典型文献
基于改进神经网络的抽油机故障智能诊断研究
文献摘要：
针对目前抽油机示功图故障诊断人工分析方法效率低,而智能方法计算量大且识别类型少的问题,提出了抽油机故障智能诊断新方法,通过改进的自组织特征映射网络(SOM神经网络)对抽油机示功图进行故障诊断.对比了蚁群算法(ACO)、遗传算法(GA)、粒子群算法(PSO)对SOM神经网络的改进效果,PSO算法的最优个体适应度值最小,且所需的迭代次数少,收敛速度快.同时对比了神经网络BP、LVQ、常规SOM和PSO-SOM诊断模型效果,PSO-SOM神经网络在识别时间、诊断准确率和诊断方差方面展现出了明显的优势.采用傅里叶描绘子和不变矩复合的形状识别方法提取抽油机样本示功图特征参数,利用PSO-SOM神经网络技术进行学习训练和仿真分析,实现了不同工况模式的分类以及待测示功图的工况诊断.研究表明:对于XX油田现场抽油机700井次的9种不同工况示功图,PSO-SOM方法有效识别正确率高达90.3％,是实现智能化高效诊断示功图的一种有效途径.
文献关键词：
粒子群算法;SOM神经网络;示功图;故障诊断
中图分类号：
作者姓名：
董巧玲
作者机构：
中国石油大庆油田有限责任公司 采油工程研究院,黑龙江 大庆 163712
文献出处：
引用格式：
[1]董巧玲-.基于改进神经网络的抽油机故障智能诊断研究)[J].西安石油大学学报（自然科学版）,2022(06):124-132
A类：
傅里叶描绘子
B类：
改进神经网络,抽油机,故障智能诊断,诊断研究,示功图,工分,智能方法,计算量,自组织特征映射网络,SOM,蚁群算法,ACO,GA,粒子群算法,PSO,改进效果,个体适应度值,迭代次数,收敛速度,同时对比,LVQ,诊断模型,诊断准确率,不变矩,形状识别,神经网络技术,学习训练,不同工况,工况模式,工况诊断,XX,油田
AB值：
0.320153
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
