文章快速检索  
  高级检索
基于思维进化算法和BP神经网络的电动潜油柱塞泵故障诊断方法
于德亮1,2, 李妍美1, 丁宝3, 任玉龙1, 齐维贵3     
1. 哈尔滨理工大学电气与电子工程学院, 黑龙江 哈尔滨 150001;
2. 大庆油田人才开发院, 黑龙江 大庆 163000;
3. 哈尔滨工业大学, 黑龙江 哈尔滨 150001
摘要: 针对电动潜油柱塞泵在生产过程中具有故障率高、检泵周期短的问题,提出了一种基于思维进化算法(MEA)和反向传播(BP)神经网络的电动潜油柱塞泵故障诊断方法,可有效地诊断出电动潜油柱塞泵发生的故障,从而延长检泵周期.通过搭建实验平台解决了电动潜油柱塞泵在实际生产过程中获取的历史故障数据少、故障数据类型不全面的问题.首先,在实验平台上模拟电动潜油柱塞泵的不同故障状态,利用井下多参数采集模块和井口仪表测量其运行参数.然后,从相关运行参数中提取出故障特征参数,构造故障特征向量及样本集;利用样本集训练和验证MEA-BP故障诊断模型.最后,使用从实际生产中的电动潜油柱塞泵获取的故障数据集进一步验证该故障诊断模型的有效性.实验结果表明:该故障诊断方法能够实现对电动潜油柱塞泵的故障诊断,避免其故障事故的发生,有效延长检泵周期.
关键词: 电动潜油柱塞泵     检泵周期     模拟     神经网络    
Failure Diagnosis Method for Electric Submersible Plunger Pump Based on Mind Evolutionary Algorithm and Back Propagation Neural Network
YU Deliang1,2, LI Yanmei1, DING Bao3, REN Yulong1, QI Weigui3     
1. Institute of Electrical and Electronic Engineering, Harbin University of Science and Technology, Harbin 150001, China;
2. Daqing Oilfield Personnel Development Institute, Daqing 163000, China;
3. Harbin Institute of Technology, Harbin 150001, China
Abstract: We propose a failure diagnosis method for an electric submersible plunger pump on the basis of the mind evolutionary algorithm (MEA) and the back propagation (BP) neural network to solve the problem of high failure rate and short pump inspection period of the electric submersible plunger pump. This method can effectively diagnose failure accidents to prolong the pump inspection cycle. To solve the problem of minimal historical fault data and fault data that do not consider the electric submersible plunger pump in the actual production process, an experimental platform that can simulate the working condition of the electric submersible plunger pump is established. First, we simulate different failure states of the electric submersible plunger pump on the experimental platform, and the operating parameters are measured by using a multi-parameter acquisition module fixed at the bottom of the pump and wellhead instruments. Then, the most representative parameters are extracted from those relative operating parameters to structure the failure feature vectors and sample set. We use the sample set to train and validate the failure diagnosis model. Finally, the effectiveness of the fault diagnosis method is verified by the fault data set of the electric submersible plunger pump obtained from the actual production process. Experimental results show that this failure diagnosis method can diagnose the failure states of electric submersible plunger pump accurately and avoid failure accidents. Thus, this method can prolong the pump inspection cycle of the electric submersible plunger pump effectively.
Key words: electric submersible plunger pump     inspection cycle     simulation     neural network    

1 引言

我国低渗透油藏储量约占全国总储量的2/3以上,开发潜力巨大.而低渗透油田往往具有低丰度、低压的特点,造成油井的自然产量较低.所以,通过技术创新提高该类油田的单井产量是重中之重.针对大庆油田属于低渗透油田这一现状,为了提高其油井的开采效益,人们提出了一种新型节能举升工艺——电动潜油柱塞泵.电动潜油柱塞泵省去了常规游梁式抽油机具有的大型抽油机装置,避免了其平衡效果差、扭矩脉动大、载荷率低和能耗大等缺点[1]. 2015年,大庆油田首个电动潜油柱塞泵高效举升示范区建成.应用电动潜油柱塞泵之后,油井的维修费用大大减少,节能效果显著.因此,电动潜油柱塞泵具有良好的应用前景,是未来油田举升工艺的发展方向[2].为了提高油井产量,需要延长电动潜油柱塞泵的检泵周期,对电动潜油柱塞泵在生产过程中可能出现的故障事故进行诊断.

