基于优化理论的神经网络研究及在抽油机故障诊断中的应用
|
摘要
抽油机故障诊断的关键是实现从故障征兆空间到故障空间的映射,从而实现对故障的识别和诊断,它是一个复杂的非线性问题。神经网络的自学习能力、非线性映射能力、对任意函数的逼近能力、并行计算能力和容错能力等为故障诊断提供了有力手段。但是由于实际生产设备工况复杂,故障类型种类繁多,致使在诊断时出现网络规模庞大、学习训练时间超长、易于陷入局部最小点等问题,降低了神经网络的实用性。神经网络与遗传算法、进化机制等结合,形成计算智能,将成为神经网络用于故障诊断的趋势。本文就是将神经网络与其它优化算法结合,改善神经网络性能,从而用于抽油机的故障诊断。主要研究内容如下：
1、设计一个适合故障诊断的双权连接可拓神经网络,该网络以抽油机的状态数据为输入层,以故障类型为输出层,输入输出采用双权连接,权值分别为故障的上限数据和下限数据。提出一种能够自适应改变交叉率和变异率的自适应遗传算法,以可拓距离为评价函数,利用遗传算法的全局搜索能力,对建立的可拓神经网络的权值进行优化,克服BP算法的训练神经网络收敛性差,容易陷入局部极值的缺点。
2、设计一种免疫遗传RBF神经网络。对免疫遗传算法进行改进,给出一种基于抗体矢量距离的亲和度计算方法,在抗体的促进和抑制环节增加基于密度的调节因子,保留优秀抗体,保证抗体的多样性,避免未成熟收敛现象。用改进的免疫遗传算法优化RBF神经网络的隐层中心,提高其逼近精度,克服传统算法需要预先指定隐含层节点数或者通过大量实验获得节点数、学习效率差的缺点。
3、设计一种基于粒子群优化的神经网路。根据传统粒子群算法在训练后期容易陷入局部极值的缺点,对基本粒子群算法的速度方程进行更新,在现有的速度更新机制上加入非常小的扰动项,并动态调整加速系数,使算法能够分别调整进化初期和后期的性能。采用粒子群优化算法对神经网络的权值和阈值进行优化。
4、提出一种新的故障诊断融合方式,并将以上神经网络组成功能相容并具有选择机制的软件包,利用抽油机无线巡检数据实现智能在线故障诊断,并对诊断结果进行分析比较。
The key of pump-jack fault diagnosis is realizing the mapping from fault symptom space to fault space.It is a complex nonlinear problem and it can realize the identification and diagnosis of the fault.Neural network offer the way for fault diagnosis,because it have the ability of self-learning,nonlinear mapping,arbitrary function approximation,parallel computing and fault-tolerant. But because of complex working condition and various fault type,so when diagnose, existing problems such as network vast,long learning time and falling into local extreme value and so on.Neural network combining with genetic algorithm,evolutionism and other algorithm will become the trend of the fault diagnosis.In this paper, neural network and optimization algorithm are combined to improve the properties of neural network,so then used for pump-jack fault diagnosis.The details are follows:
1、Design a double weights extension neural network for fault diagnosis.The inputs of the network are status data of the pump-jack and the outputs of the network are fault type. Inputs and outputs are connected by double weights,the weights are the upper and lower limit of the status data. Put forward adaptive ,it can change the crossover and mutation adaptively and it's evaluation function is extenics distance.Making use of the genetic algorithm's global search ability to optimize the neural network weights. Overcame the BP's disadvantage of premature convergence and falling into local extremum.
2、Design an immune genetic neural network. Improve the immune genetic algorithm and give a calculational methods of affinity degree based on antibody vector distance. An adjusting factor based on density is increased in the process of promoting and suppressing of antibody. Thus, the best individual can be preserved, the diversity can be ensured, and the phenomenon of premature convergence can be avoided. Optimize the hide centers of RBF network by using the improved genetic immune algorithm. The characteristic of low learning efficiency of RBF neural network can be overcome.The approximation accuracy can be also improved and the number of constructing the center of the hide layer of network is dispensable.
3、Design a particle-swarm-optimization-based neural network. The traditional PSO algorithm is easy to fall into local optimum situation in the later stage.In this paper the rate equation of the PSO is updated by introducing a minuscule disturbing term and a dynamic changing acceleration factor.The new PSO can adjust the PSO's performance in the earlier and later stage respectively.The new PSO algorithm is used to train the weights and thresholds of the BP network.
4、Give a new fusion diagnosis method. Make a software package,it synthesize the neural netwok in the paper. Using wireless patrol data realize the fault diagnosis of pump-jack,analyze and contrast the result.
