神经网络法识别抽油机井示功图的研究及应用.pdfVIP

维普资讯 eetroleumEngineeringTechnology 石『油工程技术 】 神经网络法识别抽油机井示功图的 研究及应用 口 高永亮’ 檀朝东 赵海涛。 (1．中国石油长庆油田采油六厂，陕西定边， 5．北京雅丹石油技术 摘 要：示功图是判断油井生产状况的重要依据。神 主要思路是，如果求出误差E对各个神经之输出的偏导 经网络能够反映任意非线性的映射关系，从而可以应用于 数，就可以算出误差E对所有连接权值的偏导数，从而可 图形识别。本文主要依据BP神经网络判定示功图类型的 以利用梯度下降法(梯度下降法的迭代方向是由迭代点的 实现过程，阐述了BP神经网络的基本原理，建立了模式 负梯度构成的．由于负梯度方 向是函数值下降的最快的方 识别系统，并给出了部分应用实例。 向，故此法也称最速下降法)来修改各个连接权值。BP网 关键词 ：示功图 神经网络 故障诊断 络的训练学习是一种监督的学习，要求每一个输入模式矢 量与表示所期望的输出模式矢量必须配对。一般来说，网 1引言 络输出值 {D肚}与期望的输出值 { }是不相等的。对于每 抽油机井故障诊断技术一直是国内外采油工程技术人 一 个输入的模式样本，其均方误差为E 为 员的一个重要研究课题，经过几十年研究实践，抽油机井 E， = 去∑(f一o) (1) 故障的分析与诊断技术有了相当大的发展。其中，地面示 功图分析法是抽油系统故障诊断的一种有效方法 “】。 而对所有的学习样本，网络的均方误差E为 示功图是抽油机悬点位移、载荷随时间变化构成的曲 线，是分析抽油机生产状况的重要资料。迄今为止，示功 E古E专 一D。 (2) 图的类型识别主要依靠经验，还没有成熟完善的体系作为 这里p为输入模式样本总数。 指导[3]。由于人工神经网络 (ArtificialNeuralNetwork) ●出矢t 能够反映任意非线性的映射关系 ，可应用于图形识别 ，而 且具有 自组织、自学习及容错特性，在汉字识别方面已取 得 了显著成效。因此 ，神经网络的应用有望促进示功图识 别技术的发展。 2人工神经网络的基本原理 人疆 目前应用最为广泛的一种神经网络一前馈式多层神经 ■A舞纛 网络模型和误差反向传播BP网络算法，它的基本结构如 图1 神经网络系统示意图 图1所示。误差反向传播网络模型的核心是误差反向传播 (简称BP学习算法)，有时也称BP模型。BP学习算法的 对于图l所示的网络，其训练学习的过程由两部分组 51 “c 。 维普资讯