反向传播(BP)神经网络是人工神经网络具有代表性的一种,被广泛应用于生物医学、气象预报、工程技术等多个领域[3-5].宋涛等[6]提出了一种利用蚁群算法优化BP神经网络对发射系统中的柱塞泵进行故障诊断的方法.张捍东等[7]将粒子群算法与BP算法结合,探究了对液压系统柱塞泵的故障诊断效果.焦晓璇等[8]采用BP_AdaBoost算法实现了机载燃油泵的故障诊断.此外,人们也常利用遗传算法[9-11]或者其它的算法[12-15]对BP神经网络进行改进,用于各个领域的故障诊断中[16-17].随着电动潜油柱塞泵举升工艺的出现,人们开始将BP神经网络应用到电动潜油柱塞泵的故障诊断研究中.针对电动潜油柱塞泵投产规模小、应用时间短,导致历史故障数据少的现状,设计了电动潜油柱塞泵模拟实验平台,通过模拟其故障状态,获取更多的故障数据;然后从电动潜油柱塞泵的运行参数中,提取故障特征参数,构建样本集;最后将样本集分为训练样本集和测试样本集,利用训练样本集对MEA-BP神经网络模型进行训练,并用测试样本集和实际生产中获取的故障数据集验证该故障诊断模型.

2 电动潜油柱塞泵常见故障类型

以大庆油田应用的电动潜油柱塞泵作为研究对象[18],该举升工艺主要包括潜油直线电动机、往复泵、油管柱、动力电缆和地面控制柜(见图 1).电动潜油柱塞泵将潜油直线电机与柱塞式抽油泵结合为一体,潜油直线电机的动子经由推杆与抽油泵的柱塞相接.电机的动子通过驱动推杆上下运动,从而带动抽油泵的柱塞在泵筒内往复运动,实现石油的举升.

图 1 电动潜油柱塞泵结构图 Figure 1 The structure of the electric submersible plunger pump

由于油井井底运行环境复杂,温度较高,压力较大,原油密度、粘度指标较高,而且含沙、含气情况较多,所以影响电动潜油柱塞泵的工作状态的因素是多方面的、复杂的.统计电动潜油柱塞泵在大庆油田投产过程中出现的故障类型[19-20],并对其影响和事故危害进行分析,挑选出油管结蜡、供液不足、气体影响、泵堵塞、凡尔漏失、泵抽空、电机过热及电机振动等8种典型故障工况.当电动潜油柱塞泵出现故障时,会引起其实际电流和机组载荷发生突变及油井井口的出油量发生变化,甚至会造成潜油直线电机机身温度升高、振动加剧,严重时损坏电机.为了能够及时发现电动潜油柱塞泵的故障状态,需要对其油井的相关实际参数进行分析,提取出故障特征参数[21-22].然而,实际生产过程中的油井的一些工作参数通常是在现场测得的.这种方式采集的历史故障数据少,工作量大,仪器设备复杂,不能够获取全面的、合理的故障数据.因此本文在实验平台上模拟电动潜油柱塞泵的各种故障状态,利用井下数据多参数采集模块实时获取其在井下的运行故障数据,另外结合油井井口的相关参数,分析其故障特征参数.

3 基于MEA-BP神经网络的电动潜油柱塞泵故障诊断方法

本文提出的MEA-BP神经网络的故障诊断方法主要包含4个部分(如图 2所示):

图 2 基于MEA-BP神经网络的故障诊断方法 Figure 2 The failure diagnosis method based on the MEA-BP neural network

(1) 故障数据的获取;

(2) 故障特征参数提取;

(3) 利用训练样本集训练MEA-BP神经网络故障诊断模型;

(4) 用测试样本集验证MEA-BP神经网络故障诊断模型的故障诊断效果.

3.1 故障数据的获取

当电动潜油柱塞泵在实际生产中发生故障时,其相关工作参数包含了丰富的故障信息,但是实际生产中,工作人员并没有及时地将油井的这些工作参数记录下来,导致无法获得大量的历史故障数据信息.因此,需要搭建一个电动潜油柱塞泵采油系统实验平台,模拟电动潜油柱塞泵在实际生产过程中的工作状态,从而获取相关故障数据.