1、设计一个适合故障诊断的双权连接可拓神经网络,该网络以抽油机的状态数据为输入层,以故障类型为输出层,输入输出采用双权连接,权值分别为故障的上限数据和下限数据。提出一种能够自适应改变交叉率和变异率的自适应遗传算法,以可拓距离为评价函数,利用遗传算法的全局搜索能力,对建立的可拓神经网络的权值进行优化,克服BP算法的训练神经网络收敛性差,容易陷入局部极值的缺点。
2、设计一种免疫遗传RBF神经网络。对免疫遗传算法进行改进,给出一种基于抗体矢量距离的亲和度计算方法,在抗体的促进和抑制环节增加基于密度的调节因子,保留优秀抗体,保证抗体的多样性,避免未成熟收敛现象。用改进的免疫遗传算法优化RBF神经网络的隐层中心,提高其逼近精度,克服传统算法需要预先指定隐含层节点数或者通过大量实验获得节点数、学习效率差的缺点。
3、设计一种基于粒子群优化的神经网路。根据传统粒子群算法在训练后期容易陷入局部极值的缺点,对基本粒子群算法的速度方程进行更新,在现有的速度更新机制上加入非常小的扰动项,并动态调整加速系数,使算法能够分别调整进化初期和后期的性能。采用粒子群优化算法对神经网络的权值和阈值进行优化。
4、提出一种新的故障诊断融合方式,并将以上神经网络组成功能相容并具有选择机制的软件包,利用抽油机无线巡检数据实现智能在线故障诊断,并对诊断结果进行分析比较。
The key of pump-jack fault diagnosis is realizing the mapping from fault symptom space to fault space.It is a complex nonlinear problem and it can realize the identification and diagnosis of the fault.Neural network offer the way for fault diagnosis,because it have the ability of self-learning,nonlinear mapping,arbitrary function approximation,parallel computing and fault-tolerant. But because of complex working condition and various fault type,so when diagnose, existing problems such as network vast,long learning time and falling into local extreme value and so on.Neural network combining with genetic algorithm,evolutionism and other algorithm will become the trend of the fault diagnosis.In this paper, neural network and optimization algorithm are combined to improve the properties of neural network,so then used for pump-jack fault diagnosis.The details are follows:
1、Design a double weights extension neural network for fault diagnosis.The inputs of the network are status data of the pump-jack and the outputs of the network are fault type. Inputs and outputs are connected by double weights,the weights are the upper and lower limit of the status data. Put forward adaptive ,it can change the crossover and mutation adaptively and it's evaluation function is extenics distance.Making use of the genetic algorithm's global search ability to optimize the neural network weights. Overcame the BP's disadvantage of premature convergence and falling into local extremum.
2、Design an immune genetic neural network. Improve the immune genetic algorithm and give a calculational methods of affinity degree based on antibody vector distance. An adjusting factor based on density is increased in the process of promoting and suppressing of antibody. Thus, the best individual can be preserved, the diversity can be ensured, and the phenomenon of premature convergence can be avoided. Optimize the hide centers of RBF network by using the improved genetic immune algorithm. The characteristic of low learning efficiency of RBF neural network can be overcome.The approximation accuracy can be also improved and the number of constructing the center of the hide layer of network is dispensable.
3、Design a particle-swarm-optimization-based neural network. The traditional PSO algorithm is easy to fall into local optimum situation in the later stage.In this paper the rate equation of the PSO is updated by introducing a minuscule disturbing term and a dynamic changing acceleration factor.The new PSO can adjust the PSO's performance in the earlier and later stage respectively.The new PSO algorithm is used to train the weights and thresholds of the BP network.
4、Give a new fusion diagnosis method. Make a software package,it synthesize the neural netwok in the paper. Using wireless patrol data realize the fault diagnosis of pump-jack,analyze and contrast the result.
引文
[1]陈鸿播.石油工业通论[M].北京：石油工业出版社,1995.116—118
