功圖實(shí)驗(yàn)
        5.2.1 CNN網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)選擇
        5.2.2 CNN網(wǎng)絡(luò)識別示功圖結(jié)果
    5.3 SSAENN網(wǎng)絡(luò)識別示功圖實(shí)驗(yàn)
        5.3.1 SSAENN網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)選擇
        5.3.2 SSAENN網(wǎng)絡(luò)識別示功圖結(jié)果
    5.4 深度學(xué)習(xí)網(wǎng)絡(luò)與支持向量機(jī)的改進(jìn)模型識別示功圖
        5.4.1 SVM算法原理
        5.4.2 改進(jìn)模型識別示功圖流程
        5.4.3 SVM參數(shù)優(yōu)化
        5.4.4 改進(jìn)模型示功圖識別結(jié)果
    5.5 實(shí)驗(yàn)結(jié)果與分析
        5.5.1 深度學(xué)習(xí)模型實(shí)驗(yàn)結(jié)果分析
        5.5.2 改進(jìn)模型實(shí)驗(yàn)結(jié)果分析
    5.6 工程應(yīng)用
    5.7 本章小結(jié)
第6章 結(jié)論
參考文獻(xiàn)
致謝
攻讀學(xué)位期間的研究成果



本文編號：3327017