电动潜油柱塞泵采油系统实验平台实物图及结构简图分别见图 3图 4所示.该平台由室内油井模拟循环系统、流量控制装置,电动潜油柱塞泵,井下数据采集模块,油压表和温度表及其控制装置构成.

图 3 实验平台实物 Figure 3 The experiment platform
图 4 实验平台结构图 Figure 4 The principle diagram of the experiment platform

井下数据采集模块直接安装在电动潜油柱塞泵的底部,包含有压力、温度、电流及振动等传感器,能够对电动潜油柱塞泵在油井底部工作时的泵入/出口压力、环境温度、电机温度、电流及电机X/Z轴振动等参数进行测量;通过在油井的井口处安装油压、套压及温度表,可以记录相应的出油量状态.

实验时,先将储油箱注满原油,然后通过油井模拟槽与储油箱之间的阀门控制原油的流量,模拟实际生产油井的状态.启动电动潜油柱塞泵连续工作,直至稳定运行状态.然后在正常电动潜油柱塞泵的基础上,更换不同的故障元件,获取油管结蜡、供液不足、气体影响、泵堵塞、凡尔漏失、泵抽空、电机过热及电机振动等8种典型故障工作状态下的故障数据.

3.2 提取故障特征参数

当电动潜油柱塞泵发生故障状态时,泵入/出口压力、环境温度、电机绕组温度、电流及电机X/Z轴振动等参数均会发生不同程度的变化,如在发生气体影响时直线电机的工作电流会略低于正常值,而发生结蜡时其电流值略高于正常值,如图 5图 6所示.因此可以从这些参数中提取故障特征参数表征电动潜油柱塞泵的故障状态.

图 5 气体影响时直线电机电流运行曲线 Figure 5 Current curves of the linear motor when the gases affect
图 6 结蜡时直线电机电流运行曲线 Figure 6 Current curves of linear motor with wax deposition

现对电动潜油柱塞泵的相关工作参数进行处理:

(1)
(2)

式中,m为上冲程样本点数,iu(k)为上冲程第k个采样点电流值,IUM为上冲程电流均值,IUV为上冲程电流方差.

(3)
(4)

式中,n为下冲程样本点数,id(k)为下冲程第k个采样点电流值,IDM为下冲程电流均值,IDV为下冲程电流方差.

(5)

式中,h为周期样本点数,pi(k)为第k个采样点泵入口压力值,PIM为泵入口压力均值.

(6)

式中,po(k)为第k个采样点泵出口压力值,POM为泵出口压力均值.

(7)

式中,Te(k)为第k个采样点井下环境温度值,TEM为井下环境温度均值.

(8)

式中,Tm(k)为第k个采样点电机绕组温度值,TMM为电机绕组温度均值.

(9)

式中,Vx(k)为第k个采样点电机X轴向振动幅值,VXM为直线电机X轴向振动均值.

(10)

式中,Vz(k)为第k个采样点电机Z轴向振动幅值,VZM

直线电机Z轴向振动均值.

(11)

式中,qo(k)为第k个采样点井口油压值,QOM为井口油压均值.

(12)

式中,qc(k)为第k个采样点井口套压值,QCM为井口套压均值.

(13)

式中,Tow(k)为第k个采样点井口温度值,TOWM为井口温度均值.

综合所述,结合以上各工作参数的均值或者方差即可构造故障特征向量:

(14)
3.3 MEA-BP神经网络分类器 3.3.1 MEA-BP模型

MEA算法在遗传算法的一些基本概念的基础上,引入了群体、子群体、公告板、趋同、异化等新概念,解决了一些传统算法易陷入局部最优、收敛速度慢的问题.利用MEA优化BP神经网络权值阈值主要包含以下几个部分:

(1) 获取大量具有代表性的训练样本,使模型具有良好的泛化性能.

(2) 在解的存在空间内,随机生成若干数量的个体,即创建初始种群,选取训练集的均方误差的倒数作为适应度函数,即各个个体与种群的得分函数;然后搜索得分最高的若干优胜个体和临时个体,并分别以这些优胜个体和临时个体为中心,在每个个体的周围产生一些新的个体,从而得到若干优胜子群体和临时子群体.