[2]朱君.有杆抽油系统井下工况诊断方法研究[D].博士学位论文.大庆石油学院.2004,3
[3]Gibbs S G, Neely A B. Computer diagnosis of down-hole conditions in sucker rodpumping wells. SPE 1165,1966
[4]Rodney Morgan, Fount E.MeKee, Theory and application of well analysis. SPE 6468-1977
[5]王玉成,查建中,焦建新,赵振英.抽油机井集成化智能诊断系统的研究[J].石油学报,1994,4(15)：125-131
[6]钟秉林,颜廷虎.智能化故障诊断理论与方法的研究现状和展望[J].东南大学学报,1993,11：1-10
[7]李正勤,黎洪生.基于示功图面积变化的抽油机故障诊断模型[J].油气田地面工程.2008,27(9)：3-5
[8]吴飞鹏,陈德春,蒲春生,孟红霞.抽油机井示功图量化分析与应用[J].广西大学学报.2008,2：173-175
[9]S. G. Gibbs and K. B. Nolen. Well-site diagnosis of pumping problems using minicomputers. J. Pet. Tech. (Nov.1973),1319-1323
[10]D. R. Dotyz. schmidt. AnimProvedmodelforsuckerrodPumPing. U. of Tuls a. SpE10249
[11]余国安,邬亦炯,王国源.有杆泵抽油井的三维震动[J].石油学报1989,10(2)：76-83
[12]王金东.有杆抽油系统波动方程的精细逐步积分法[J].大连理工大学学报.2000,40(3)：276-279
[13]蔡东升.有杆抽油系统预测模型的隐式差分法[J].石油机械.2002,30(2)：40-43
[14]Derek H. J. Jennings J. W. Morgan S. M. Sucker rod pumping unit diagnostics suing and ES.17318
[15]Schirmer P. Toutain P. Use of advanced Pattern recognition and knowledge based in analyzing dynamometer cards. SEP 22305
[16]张嗣伟.有杆泵抽油诊断的专家系统[J].石油机械,1991,19(11)：33-40
[17]黄鹂,凌建军.有杆泵抽油井故障诊断智能系统进展[J],石油钻探技术,1995,23(2)：63-66
[18]高国华.根据地面示功图对有杆泵故障自动诊断的理论研究[J].西安石油学院学报[J].1990,12,5(4)
[19]王玉成,查建中,焦建新,赵振英.抽油机井集成化智能诊断系统的研究[J],石油学报,1994,4(15)：125-131
[20]钱华明.故障诊断与容错技术及其在组合导航系统中的应用研究[J].哈尔滨工程大学.2004
[21]黄孝彬.火电厂控制系统故障检测与诊断的研究[D].博士学位论文.华北电力大学.2004
[22]张剑湖,叶峰.人工神经网络的模型、特征及其发展方向[J].现代电子技术.2004,12：57-60
[23]McCulloch W S, Pitts W. A Logical Calculus of the ideas Immanent in Nervous Activity, Bulletin of Mathematical Biophysics,1943
[24]Hopfield, J. J, Neurons With Graded Response Have Collective Computational Properties Like Those of Two-State Neurons. Proceedings of the National A-cademy of Sciences, U. S. A.,1982;81:3088-3092
[25]张学峰,王镛根,故障诊断的神经网络观测器法[J].航空动力学报.1997.12(2)：149-151
[26]马皓,徐德鸿,卞敬明.基于神经网络的电力电子电路故障诊断[J].电力电子技术,1997,4：10—14
[27]张定会,邵惠鹤.基于神经网络的故障诊断推理方法[J].上海交通大学学报,1999,33(5)：619-621
[28]贺小辉,石嵘.基于BP神经网络的故障诊断技术研究[J],计算机与现代化：2009(7)：17-21
[29]Pati YC and KrishnaPrasad PS. Analysis and synthesisi of feedforword neural network using discrete affine vavelet[J]IEEE transom NN,1993,4(1):73-75
[30]ZhangQinghua, Benvenist A. Wavelet networks [J] IEEE transom NN,1992, 3(6):889-898
[31]胡寿松,周川等.基于小波神经网络的组合故障模式识别[J].自动化学报,2002,28(4)：540-543
[32]钱华明.遗传小波神经网络及在电机故障诊断中的应用[J],电子测量与仪器学报,2009,23(3)：81—86
[33]徐建泉,梁青阳.基于弹性小波神经网络的故障诊断研究[J],计测技术.2009,29(4)：5—7
[34]李永龙,邵忍平,薛腾.基于小波神经网络的齿轮系统故障诊断[J].航空动力学报,2010,25(1)：234-240
[35]胡博,陶文华,崔博,刘殊廷.改进的小波神经网络在异步电机故障诊断中的应用[J].工业仪表与自动化装置,2010(1)
[36]冯楠,李文海.小波神经网络在故障诊断中的应用[J].现代电子技术,2009,11：129—131
[37]Pawlak Z. Rough ets[J], International Journal of Computer and Information Sciences,1982,11(3):341-356
[38]王义飞.粗糙集-神经网络在机械故障诊断中的应用研究[D].博士学位论文.太原：太原理工大学,2008
[39]任永功,王杨,闫德勤.基于遗传算法的粗糙集属性约简算法[J].小型微型计算机系统,2006,27(5)：862-865
[40]李千目,张宏,刘凤玉.基于粗糙集神经网络的网络故障诊断新方法[J].计算机研究与发展.2004,41(10),1696-1702
[41]曹龙汉,曹长修.基于粗糙集理论的柴油机神经网络故障诊断研究[J].内燃机学报.2002,20(4),357-361
[42]李界家,房智超,孙璐璐.粗糙集-神经网络在铝电解故障诊断中的应用[J].沈阳建筑大学学报(自然科学版).2009,25(4).792-795
[43]刘玮,宋贵宝,陈小卫.基于粗糙集和神经网络的导弹故障诊断方法[J].海军航空工程学院学报.2009,24(2)214-220
[44]韩琳,薛静,张通.基于粗糙集神经网络的旋转机械故障诊断[J].计算机测量与控制.2010.18(1)：64-82.
[45]陈果.粗糙集-遗传算法-神经网络集成分类器及其在转子故障诊断中的应用研究[J].中国机械工程.2008,19(1)
[46]张燕军,张彦斌,刘仁伟,徐国志.基于粗糙集与神经网络相结合的模拟电路故障诊断[J].火力与指挥控制.2009,34：78—81
[47]潘峰,蔡维由.改进遗传算法和神经网络在汽轮发电机组故障诊断中的应用[J].华中电力.2004,2：1-4
[48]龚晓燕,孙晓辉.基于遗传算法的矿井局部通风故障诊断神经网络模型[J].煤矿安全.2008,5：35-38.
[49]邓宏贵,曹建,罗安.一种新的遗传算法及其在变压器故障诊断中的应用[J].中南大学学报.2005,36(3)：481-485.
