有杆泵抽油井故障诊断新的理论依据

本文首先综述了有杆泵抽油系统故障诊断的必要性及其发展历史:从模拟诊断到数值模拟诊断。后者的主要理论根据是60年代美国Gibbs提出的考虑抽油杆振动的一维波动方程。80年代美国的Doty把液柱的振动也考虑进去,使对运动的描述较之完善。但忽略了油管的振动。本文综合考虑了抽油杆、液柱与油管的振动,提出了一组新的偏微分方程,并用有限差分法求出其数值解。结果表明,这种新的数学模型对前两种模型均有较大的改进,使井下参数预测与故障诊断更精确,有可能解决前者不能解决的问题。     

灰色理论在有杆抽油井故障诊断中的应用

针对油田有杆泵抽油井井下故障难以自动诊断的问题,文章提出了基于Matlab的网格法和灰色理论相结合的方法判断泵的工况种类,计算标准和实测示功图灰度矩阵的6个特征值,并建立其数据库及标准示功图特征值的灰关联度,根据灰关联度的大小判断两者之间的相似度,从而识别泵的工况种类。该方法有助于提高采油效率,实现远程采油控制智能化,建设数字油田。     

求解有杆泵抽油井一维诊断模型的两种方法

文章探讨了有杆泵抽油机井的一堆故障诊断模型,归纳了求解一堆诊断模型的两类方法。当用付氏级数法求解时,运用采样定理验证了■(付氏级数的项数)与N(示功图采样点数)之间的关系,确定了参数的选择原则。在运用有限差分法求解诊断模型时,提出了按X方向推进的差分原则,从而克服了按时间t逐层推进时遇到的困难。     

抽油井示功图神经网络识别模型

以专家经验及大量的现场实例为基础，应用模糊数学与人工神经网络技术理论，建立了有限个精选井下示功图和反向传播的神经网络示功图识别模型．该识别系统可初步用于对现场实测示功图进行识别诊断，性能基本稳定，能有效地诊断抽油机的故障类型．     

抽油井地面示功图的回归分析

运用多元统计分，结合理论研究成果和现场实际经验，对在抽油井现场收集的实测示功图进行了回归分析，给出了一种在正常稀油抽汲工况下预测示功图的方法。     

抽油井地面示功图的回归分析

运用多元统计分析理论，结合理论研究成果和现场实际经验，对在抽油井现场收集的实测示功图进行了回归分析，给出了一种在正常稀油抽汲工况下预测示功图的方法．计算结果表明，这种方法预测出的几种具有代表性工况的系统效率均在现场实际公认的取值范围内，该方法可应用于抽油机的动力优化设计和分析．     

基于人工神经网络和灰度矩阵的泵功图诊断

为了有效利用泵功图技术改善机械有杆采油系统采收率,对抽油泵不同工况所具有的不同泵功图进行图形特征分析,并利用改进算法的神经网络完成泵功图工况诊断.实例诊断结果与实际测试结果吻合,证明改进后的神经网络能够对不同工况的泵功图进行准确有效的特征聚类和模式识别.该方法具有工程应用价值.     

基于小波分析的故障诊断

对信号进行特征提取,是故障诊断的关键。突变信号往往对应着某类故障,如果能对突变信号进行有效识别,就能达到故障诊断的目的。对如何从混有噪声的振动信号中有效识别出突变信号,本文进行了一系列方法研究。     

有杆抽油系统故障递阶诊断的故障识别研究

有杆抽油系统工况极其恶劣,发生故障的概率较高。针对有杆抽油系统的特点及其故障诊断目前存在的问
题,提出基于示功图的有杆抽油系统故障递阶诊断法,该方法分为故障分辨和故障识别两个阶段,在基于示功图的有
杆抽油系统故障递阶诊断法的第二阶段故障识别阶段,从故障机理入手,在故障分辨的基础上,将正常样本的统
计信息与搜索树相结合,建立起有杆抽油系统故障识别的搜索树,对故障样本进行故障类型的详细识别。通过实例和
多种典型故障示功图,包括严重故障,验证了该方法能有效识别出有杆抽油系统的单个故障和组合故障。     

有杆抽油系统故障递阶诊断的故障分辨研究

有杆抽油系统工况极其恶劣,发生故障的概率较高。针对有杆抽油系统的特点及其故障诊断目前存在的问
题,提出基于示功图的有杆抽油系统故障递阶诊断法,该方法分为故障分辨和故障识别两个阶段,即首先在故障分辨
阶段根据正常（或平稳状态）样本的统计规律把示功图分为故障类和非故障类;然后采用基于示功图的有杆抽油系统
故障识别的搜索树方法,对故障样本进行故障类型的识别。它提高了故障诊断系统的故障诊断性能,且不需要建立和
求解有杆抽油系统力学模型,也不存在训练集问题,并能反映出有杆抽油系统自身的基本特征。故障分辨过程包括：
在训练阶段,t 检验剔除异常数据后,通过X2拟合优度检验确定样本的随机分布形式及其参数,进而计算出正常区域
和故障区域;在分辨阶段,根据测试样本是否有特征量落入故障区域来判断其分类。实例表明故障分辨过程能从大量
的数据中筛选出故障样本,分辨的正确率比较高;训练样本的统计规律能反映油井实时的生产状况。     