(3) 在各个子群体内部执行趋同操作,直至该子群体成熟,并以该子群体中最优个体(即中心)的得分作为该子群体的得分;子群体成熟后,对各个子群体之间执行异化操作,完成优胜子群体与临时子群体间的替换、废弃、子群体中个体释放的过程,从而计算全局最优个体及其得分;由于失去竞争能力的子群体被淘汰,需要在解空间内重新产生相等数量的新的子群体,并重新投入到全局的竞争中,以保证临时子群体的个数保持不变.

(4) 对上述步骤重复进行,当满足迭代停止条件时,MEA优化过程结束.解析最优个体,得出BP神经网络的权值阈值.

(5) 将优化得到的权值阈值作为BP的初始权值阈值,利用训练样本对BP神经网络进行训练,并用测试样本进行验证.

3.3.2 MEA-BP分类性能分析

采用本文3.3.1节中构建的MEA-BP分类模型对Wine、House-votes、Banknote、Segmentation这4个数据集进行分类,网络参数通过MEA寻优算法获取,学习速率设为0.1. 表 1给出了MEA-BP模型对不同数据集的分类准确率情况.从结果可以看出,MEA-BP网络模型对不同数据集均具有较高的分类准确率,表明该模型适用于多分类问题.

表 1 各个数据集的平均诊断准确率和训练时间 Table 1 The testing accuracy and the training time of different datasets
数据集 样本数 特征维数 类别数 训练样本数 测试样本数 准确率/(%) 训练时间/s
Wine 178 13 3 157 21 90.5 3.91
House-votes 435 16 2 405 30 99 4.81
Banknote 1 372 5 2 1 272 100 99 5.37
Segmentation 2 310 19 7 2 100 200 93.5 5.14
3.4 基于MEA-BP的电动潜油柱塞泵故障诊断模型

根据故障特征向量的维数确定BP神经网络的输入层节点数为13,又因待辨识的故障种类有8种,故输出层节点数设为8,隐含层节点数则是通过参考经验公式n=+a(其中n为隐含层节点数,ni为输入层节点数,no为输出层节点数,a为[1, 10]之间的常数),因此隐含层节点数确定为15.根据BP神经网络的结构13-15-8,可知编码长度为S=13×15+15×8+15+8.选取种群、优胜子种群、临时子种群个数及迭代次数,并选取每次迭代的输出值与期望值的均方差倒数作为适应度函数.不断迭代直至满足停止条件,输出最优个体,并将其作为BP神经网络的权值阈值,利用训练样本训练网络,之后用测试样本验证其诊断效果,网络输出结果为8维向量,如当诊断结果为故障状态3时,相应的输出结果为(0 0 1 0 0 0 0 0).具体的流程如图 7所示.

图 7 MEA优化BP神经网络流程图 Figure 7 The flow chart of the BP neural network optimized by MEA
4 实验分析

在实验平台上分别模拟上述8种故障状态,记录每种故障状态下的100组运行数据,因此一共记录了800组故障数据,对故障数据进行预处理,构造故障特征向量.随机选取每种故障数据中的70%即560组作为训练样本,其余的30%即240组作为测试样本,并从以往项目中获取的电动潜油柱塞泵在生产过程中的实际故障数据内随机选取60组对故障诊断模型的有效性进行验证.

首先,初始化故障诊断模型的相关参数值,利用训练样本对网络模型反复训练,然后用测试样本对训练后的诊断模型进行验证;如果不能达到很好的诊断效果,则继续调整其种群、优胜子种群、临时子种群个数,迭代次数、学习速率等参数的数值,直至故障诊断模型的诊断效果最佳. MEA-BP故障诊断模型经过反复的训练与验证之后,当种群规模为200,优胜子种群和临时子种群的个数为5,迭代次数为100,学习速率为0.1时,模型的诊断效果较好.当网络模型取上述参数数值时,训练过程中优胜子种群和临时子种群的趋同过程如图 8所示.从图中可以看出,经过若干趋同操作,子种群的得分不再增加,种群达到成熟,最后经过异化操作,得到最优的权值阈值.

图 8 子种群趋同过程 Figure 8 The convergent process of the sub-population

将利用MEA算法得到的权值阈值作为BP神经网络的初始权值阈值,为了进一步验证MEA-BP模型的性能,利用训练样本对参数优化后的BP神经网络和参数未经优化的BP神经网络及GA-BP模型分别进行训练,并用测试样本和实际故障数据对其诊断能力进行验证,结果如图 9图 10表 2所示.