[50]张扬,曲延滨.基于蚁群算法与神经网络的机械故障诊断方法[J].机床与液压.2007,35(7)：241-244
[51]刘占生,窦唯,王东华,王晓伟.基于遗传算法的旋转机械故障诊断方法融合[J].机械工程学报.2007,43(10)：227-233
[52]赵丽、申群太.基于改进粒子群算法的整流电路智能故障诊断[J].计算机测量与控制.2008,16(5)：607-626
[53]J. D. Rogers, G. G. Guffey, W. J. B. Oldham. Artificial Neural Networks for Identification of Beam Pump Dynamometer Load Cards. SPE20651.1990
[54]G. M. Nazi etal:Application of artificial neural network to pump card diagnosis. SPE25420
[55]E. R. Martinez. Rod pumping expert system. SPE 26246
[56]冯定,周迪勋.神经网络有杆泵诊断专家系统[J].石油机械,1996,24(1)：29-33
[57]王金东,蔡东升,张嘉钟,刘树林.基于神经网络的两层分采同步抽油系统井下故障诊断技术[J].中国机械工程,2002,13(15)：1302-1305
[58]姬广伟,基于神经网络的钢丝绳柔性抽油杆抽油机井故障诊断的研究[D],北京化工大学,2005,6
[59]任伟建.智能算法及其在油田故障诊断问题中的应用[D].博士学位论文.大庆石油学院,2006,7
[60]黄翔.抽油机井故障诊断智能集成系统的研究[J].石油天然气学报.2007,29(3)：156-158
[61]吴伟,基于人工神经网络和灰度矩阵的泵功图诊断[J].西安石油大学学报.2007.22(3)
[62]曹广华,宛立达,袁子龙.基于递归神经网络的游梁式抽油机振动故障诊断[J].长江大学学报,2010,7(1)：57-59
[63]蔡文.可拓集合和不相容问题[J].科学探索学报,1983(1)：83-97
[64]M.H.Wang and C.P.Hung. Extension Neural Network and Its applications[J]. Neural Networks,vol.16,no.5-6,779-784,2003
[65]齐振忠,刘建新,张卫华.基于可拓神经网络的变压器故障诊断[J].江西电力职业技术学院学报.2009,3
[66]赵晓娜.基于油中溶解气体的电抗器状态预测与故障诊断研究[D].硕士学位论文.华北电力大学.2009
[67]向长城,黄席樾,殷礼胜,杨祖元.基于遗传算法与可拓神经网络的故障诊断[J].计算机仿真.2008,25(4)：249—252
[68]蔡文.物元分析[M].广东高等教育出版社,1987
[69]陈广宇.可拓评价方法在技术创新项目评价中的应用研究[J].工业技术经济.2004,23(5)：65—71
[70]孙永庆,张峥,钟群鹏.基于物元和可拓集合理论的燃气管道风险等级评定[J].天然气工业.2009,2：102—104
[71]王万良,吴刚.分层多变量可拓控制器及其应用[J].广东工业大学学报.1999,16(4)：102—105
[72]蔡文,杨春燕,林伟初.可拓工程方法[M].北京：科学出版社,1997
[73]金文.基于可拓性理论的设备故障诊断方法研究[D].沈阳工业大学博士学位论文.2008,3
[74]向长城.基于可拓学的智能故障诊断与状态监测的理论及应用研究[D].博士学位论文.重庆大学.2008
[75]刘巍.物元神经网络[M].北京：科学技术文献出版社,1995：311—317
[76]蔡国梁,罗伟.可拓学与人工神经网络[J].天中学刊,1998,13(5)：9-12
[77]周鸣争,杨益民.菱形思维的可拓神经网络实现[J].系统工程理论与实践.2000,6
[78]蔡文.从物元分析到可拓学[M].科学技术出版社,1995,12,311—325
[79]周玉,钱旭,张俊彩,孔敏.可拓神经网络研究综述[J].计算机应用究.2010,27(1)
[80]王鸿洁,常国岑.可拓神经网络在可拓专家系统中的研究与应用[J].系统工程与电子技术,2005,27(2)：265—266
[81]孙佰清,邢爱国,张积宾等.可拓神经网络模型的设计与实现[J].哈尔滨工业大学学报,2006,38(7)：1156-1159
[82]王银年.遗传算法的研究与应用[D].硕士学位论文.江南大学.2009
[83]孙红辉,张清华,宋贤征.基于RBF神经网络的柴油机故障诊断[J].小型内燃机与摩托车.2009,38(1)
[84]王江萍,王玮.基于RBF网络的抽油机减速器故障诊断[J].石油机械,2007,35(1)：28-31
[85]陈明,徐向东.基于RBF神经网络的锅炉燃烧系统故障诊断[J].清华大学学报(自然科学版),2003,43(2)：277—280
[86]周焕银,刘金生,魏雄,RBF神经网络在电路故障诊断中的应用研究[J].东华理工大学学报(自然科学版),2009,32(1)：97—100
[87]李红利,张晓彤,兰立柱,孙兆林.基于遗传算法的RBF神经网络的优化设计方法[J].计算机仿真,2003,20(11)：67—69
[88]任静,黄家栋.基于免疫RBF神经网络的变压器故障诊断[J].电力系统保护与控制,2010,38(11)：6—14
[89]邢桂华,朱庆保.基于模拟退火遗传算法的RBF网络的优化[J].微电子学与计算机,2005,22(7)：174-177.
[90]郑日荣,毛宗源,罗欣贤.改进人工免疫算法的分析研究[J].计算机工程与应用,2003,39(34)：35-37
[91]郑日荣.基于欧氏距离和精英交叉的免疫算法研究[D].博士学位论文.广州：华南理工大学,2004
[92]Powell, M. J. D., Radial basis functions for multivariable interpolation:a review, Proc. IMA Conference on Algorithms for Approximation of Functions and Data, Shrivenham, UK,1985.
[93]Broomhead D S, Lowe D. Multivariable functional Interpolation and adaptive networks. Complex Systems,1988,2:269-303.
