基于人工神经网络抽油机井故障诊断研究.pdfVIP

第11卷增刊 振动 工程学报 vo】1lNo．S l998年9月 ofVibration 998 Journal Engineering Sep．1 基于人工神经网络的抽油机井故障诊断研究 李明山 杜保东 (大庆职工大学大庆，I63255) 摘要 在简单介簋{人工神经网络的基本性能和BI’网络模型及算法的基础上，特神经网络和篮 型相结合·研究了通过识别抽油机乐功圈诊断抽油机故障的方法。并建立了抽油机井智能 故障诊断系统。 ． 关键词：kl业神经网络；故障诊断；描油机{蚕功髑 。 中圈分类号：TP206；FE355．5、 抽油机井故障诊断技术的研究一直是国内外采油工程技术人员的一个重要研究课题， 经过几十年的研究、实践，抽油机井故障的分析与诊断技术有了相当大的发展。地面示功图 分析法是抽油机井故障诊断的一种有效方法。应用汁算机技术，将人工神经网络与模式识别 技术相结合，建立抽油机井故障智能系统，能够快速、准确地识别抽油机井地面示功图，对抽 油机井进行故障诊断。 1 抽油机井示功图故障诊断原理 示功图表示丁光杆受力情况和位置的关系，也就是泵的工作状况和位置的关系。理想条 件下的示功图具有平行四边形的形状，如图l所示横坐标表示按比例记录的光杆移动的距 离；纵坐标表示按比例记录的光杆上的负荷；陆线圈闭面积的大小表示了泵做功的多少。示 境U．÷黾 异r川 得一甚 《^量 《～‘甲 囝2 l{I，冲经网络结掏 功图的形状与抽油机井的工作状态有着一定的对应关系．如抽油机井泵正常丁作的示功图 为近似的平行四边形。『fii对于供液熊力蒡的油井其示功图的形状特征为“刀把”形。斟此．可 0702 收稿R期：1098 振 ：i 工 程 学 报 第1l卷 以通过世用计算机与人!神经网络模式识别技术相结合的方法对示砂+图的形状特征进行分 析和解珲，从而实现抽油机井故障谤断工作微机自动化。 2 BI’神经网络结构及学习算法 本：￡采用目前应用最为J’+泛的 种神经网络——前馈式三层网络，即：一个输入层，一 个隐层或称中阀层M及一个输出层组成。输入层、隐层和输出层，各层之间实行全连接，如图 2所示。算法采用误差反向传播BP网络算法。Bi?学习算法的主要思路是如果求出误差E 对各个神经之输出的偏导数，就可以算出误差E对所有连接权值的偏导数，从而可以利用 梯度下降法，程修改各个连接投值。 设(r是第i屡第j个节点输出值．则 ()j一厂【∑w：。·(1’1+￡) (I) 为第i层第J个节点的阔值，而厂为该节点的激励函数数学方程．表示为 八T)。r}U-： (2) 整个学习过程是一个自学习过程，即预先给定每个类别的输出状态，即期望值。学习时，反复 修正权值，使输出值与期望值之间的，误差平方和小于某一常数，，即 ∑(Ji—Oj)F (3) t是输