图 9 MEA-BP误差曲线 Figure 9 Error curves of the MEA-BP
图 10 BP误差曲线 Figure 10 Error curves of the BP
表 2 3种算法的诊断结果比较 Table 2 Comparison of the fault detection results among three algorithms
预测模型 训练样本准确率 测试样本准确率 实际数据准确率 训练时间/s
BP 100% 95.4% 90% 4.056 2
GA-BP 100% 98.3% 93.3% 43.822 1
MEA-BP 100% 100% 96.7% 5.341 6

结果表明,在充足的训练样本训练下,虽然BP神经网络的训练样本准确率能够达到100%,但其测试样本准确率却只有95.4%且实际故障数据准确率低至90%;GA-BP神经网络的训练准确率和测试准确率均能达到100%,但实际故障数据的准确率只有93.3%;而MEA-BP神经网络的训练样本准确率和测试样本准确率均达到了100%,实际故障数据的诊断准确率也达到了96.7%.因此MEA-BP模型的泛化能力好,对实际生产中的电动潜油柱塞泵的故障诊断准确率高,更能够满足其故障诊断准确率的要求.

可以看出,虽然GA-BP模型的诊断准确率基本也能达到要求,但遗传算法与思维进化算法相比,思维进化算法则效率更高,训练速度更快,其优势具体体现在以下几个方面:

(1) 将群体划分为优胜子群体和临时子群体,在此基础上定义的趋同和异化操作分别进行探测和开发,这两种功能相互协调且保持一定的独立性,便于分别提高效率,任一方面的改进都对提高算法的整体效率有利.

(2) MEA可以记忆不止一代的进化信息,这些信息可以指导趋同和异化向着有利的方向进行.

(3) 结构上固有的并行性.

(4) 遗传算法中的交叉与变异算子均具有双重性,即可能产生好的基因,也可能破坏原有的基因,而MEA中的趋同和异化操作可以避免这个问题.

本文中MEA-BP神经网络故障诊断模型经过训练之后,泛化能力强,能够满足故障诊断准确率的要求,因此不需要再次训练,可直接用于电动潜油柱塞泵的故障诊断,对可能发生的故障状态及时处理,延长检泵周期.

5 结论

针对电动潜油柱塞泵现有历史故障数据量少,故障数据类型不全面的问题,本文通过搭建实验平台,模拟其油管结蜡、供液不足、气体影响、泵堵塞、凡尔漏失、泵抽空、电机过热及电机振动等8种典型故障状态.利用井下多参数数据采集模块及相关仪表记录各种故障状态下的运行参数,获取了充足的故障数据.利用这些故障数据构建训练样本集和测试样本集,并对MEA-BP神经网络模型进行训练与测试.实验结果表明该故障诊断模型能够有效诊断电动潜油柱塞泵的故障状态,达到实际生产中的要求.经过具体的实验分析和验证,得到结论:

(1) 本文中搭建的模拟实验平台,利用井下多参数采集模块实现了对电动潜油柱塞泵的泵入/出口压力、环境温度、电机绕组温度、电流及电机X/Z轴振动等参数的实时测量,并通过油表对油井井口的油压、套压及温度等参数进行了记录,实现了对电动潜油柱塞泵各种故障状态下运行参数的有效测量,为训练样本集和测试样本集的构建提供了条件.

(2) 为了提高电动潜油柱塞泵故障诊断的准确率,对8种故障状态下采集的运行参数进行分析,从中提取出有效故障特征参数,构建训练样本集.

(3) 利用思维进化思想,对BP神经网络的权值阈值进行优化,大大地提高了网络的泛化能力,能够有效提高其故障诊断的准确率.

本文所提出的MEA-BP故障诊断方法的诊断效果仅仅是针对电动潜油柱塞泵处于上述8种典型故障状态下的诊断效果,由于所研究的故障状态尚不全面,因此需要对电动潜油柱塞泵其它可能出现的故障状态的诊断效果进行进一步的研究.