[94]周志华,曹存根.神经网络及其应用[M].北京：清华大学出版社,2004
[95]尹建川,径向基函数神经网络及其在船舶运动控制中的应用研究[D].博士论文,大连海事大学,2007
[96]尹建川.径向基函数神经网络及其在船舶运动控制中的应用研究[D].博士论文,大连海事大学,2007
[97]罗小平.人工免疫遗传学习算法及其工程应用研究[D].博士论文,浙江大学,2002
[98]吕岗,谭得健,赵鹤鸣.基于免疫算法的前馈神经网络权值设计[J].计算机工程与应用.2002,17：31-45
[99]云庆夏.进化算法[M].北京：冶金工业出版社,2000-5
[100]刘国联等.一种改进的免疫遗传算法的性能分析[J].科学技术与工程.2008,8(14)：3773-3782
[101]Isao Tazawa et al, An Evolutionary Optimization Based on the Immune System and Its Application to theVLSL Floor-Plan Design Problem, Electrical Engineering in Japan,1998:124(4):27-36
[102]Kazuyuki Mori et al. Adaptive scheduling system inspired by immune system 1998 IEEE International Conference on SMC, Vol.4:3833-3837
[103]王煦法等.一种基于免疫原理的遗传算法[J].小型微型计算机系统,1999.20(2)：17—120
[104]罗菲,何明一.基于免疫遗传算法的多层前向神经网络设计[J].计算机应用,2005,25(7)：1661-1665
[105]鲁民.混合智能算法在电力系统无功优化中的应用[D].硕士论文.保定：华北电力大学,2006
[106]洪露,穆志纯.免疫遗传算法在BP神经网络中的应用[J].北京科技大学学报.2006,28(10)：997-1000
[107]鲁民.混合智能算法在电力系统无功优化中的应用[D].硕士学位论文,保定：华北电力大学,2006
[108]高兴培.免疫遗传算法在BP网络结构优化中的应用[J].广东广播电视大学学报.2005,14(53)：28-35
[109]申燚,白慧敏.基于免疫遗传和径向基网络的斜齿圆柱齿轮优化设计[J].现代机械,2008(2)：39—41
[110]张利平.RBF网络在凝汽器故障诊断中的应用[J].水电能源科学,2008,26(5)
[111]江涛,张玉芳,王银辉.一种改进的粒子群算法在BP网络中的应用研究[J].计算机科学,2006,33(9)：164-165
[112]曾万里,危韧勇,陈红玲.基于改进PSO算法的BP神经网络的应用研究[J].计算机技术与发展,2008,18(4)
[113]李凌,倪远平,孙婧雅.基于改进粒子群算法的变压器故障诊断研究[J].化工自动化及仪表,2010,37(7)：43-46
[114]许磊,张凤鸣,程军.基于PSO神经网络的故障诊断方法研究[J].计算机工程与设计,2007,28(15)：3640-3674
[115]赵吉.群体智能算法研究及其应用[D].江南大学,博士学位论文,2010.3
[116]Kennedy J, Eberhart R C. Paticle swarm optimization[C]. IEEE International Conference on Neural Networks. Piscataway:IEEE Service Center,1995: 1942-1948
[117]杨莹.改进的混合粒子群算法[J].煤炭技术,2007,26(5)：1]9-120
[118]江涛,张玉芳,王银辉.一种改进的粒子群算法在BP网络中的应用研究[J].计算机科学,2006,33(9)
[119]何佳,陈智慧,杨迎新.综合改进的粒子群神经网络算法[J].计算机工程与设计,2008,29(11)：2890-2896
[120]Shi Y, Eberhart R C. Parameter selection in particle swarm optimization [C]. New York:Proceedings of the Seventh Annual Conference on Evolutionary Programming,1998:591-600
[121]何佳,陈智慧,杨迎新.综合改进的粒子群神经网络算法[J].计算机工程与设计,2008,29(11)：2890-2896
[122]高海兵,高亮,周驰,喻道远.基于粒子群优化的神经网络训练算法研究[J].电子学报.2004.9：1572-1574
[123]刘金洋.粒子群优化算法的研究与改进[D].哈尔滨工业大学.硕士论文.2006,6
[124]Kennedy J. Small worlds and mega-minds:effects of neighborhood topology on particle swarm performance [A]. Proceedings of IEEE Congress on Evolutionary Cmputation[C]. Piscataway, NJ:IEEE Service Center,1999.1931-1938
[125]李爱国.多粒子群协同优化算法[J].复旦学报(自然科学版),2004,43(5)：923-925
[126]唐贤伦,庄陵,李银国,曹长修.混合粒子群优化算法优化前向神经网络结构和参数术[J].计算机应用研究,2007,24(12)：91-93
[127]刘中华,盛赛斌.故障特征提取的方法研究[J].电子技术应用,2004,11
[128]高正明,何彬,赵娟,裴永泉,左广常.用故障特征提取方法[J].机床与液压,2009,37,12
[129]李春鑫,李天伟,黄谦,王苏.基于改进小波包分析的导航设备故障诊断的特征提取[J].光电技术应用,2005,20,4：56-58
[130]刘占生等.基于遗传算法的旋转机械故障诊断方法融合[J].机械工程学报,2007,43,10
[130]黄翔.抽油机井故障诊断智能集成系统的研究[J].石油天然气学报,2007,29,3
[2]朱君.有杆抽油系统井下工况诊断方法研究[D].博士学位论文.大庆石油学院.2004,3
[3]Gibbs S G, Neely A B. Computer diagnosis of down-hole conditions in sucker rodpumping wells. SPE 1165,1966
[4]Rodney Morgan, Fount E.MeKee, Theory and application of well analysis. SPE 6468-1977
