有桿抽油泵的智能工況分類研究.pdf

1、有桿抽油系統(tǒng)是機械采油方式的主要設備。石油市場嚴重的供需矛盾迫使石油企業(yè)必須降低采油成本、提高產量。為了提高設備開機率和降低能耗，有桿抽油泵工況分類成為相關領域科研人員的研究熱點。以人工智能為代表的新技術革命為這個課題研究提供了技術支持。本文的主要工作是針對泵功圖研究有桿抽油泵智能工況分類問題。主要研究工作包括以下幾個方面：
　　 依據(jù)抽油泵結構和工作原理，從定向井多級混合桿抽油桿柱上選取微元體并對其作動力學分析，建立一個反映抽

2、油桿柱動態(tài)變化的波動方程。對整個桿柱采用變步長采樣，利用有限差分法求解偏微分方程，得到桿柱分界面處和均質段任意位置處各自的位移表達式。經差分計算和迭代計算獲得抽油泵柱塞位移表達式和載荷表達式，完成了最終的數(shù)學建模。利用MATLAB將該數(shù)學模型程序化實現(xiàn)來獲取泵功圖，進而提取特征點和構造特征參數(shù)。
　　 針對有桿抽油泵的泵功圖特征數(shù)據(jù)樣本集，提出了關聯(lián)縮放思想的樣本數(shù)據(jù)標準化處理算法。使用MATLAB神經網絡工具箱分別建立BP網絡

3、模型和RBF網絡模型，進行多種參數(shù)調整的仿真試驗對比，實現(xiàn)對有桿抽油泵的工況分類。
　　 建立包含泵功圖特征參數(shù)與抽油系統(tǒng)的抽汲參數(shù)、井況數(shù)據(jù)、故障代碼、改進建議的總數(shù)據(jù)庫。依據(jù)典型工況的泵功圖圖譜，借助于領域知識與專家經驗將計算所得的特征參數(shù)對照各典型工況進行逐一比較匹配，制定推理機和產生式規(guī)則存入規(guī)則庫，最終構造出產生式規(guī)則系統(tǒng)，該系統(tǒng)可實現(xiàn)對有桿抽油泵的工況精確分類。
　　 通過討論標準支持向量機和非線性軟間隔支持

4、向量機的分類問題求解過程，總結了支持向量機的兩個核心思想。利用LIBSVM和LIBSVM-MAT經過基于RBF核函數(shù)和K-折交叉驗證的模型參數(shù)尋優(yōu)，分別建立推廣能力較強的支持向量機多分類器模型，進行有桿抽油泵工況的模式分類測試分析，并且與使用神經網絡方法的分類結果做了對比分析。
　　 通過討論最小二乘支持向量機用于非線性多分類問題求解過程，提出基于群體智能理論的全局優(yōu)化進化算法粒子群算法用于最小二乘支持向量機分類器模型參數(shù)選擇。

5、利用LS_SVMlab采用徑向基核函數(shù)和最小輸出編碼算法建立了有桿抽油泵工況分類的最小二乘支持向量機分類器模型。通過與BP網絡、RBF網絡仿真試驗結果對比發(fā)現(xiàn)，基于最小二乘支持向量機的多分類模型在解決有桿抽油泵工況分類問題中表現(xiàn)出優(yōu)異的性能。
　　 針對神經網絡等傳統(tǒng)的有監(jiān)督模式識別方法用于有桿抽油泵系統(tǒng)進行工況分類存在的缺陷以及支持向量機在大規(guī)模訓練樣本或訓練樣本嚴重不平衡時的多分類問題求解中能效不足，提出了基于改進分類策略的

6、超球支持向量機多分類算法。提出了賦予三種工作集選擇方式的貫序最小優(yōu)化算法用于支持網格搜索以便進行參數(shù)尋優(yōu)和根據(jù)訓練樣本規(guī)模適時引入核緩存技術和上三角矩陣策略。開發(fā)了基于Java語言、功能完備的超球支持向量機軟件包HSSVM-1.17，編寫了使用指南。利用該軟件包對抽油泵工況進行了多分類仿真試驗，并與BP神經網絡、支持向量機方法加以比較，仿真試驗結果表明改進后的超球支持向量機算法理論嚴謹、參數(shù)尋優(yōu)迅速、分類正確率高，適用于采油工程領域中大