基于数学形态学与PNN的螺杆泵井故障诊断

针对螺杆泵井泵功图图形信息一直没有得到充分利用,在一定程度上影响诊断技术的推广和利用的问题,研究直接提取泵功图状态参数形状特征信息的方法,提出基于数学形态学的泵功图图形特征提取方法。采用开闭组合的数学形态学算子实现泵功图边缘纹理特征提取,对提取的特征数字化后,使用PNN(概率神经网络)进行故障识别。实际应用证明,识别准确率达到90%以上。     

有杆泵抽油系统井下工况诊断的物元分析方法

根据油田实际生产中常用的“四点”分析法,结合曲线矩理论,提取示功图图形的不变曲线矩特征值作为特征参数向量.采用可拓理论中的物元分析方法建立标准工况类型的物元模型,将特征向量的量值拓展为区间值,通过关联函数计算待诊断示功图与标准工况类型的关联度并进行归一化处理.计算结果给出待诊断样本相对于各标准工况类型的发生程度,最大的关联度表示该类型工况的发生程度最大.实例验证了所提出的方法是合理可行的,符合实际生产需要.     

一种基于改进极端梯度提升决策树的轴承故障诊断方法

针对传统故障诊断模型面向海量故障数据时诊断准确度低的问题，首先，提出了一种局部均值分解与固定点算法联合降噪方法，以消除轴承振动信号中的噪声；其次，为了避免原始信号中敏感特征难以提取的问题，提出了一种基于核主成分分析的降维方法；再次，构建了一种基于改进极端梯度提升决策树的故障诊断模型，采用GS-PSO算法优化SVM性能，进而运用改进极端梯度提升决策树思想修正分类模型的残差以提升模型分类精度，应用Spark-大数据平台，通过并行处理技术进行科学计算；最后，采用CWRU提供的滚动轴承数据进行训练与仿真，证明构建的模型能实现对不同类型滚动轴承的识别诊断，并保证诊断结果的准确率。通过对4种不同故障诊断模型的对比分析，表明本文模型具有可行性和优越性。     

鉴别流形敏感的跨模态轴承故障诊断方法

目的 在实际应用中采集的原始多模态故障数据通常是包含大量噪声和冗余信息的非线性数据,如何从不同故障模态中提取有效的非线性故障特征仍是一个挑战性的问题。方法 提出了一种鉴别流形敏感的跨模态故障诊断方法,在该方法中首先借助相关分析理论在跨模态故障空间中构建了不同模态间的相关系数,并通过理论推导获得了相关系数的等价优化模型,然后利用局部近邻图构建了鉴别流形敏感散布,进而通过最大化不同模态间的相关性和最小化鉴别流形敏感散布,形成了鉴别流形敏感的跨模态故障诊断模型,并且在理论上推导出了该优化模型的解析解,从而能够从不同模态的故障数据中学习强鉴别力的非线性故障特征。结果 在德国帕德博恩轴承数据集和多模态轴承故障数据集上设计了针对性实验,实验结果显示在少量故障样本用于训练时即可获得良好的诊断准确性。结论 提出的方法是一种有效的跨模态故障诊断方法。     

基于小波特征提取和概率神经网络的机械故障诊断

论述了基于离散小波变换系数的特征提取和概率神经网络在机械故障诊断中的应用。该方法利用离散小波获取振动信号各有效频带的能量作为故障参数,用概率神经网络构建设备运行状态模型,根据历史数据确定故障值并设置故障参数。实验结果从应用程序对轴承故障诊断表明,相比传统方法,该方法能够有效地提取测试信号内在的重要信息内容,并增加机械整体故障诊断的准确性,在机械设备故障处理系统中有良好的应用前景。     

利用非线性流形学习的轴承早期故障特征提取方法

针对早期故障微弱特征难以提取的问题,提出了一种基于非线性流形学习的滚动轴承早期故障特征提取方法.在由时域指标和小波频带能量组成的原始特征空间中,结合局部切空间排列学习算法的特点,采用散布矩阵分类测度指标,实现了局部邻域的优化选取,从而提取出最优的敏感故障特征.通过实例应用,表明该方法有效地克服了主分量分析和非线性核主分量分析方法的不足,提取的融合特征敏感性更好,从而提高了故障模式的分类性能,实现了轴承的早期故障诊断.     

基于局部特征尺度分解的汽轮机故障诊断研究

为了提高汽轮机故障诊断的精确性,文章运用转子振动实验台来模拟汽轮机转子的振动信号,对运行中的三种故障振动信号进行采集,然后运用局部特征尺度分解方法对汽轮机振动信号时间序列进行特征提取,组成特征向量。利用极限学习机作为故障诊断分类器,结果表明,局部特征尺度分解特征提取和极限学习机的诊断模型能够准确地对汽轮机故障进行诊断,具有很高的实际应用意义。