参考文献
[1] 王博, 赵海森, 李和明, 等. 用于模拟游梁式抽油机电动机动态负荷的测试系统设计及应用[J]. 中国电机工程学报, 2014, 34(21): 88–95.
Wang B, Zhao H S, Li H M, et al. Design and applications of the testing system with dynamic load for beam pumping motor condition[J]. Proceedings of the CSEE, 2014, 34(21): 88–95.
[2] 刘合, 郝忠献, 王连刚, 等. 人工举升技术现状与发展趋势[J]. 石油学报, 2015, 36(11): 1441–1448.
Liu H, Hao Z X, Wang L G, et al. Current technical status and development trend of artificial lift[J]. Acta Petrolei Sinica, 2015, 36(11): 1441–1448. DOI:10.7623/syxb201511014
[3] Li J Q, Yu L. Using BP nerual networks for the simulation of energy consumption[C]//IEEE International Conference on Systems, Man and Cybernetics. Piscataway, NJ, USA:IEEE, 2014:3542-3547. http://ieeexplore.ieee.org/document/6974479/
[4] Jiang H Y, Dong M, Yang F. Application of BP nerual network into prediction of nitrobenzene compound in toxicity[C]//2nd International Conference on Genetic and Evolutionary Computing, WGEC 2008. Piscataway, NJ, USA:IEEE, 2008:170-173. http://ieeexplore.ieee.org/document/4664683/
[5] Dan Z, Xu C. The recognition of handwritten digits based on BP neural network and the implementation on Android[C]//3rd International Conference on Intelligent System Design and Engineering Applications. Piscataway, NJ, USA:IEEE, 2013:1498-1501. http://ieeexplore.ieee.org/document/6455316/
[6] 宋涛, 舒涛, 雷荣强, 等. 基于蚁群神经网络的发射系统故障诊断[J]. 火力与指挥控制, 2015, 40(9): 143–146.
Song T, Shu T, Lei R Q, et al. Research on fault diagnosis for launch system based on ant colony neural network[J]. Fire Control & Command Control, 2015, 40(9): 143–146.
[7] 张捍东, 陶刘送. 粒子群优化BP算法在液压系统故障诊断中应用[J]. 系统仿真学报, 2016, 28(5): 1186–1190.
Zhang H D, Tao L S. Application of PSO-BP algorithm in hydraulic system fault diagnosis[J]. Journal of System Simulation, 2016, 28(5): 1186–1190.
[8] 焦晓璇, 景博, 黄以锋, 等. 基于小波包BP_AdaBoost算法的机载燃油泵故障诊断研究[J]. 仪器仪表学报, 2016, 37(9): 1978–1988.
Jiao X X, Jing B, Huang Y F, et al. Research on fault diagnosis for airborne fuel pump based on wavelet package and BP_AdaBoost algorithm[J]. Chinese Journal of Scientific Instrument, 2016, 37(9): 1978–1988.
[9] 刘浩然, 赵翠香, 李轩, 等. 一种基于改进遗传算法的神经网络优化算法研究[J]. 仪器仪表学报, 2016, 37(7): 1573–1580.
Liu H R, Zhao C X, Li X, et al. Study on a neural network optimization algorithm based on improved genetic algorithm[J]. Chinese Journal of Scientific Instrument, 2016, 37(7): 1573–1580.
[10] 周建平, 许燕, 操窘, 等. 基于BP神经网络和遗传算法的大功率脉冲电源优化设计[J]. 焊接学报, 2016, 37(4): 9–14.
Zhou J P, Xu Y, Cao J, et al. High power supply optimization design based on BP neural network and genetic algorithm[J]. Transactions of the China Welding Institution, 2016, 37(4): 9–14.
[11] 苗振华, 孙旭东, 邵诚. 一种并行变异自适应遗传算法及其性能分析[J]. 信息与控制, 2016, 45(2): 142–150.
Miao Z H, Sun X D, Shao C. An adaptive genetic algorithm with parallel mutation and its performance evaluation[J]. Information & Control, 2016, 45(2): 142–150.
[12] 肖红, 李盼池. 改进的量子行为粒子群优化算法及其应用[J]. 信息与控制, 2016, 45(2): 157–164.
Xiao H, Li P C. Improved quantum-behaved particle swarm optimization algorithm and its application[J]. Information & Control, 2016, 45(2): 157–164.
