基于FBH-SC算法的游梁式抽油機井故障診斷方法研究.pdf_第1頁
已閱讀1頁,還剩77頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權,請進行舉報或認領

文檔簡介

1、在當前原油生產(chǎn)中,有桿泵抽油方式占據(jù)很大比重。游梁式抽油機井是有桿泵抽油的一種方式。抽油機等采油設備大多是野外作業(yè),地理位置分散,自然環(huán)境惡劣,而且抽油機的井下工況復雜,導致抽油機的故障診斷和處理不及時,嚴重影響油田的產(chǎn)量和效益。因此,及時分析抽油機工況,對提高原油開采效率和提升油田經(jīng)濟效益具有重要意義。在油田生產(chǎn)中,通常以示功圖作為分析游梁式抽油機井工況的主要依據(jù)。本文的解決方案首先對示功圖進行特征提取,然后利用無監(jiān)督學習算法對提取得

2、到的示功圖特征向量數(shù)據(jù)集進行學習,從而實現(xiàn)故障診斷。
  首先將地面示功圖轉(zhuǎn)化為井下泵示功圖,然后對井下泵示功圖進行尺寸歸一化,最后利用課題組前期成果,采用兩個特征提取方法,構造了兩個示功圖特征向量數(shù)據(jù)集。
  結合SC算法適用于任意數(shù)據(jù)分布和黑洞(Black Hole,BH)算法對于初始中心不敏感的優(yōu)點,本文提出了黑洞譜聚類(Black Hole Spectral Clustering,BH-SC)算法,避免SC算法對于初

3、始中心敏感和數(shù)據(jù)分布對BH算法的影響。針對原始BH算法存在重復計算的問題,本文提出快速黑洞(Fast Black Hole,F(xiàn)BH)算法,并將其應用于SC算法,因此提出了快速黑洞譜聚類(Fast Black Hole Spectral Clustering,F(xiàn)BH-SC)算法,與BH-SC算法比較,在保持聚類效果基本不變的情況下,計算時間顯著減少。本文將BH-SC算法和FBH-SC算法應用到兩個示功圖特征向量數(shù)據(jù)集中,聚類平均正確率均在

4、80%以上,滿足現(xiàn)場要求。
  由于BH-SC算法和FBH-SC算法需要預先指定聚類數(shù)目和尺度參數(shù),因此本文引入一個指標函數(shù),對這個指標函數(shù)尋優(yōu),也即完成聚類過程。當這個指標函數(shù)最優(yōu)時,得到最佳的聚類效果、聚類數(shù)目和最合適的尺度參數(shù)。其中,本算法利用第四章提出的FBH算法對指標函數(shù)尋優(yōu)。本文將此自動確定聚類數(shù)目算法應用到兩個示功圖特征向量數(shù)據(jù)集中,最佳聚類數(shù)目均為實際故障類數(shù),聚類平均正確率在80%以上,滿足實際需求。將待診斷樣本

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論