基于优化RBF网络的抽油机故障诊断方法研究

详细信息    查看全文 | 推荐本文 |

英文篇名：Research on Fault Diagnosis Method of Pumping Unit Based on Optimized RBF Network 作者：徐通 ; 何鹏飞 ; 刘娜娜 ; 王睿杰 英文作者：Xu Tong;He Pengfei;Liu Nana;Wang Ruijie;Xi'an Shiyou University, Mechanical Engineering Research Institute; 关键词：RBF神经网络 ; K-Means++算法 ; PSO算法 ; 抽油机故障诊断 英文关键词：RBF neural network;;K-Means++ algorithm;;PSO algorithm;;pumping unit fault diagnosis 中文刊名：GDHG 英文刊名：Guangdong Chemical Industry 机构：西安石油大学机械工程学院; 出版日期：2019-05-15 出版单位：广东化工 年：2019 期：v.46;No.395 语种：中文; 页：GDHG201909005 页数：3 CN：09 ISSN：44-1238/TQ 分类号：11-13

摘要

本文介绍了RBF神经网络结构和原理,针对RBF神经网络在抽油机故障诊断中核函数参数的局限性,使用K-Means算法优化RBF网络中心参数,使用动态参数的PSO算法优化RNF网络权值和宽度参数,建立PSO-RBF神经网络。最后将PSO-RBF神经网络与RBF神经网络应用于抽油机故障诊断,证明了优化后的PSO-RBF神经网络在计算速度和诊断准确率上更加优秀。
        This paper introduces the structure and principle of RBF neural network. In order to limit the kernel function parameters of RBF neural network in pumping unit fault diagnosis, K-Means algorithm is used to optimize RBF network center parameters, and dynamic parameter PSO algorithm is used to optimize RNF network. The weight and width parameters are used to establish the PSO-RBF neural network. Finally, the PSO-RBF neural network and RBF neural network are applied to the pumping unit fault diagnosis, which proves that the optimized PSO-RBF neural network is superior in calculation speed and diagnostic accuracy.

引文

[1]田锋,王权.数字油田研究与建设的现状和发展趋势[J].油气田地面工程,2004(11):52-53.
    [2]王权,杨斌,张万里.数字油田及其基本架构[J].油气田地面工程,2004(12):47-48.
    [3]李沛豪,李东,刘崇奇.基于改进粒子群优化算法的钢框架抗震优化设计[J].浙江工业大学学报,2018,46(06):666-671.
    [4]钱伟懿,王艳杰.带自适应压缩因子粒子群优化算法[J].辽宁工程技术大学学报(自然科学版),2010,29(05):949-952.
    [5]彭勇,余国安.泵功图的一类新的统计特征[J].西安石油大学学报(自然科学版),1991(04):11-15.