[13] Yang Mao, Ma Jian. Data completing of missing wind power data based on adaptive BP neural network[C]//2016 International Conference on Probabilistic Methods Applied to Power Systems. Piscataway, NJ, USA:IEEE, 2016:1-6. http://ieeexplore.ieee.org/document/7764057/
[14] Zheng J, Ma Q, Zhou W. Performance comparison of full-batch BP and mini-batch BP algorithm on Spark framework[C]//8th International Conference on Wireless Communications and Signal Processing. Piscataway, NJ, USA:IEEE, 2016:1-5. http://ieeexplore.ieee.org/document/7752505/
[15] Zhang B, Xu R, Yin X, et al. Research on fault diagnosis for rail vehicle compartment of LED lighting system of analog circuit based on WP-EE and BP neural network[C]//28th Chinese Control and Decision Conference. Piscataway, NJ, USA:IEEE, 2016:2989-2993. http://ieeexplore.ieee.org/document/7531494/
[16] 黄俊, 冯勇建. 基于思维进化神经网络的真空绝热板真空度测量精度改进方法研究[J]. 真空科学与技术学报, 2015, 35(5): 528–532.
Huang J, Feng Y J. Improved pressure measurement precision for vacuum insulation panel with mind evolutionary algorithm[J]. Chinese Journal of Vacuum Science and Technology, 2015, 35(5): 528–532.
[17] 赵瑞勇, 周新志. 基于MEA-BP的微波加热褐煤温度预测[J]. 传感器与微系统, 2016, 35(10): 43–48.
Zhao R Y, Zhou X Z. Research on temperature prediction of microwave heating lignite based on BP neural network optimized by mind evolutionary algorithm[J]. Transducer and Microsystem Technologies, 2016, 35(10): 43–48.
[18] 丛立华. 外围低产油田高效举升节能示范区建设及效果评价[J]. 石油石化节能, 2016, 21(8): 57–59.
Cong L H. Construction and effect evaluation on high efficient lifting energy-saving demonstration zone of peripheral low-yield oilfield[J]. Energy Conservation in Petroleum & Petrochemical Industry, 2016, 21(8): 57–59.
[19] 于德亮, 邓盛川, 张永明, 等. 基于支持向量机的潜油往复式油田抽油机工况诊断方法[J]. 电工技术学报, 2013, 28(4): 248–254.
Yu D L, Deng S C, Zhang Y M, et al. Working condition diagnosis method based on SVM of submersible plunger pump[J]. Transactions of China Electrotechnical Society, 2013, 28(4): 248–254.
[20] 任伟建, 陶琳. 基于粒子群算法的抽油机故障诊断研究[J]. 系统仿真学报, 2012, 24(2): 482–492.
Ren J W, Tao L. Research on pump-jack fault diagnosis method based on particle swarm optimization[J]. Journal of System Simulation, 2012, 24(2): 482–492.
[21] 吕俊燕, 朱春梅, 赵川. 基于小波系数的流形降维抽油机故障特征提取[J]. 北京信息科技大学学报:自然科学版, 2015, 30(5): 24–29.
Lv J Y, Zhu C M, Zhao C. Fault feature extraction based on wavelet coefficients for manifold dimension reduction of pumping unit[J]. Journal of Beijing Information Science & Technology University, 2015, 30(5): 24–29.
[22] Wang Z Y, Chen J, Dong G M, et al. Constrained independent component analysis and its application to machine fault diagnosis[J]. Mechanical Systems and Signal Processing, 2011, 25(7): 2501–2512. DOI:10.1016/j.ymssp.2011.03.006
http://dx.doi.org/10.13976/j.cnki.xk.2017.0698
中国科学院主管,中国科学院沈阳自动化研究所、中国自动化学会共同主办。
0

文章信息

于德亮, 李妍美, 丁宝, 任玉龙, 齐维贵
YU Deliang, LI Yanmei, DING Bao, REN Yulong, QI Weigui
基于思维进化算法和BP神经网络的电动潜油柱塞泵故障诊断方法
Failure Diagnosis Method for Electric Submersible Plunger Pump Based on Mind Evolutionary Algorithm and Back Propagation Neural Network
信息与控制, 2017, 46(6): 698-705.
Information and Control, 2017, 46(6): 698-705.
http://dx.doi.org/10.13976/j.cnki.xk.2017.0698

文章历史

收稿/录用/修回: 2016-12-29/2017-04-19/2017-05-15

工作空间