[5]王玉成,查建中,焦建新,赵振英.抽油机井集成化智能诊断系统的研究[J].石油学报,1994,4(15)：125-131
[6]钟秉林,颜廷虎.智能化故障诊断理论与方法的研究现状和展望[J].东南大学学报,1993,11：1-10
[7]李正勤,黎洪生.基于示功图面积变化的抽油机故障诊断模型[J].油气田地面工程.2008,27(9)：3-5
[8]吴飞鹏,陈德春,蒲春生,孟红霞.抽油机井示功图量化分析与应用[J].广西大学学报.2008,2：173-175
[9]S. G. Gibbs and K. B. Nolen. Well-site diagnosis of pumping problems using minicomputers. J. Pet. Tech. (Nov.1973),1319-1323
[10]D. R. Dotyz. schmidt. AnimProvedmodelforsuckerrodPumPing. U. of Tuls a. SpE10249
[11]余国安,邬亦炯,王国源.有杆泵抽油井的三维震动[J].石油学报1989,10(2)：76-83
[12]王金东.有杆抽油系统波动方程的精细逐步积分法[J].大连理工大学学报.2000,40(3)：276-279
[13]蔡东升.有杆抽油系统预测模型的隐式差分法[J].石油机械.2002,30(2)：40-43
[14]Derek H. J. Jennings J. W. Morgan S. M. Sucker rod pumping unit diagnostics suing and ES.17318
[15]Schirmer P. Toutain P. Use of advanced Pattern recognition and knowledge based in analyzing dynamometer cards. SEP 22305
[16]张嗣伟.有杆泵抽油诊断的专家系统[J].石油机械,1991,19(11)：33-40
[17]黄鹂,凌建军.有杆泵抽油井故障诊断智能系统进展[J],石油钻探技术,1995,23(2)：63-66
[18]高国华.根据地面示功图对有杆泵故障自动诊断的理论研究[J].西安石油学院学报[J].1990,12,5(4)
[19]王玉成,查建中,焦建新,赵振英.抽油机井集成化智能诊断系统的研究[J],石油学报,1994,4(15)：125-131
[20]钱华明.故障诊断与容错技术及其在组合导航系统中的应用研究[J].哈尔滨工程大学.2004
[21]黄孝彬.火电厂控制系统故障检测与诊断的研究[D].博士学位论文.华北电力大学.2004
[22]张剑湖,叶峰.人工神经网络的模型、特征及其发展方向[J].现代电子技术.2004,12：57-60
[23]McCulloch W S, Pitts W. A Logical Calculus of the ideas Immanent in Nervous Activity, Bulletin of Mathematical Biophysics,1943
[24]Hopfield, J. J, Neurons With Graded Response Have Collective Computational Properties Like Those of Two-State Neurons. Proceedings of the National A-cademy of Sciences, U. S. A.,1982;81:3088-3092
[25]张学峰,王镛根,故障诊断的神经网络观测器法[J].航空动力学报.1997.12(2)：149-151
[26]马皓,徐德鸿,卞敬明.基于神经网络的电力电子电路故障诊断[J].电力电子技术,1997,4：10—14
[27]张定会,邵惠鹤.基于神经网络的故障诊断推理方法[J].上海交通大学学报,1999,33(5)：619-621
[28]贺小辉,石嵘.基于BP神经网络的故障诊断技术研究[J],计算机与现代化：2009(7)：17-21
[29]Pati YC and KrishnaPrasad PS. Analysis and synthesisi of feedforword neural network using discrete affine vavelet[J]IEEE transom NN,1993,4(1):73-75
[30]ZhangQinghua, Benvenist A. Wavelet networks [J] IEEE transom NN,1992, 3(6):889-898
[31]胡寿松,周川等.基于小波神经网络的组合故障模式识别[J].自动化学报,2002,28(4)：540-543
[32]钱华明.遗传小波神经网络及在电机故障诊断中的应用[J],电子测量与仪器学报,2009,23(3)：81—86
[33]徐建泉,梁青阳.基于弹性小波神经网络的故障诊断研究[J],计测技术.2009,29(4)：5—7
[34]李永龙,邵忍平,薛腾.基于小波神经网络的齿轮系统故障诊断[J].航空动力学报,2010,25(1)：234-240
[35]胡博,陶文华,崔博,刘殊廷.改进的小波神经网络在异步电机故障诊断中的应用[J].工业仪表与自动化装置,2010(1)
[36]冯楠,李文海.小波神经网络在故障诊断中的应用[J].现代电子技术,2009,11：129—131
[37]Pawlak Z. Rough ets[J], International Journal of Computer and Information Sciences,1982,11(3):341-356
[38]王义飞.粗糙集-神经网络在机械故障诊断中的应用研究[D].博士学位论文.太原：太原理工大学,2008
[39]任永功,王杨,闫德勤.基于遗传算法的粗糙集属性约简算法[J].小型微型计算机系统,2006,27(5)：862-865
[40]李千目,张宏,刘凤玉.基于粗糙集神经网络的网络故障诊断新方法[J].计算机研究与发展.2004,41(10),1696-1702
[41]曹龙汉,曹长修.基于粗糙集理论的柴油机神经网络故障诊断研究[J].内燃机学报.2002,20(4),357-361
[42]李界家,房智超,孙璐璐.粗糙集-神经网络在铝电解故障诊断中的应用[J].沈阳建筑大学学报(自然科学版).2009,25(4).792-795
[43]刘玮,宋贵宝,陈小卫.基于粗糙集和神经网络的导弹故障诊断方法[J].海军航空工程学院学报.2009,24(2)214-220
[44]韩琳,薛静,张通.基于粗糙集神经网络的旋转机械故障诊断[J].计算机测量与控制.2010.18(1)：64-82.
