文档介绍：琏论文作者签名:磷鬾:▲㈠、一㈠一卜穇甈㈠日期:却,,·甪厂学位论文创新性声明日期:型唬:学位论文使用授权的说明日期:丑选本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知,除了文中特别加以标注和致谢中所罗列的内容以外,论文中不包含其他入已经发表或撰写过的研究成果;也不包含为获得西安石油大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均己在论文中做了明确的说明并表示了谢意。申请学位论文与资料若有不实之处,本人承担一切相关责任。本人完全了解西安石油大学有关保留和使用学位论文的规定,即:研究生在校攻读学位期间论文工作的知识产权单位属西安石油大学。学校享有以任何方法发表、复制、公开阅览、借阅以及申请专利等权利。本人离校后发表或使用学位论文或与该论文直接相关的学术论文或成果时,署名单位仍然为西安石油大学。论文作者签名:导师签名:·注:如本论文涉密,请在使用授权的说明中指出饷苣晗薜。
\\\\\
炒一——.主奎垫茎论文题目:有杆抽油系统故障智能诊断及其应用研究专业:机械电子工程硕士生:孙文莉┟指导教师:吴伟┟魏航信┟近年来在石油工业开采中,有杆采油占据着主导地位。由于油井井下工况十分复杂,环境极其恶劣,所以故障发生率很高。虽然目前出现了许多诊断方法,但依靠单一的神经网络或专家系统不能很好地完成诊断,为此本文提出一种基于小波包与神经网络相结合的有杆抽油系统故障智能诊断方法,对故障进行快速有效地诊断。本文以有杆抽油井故障诊断系统为研究对象,深入分析有杆抽油系统工作原理,在数字信号分析及小波包分解的基础上,先通过对齿轮振动信号实例仿真,验证应用小波包进行能量特征向量提取的可行性;然后应用极差正规法对采集到的示功图数据进行归一化预处理,并利用验证后的小波包分解方法对示功图进行能量特征向量提取;在对比分析缬隑绾平阅艿幕∩希≡窳司哂薪细呔ǘ缺平芰Φ腞网络;最后将小波包分解与缬谢嘟岷希菇薘网络模型,利用所建模型,以某油田现场实测示功图数据为例,对抽油井系统故障进行了诊断,以六种工况下的故障类型为例进行识别,故障识别率达到%,取得良好的实验效果。采用上述理论研究成果,将数据库与方法融合,设计与开发有杆抽油井故障智能诊断系统,实现了油井故障的高效诊断。该实验系统表明本文所提出的应用小波包与缦嘟岷系姆椒ǘ杂途收险锒鲜强尚械模艺锒辖峁房靠,诊断方法较好。关键词:抽油机井示功图故障诊断小波包特征向量神经网络论文类型:应用研究摘要Ⅱ
●,一’■,~
咝蟛垒&地出垃生型丛,,琖英文摘要,:..甌猟::,】,:痶
一■一.●
录目第一章绪论⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.课题研究的目的及意义⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯国内外发展状况⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.诜⒄⒄棺纯觥课题研究主要内容及创新点⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯。小波分析的基本理论⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.〔⑿〔⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.〔ò砺鄯治觥.〔ò男灾省.〔ò目占浞纸狻.〔ò惴ā小波包用于故障信号的特征提取⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..齿轮振动信号的小波包应用⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯。.〔ò治觥第三章有杆抽油系统故障诊断原理及其示功图特征提取⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.有杆抽油系统工作原理⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..有杆抽油机井主要故障类型⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯。示功图的分析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯...⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯...⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯
一
第四章神经网络模型分析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯人工神经网络的概述⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.斯ど窬绲姆⒄⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