[45]陈果.粗糙集-遗传算法-神经网络集成分类器及其在转子故障诊断中的应用研究[J].中国机械工程.2008,19(1)
[46]张燕军,张彦斌,刘仁伟,徐国志.基于粗糙集与神经网络相结合的模拟电路故障诊断[J].火力与指挥控制.2009,34：78—81
[47]潘峰,蔡维由.改进遗传算法和神经网络在汽轮发电机组故障诊断中的应用[J].华中电力.2004,2：1-4
[48]龚晓燕,孙晓辉.基于遗传算法的矿井局部通风故障诊断神经网络模型[J].煤矿安全.2008,5：35-38.
[49]邓宏贵,曹建,罗安.一种新的遗传算法及其在变压器故障诊断中的应用[J].中南大学学报.2005,36(3)：481-485.
[50]张扬,曲延滨.基于蚁群算法与神经网络的机械故障诊断方法[J].机床与液压.2007,35(7)：241-244
[51]刘占生,窦唯,王东华,王晓伟.基于遗传算法的旋转机械故障诊断方法融合[J].机械工程学报.2007,43(10)：227-233
[52]赵丽、申群太.基于改进粒子群算法的整流电路智能故障诊断[J].计算机测量与控制.2008,16(5)：607-626
[53]J. D. Rogers, G. G. Guffey, W. J. B. Oldham. Artificial Neural Networks for Identification of Beam Pump Dynamometer Load Cards. SPE20651.1990
[54]G. M. Nazi etal:Application of artificial neural network to pump card diagnosis. SPE25420
[55]E. R. Martinez. Rod pumping expert system. SPE 26246
[56]冯定,周迪勋.神经网络有杆泵诊断专家系统[J].石油机械,1996,24(1)：29-33
[57]王金东,蔡东升,张嘉钟,刘树林.基于神经网络的两层分采同步抽油系统井下故障诊断技术[J].中国机械工程,2002,13(15)：1302-1305
[58]姬广伟,基于神经网络的钢丝绳柔性抽油杆抽油机井故障诊断的研究[D],北京化工大学,2005,6
[59]任伟建.智能算法及其在油田故障诊断问题中的应用[D].博士学位论文.大庆石油学院,2006,7
[60]黄翔.抽油机井故障诊断智能集成系统的研究[J].石油天然气学报.2007,29(3)：156-158
[61]吴伟,基于人工神经网络和灰度矩阵的泵功图诊断[J].西安石油大学学报.2007.22(3)
[62]曹广华,宛立达,袁子龙.基于递归神经网络的游梁式抽油机振动故障诊断[J].长江大学学报,2010,7(1)：57-59
[63]蔡文.可拓集合和不相容问题[J].科学探索学报,1983(1)：83-97
[64]M.H.Wang and C.P.Hung. Extension Neural Network and Its applications[J]. Neural Networks,vol.16,no.5-6,779-784,2003
[65]齐振忠,刘建新,张卫华.基于可拓神经网络的变压器故障诊断[J].江西电力职业技术学院学报.2009,3
[66]赵晓娜.基于油中溶解气体的电抗器状态预测与故障诊断研究[D].硕士学位论文.华北电力大学.2009
[67]向长城,黄席樾,殷礼胜,杨祖元.基于遗传算法与可拓神经网络的故障诊断[J].计算机仿真.2008,25(4)：249—252
[68]蔡文.物元分析[M].广东高等教育出版社,1987
[69]陈广宇.可拓评价方法在技术创新项目评价中的应用研究[J].工业技术经济.2004,23(5)：65—71
[70]孙永庆,张峥,钟群鹏.基于物元和可拓集合理论的燃气管道风险等级评定[J].天然气工业.2009,2：102—104
[71]王万良,吴刚.分层多变量可拓控制器及其应用[J].广东工业大学学报.1999,16(4)：102—105
[72]蔡文,杨春燕,林伟初.可拓工程方法[M].北京：科学出版社,1997
[73]金文.基于可拓性理论的设备故障诊断方法研究[D].沈阳工业大学博士学位论文.2008,3
[74]向长城.基于可拓学的智能故障诊断与状态监测的理论及应用研究[D].博士学位论文.重庆大学.2008
[75]刘巍.物元神经网络[M].北京：科学技术文献出版社,1995：311—317
[76]蔡国梁,罗伟.可拓学与人工神经网络[J].天中学刊,1998,13(5)：9-12
[77]周鸣争,杨益民.菱形思维的可拓神经网络实现[J].系统工程理论与实践.2000,6
[78]蔡文.从物元分析到可拓学[M].科学技术出版社,1995,12,311—325
[79]周玉,钱旭,张俊彩,孔敏.可拓神经网络研究综述[J].计算机应用究.2010,27(1)
[80]王鸿洁,常国岑.可拓神经网络在可拓专家系统中的研究与应用[J].系统工程与电子技术,2005,27(2)：265—266
[81]孙佰清,邢爱国,张积宾等.可拓神经网络模型的设计与实现[J].哈尔滨工业大学学报,2006,38(7)：1156-1159
[82]王银年.遗传算法的研究与应用[D].硕士学位论文.江南大学.2009
[83]孙红辉,张清华,宋贤征.基于RBF神经网络的柴油机故障诊断[J].小型内燃机与摩托车.2009,38(1)
[84]王江萍,王玮.基于RBF网络的抽油机减速器故障诊断[J].石油机械,2007,35(1)：28-31
[85]陈明,徐向东.基于RBF神经网络的锅炉燃烧系统故障诊断[J].清华大学学报(自然科学版),2003,43(2)：277—280
[86]周焕银,刘金生,魏雄,RBF神经网络在电路故障诊断中的应用研究[J].东华理工大学学报(自然科学版),2009,32(1)：97—100
[87]李红利,张晓彤,兰立柱,孙兆林.基于遗传算法的RBF神经网络的优化设计方法[J].计算机仿真,2003,20(11)：67—69
[88]任静,黄家栋.基于免疫RBF神经网络的变压器故障诊断[J].电力系统保护与控制,2010,38(11)：6—14
[89]邢桂华,朱庆保.基于模拟退火遗传算法的RBF网络的优化[J].微电子学与计算机,2005,22(7)：174-177.
[90]郑日荣,毛宗源,罗欣贤.改进人工免疫算法的分析研究[J].计算机工程与应用,2003,39(34)：35-37
[91]郑日荣.基于欧氏距离和精英交叉的免疫算法研究[D].博士学位论文.广州：华南理工大学,2004
[92]Powell, M. J. D., Radial basis functions for multivariable interpolation:a review, Proc. IMA Conference on Algorithms for Approximation of Functions and Data, Shrivenham, UK,1985.
[93]Broomhead D S, Lowe D. Multivariable functional Interpolation and adaptive networks. Complex Systems,1988,2:269-303.
[94]周志华,曹存根.神经网络及其应用[M].北京：清华大学出版社,2004
[95]尹建川,径向基函数神经网络及其在船舶运动控制中的应用研究[D].博士论文,大连海事大学,2007
[96]尹建川.径向基函数神经网络及其在船舶运动控制中的应用研究[D].博士论文,大连海事大学,2007
[97]罗小平.人工免疫遗传学习算法及其工程应用研究[D].博士论文,浙江大学,2002
[98]吕岗,谭得健,赵鹤鸣.基于免疫算法的前馈神经网络权值设计[J].计算机工程与应用.2002,17：31-45
[99]云庆夏.进化算法[M].北京：冶金工业出版社,2000-5
[100]刘国联等.一种改进的免疫遗传算法的性能分析[J].科学技术与工程.2008,8(14)：3773-3782
[101]Isao Tazawa et al, An Evolutionary Optimization Based on the Immune System and Its Application to theVLSL Floor-Plan Design Problem, Electrical Engineering in Japan,1998:124(4):27-36
[102]Kazuyuki Mori et al. Adaptive scheduling system inspired by immune system 1998 IEEE International Conference on SMC, Vol.4:3833-3837
[103]王煦法等.一种基于免疫原理的遗传算法[J].小型微型计算机系统,1999.20(2)：17—120
[104]罗菲,何明一.基于免疫遗传算法的多层前向神经网络设计[J].计算机应用,2005,25(7)：1661-1665
[105]鲁民.混合智能算法在电力系统无功优化中的应用[D].硕士论文.保定：华北电力大学,2006
[106]洪露,穆志纯.免疫遗传算法在BP神经网络中的应用[J].北京科技大学学报.2006,28(10)：997-1000
[107]鲁民.混合智能算法在电力系统无功优化中的应用[D].硕士学位论文,保定：华北电力大学,2006
[108]高兴培.免疫遗传算法在BP网络结构优化中的应用[J].广东广播电视大学学报.2005,14(53)：28-35
[109]申燚,白慧敏.基于免疫遗传和径向基网络的斜齿圆柱齿轮优化设计[J].现代机械,2008(2)：39—41
[110]张利平.RBF网络在凝汽器故障诊断中的应用[J].水电能源科学,2008,26(5)
[111]江涛,张玉芳,王银辉.一种改进的粒子群算法在BP网络中的应用研究[J].计算机科学,2006,33(9)：164-165
[112]曾万里,危韧勇,陈红玲.基于改进PSO算法的BP神经网络的应用研究[J].计算机技术与发展,2008,18(4)
[113]李凌,倪远平,孙婧雅.基于改进粒子群算法的变压器故障诊断研究[J].化工自动化及仪表,2010,37(7)：43-46
[114]许磊,张凤鸣,程军.基于PSO神经网络的故障诊断方法研究[J].计算机工程与设计,2007,28(15)：3640-3674
[115]赵吉.群体智能算法研究及其应用[D].江南大学,博士学位论文,2010.3
[116]Kennedy J, Eberhart R C. Paticle swarm optimization[C]. IEEE International Conference on Neural Networks. Piscataway:IEEE Service Center,1995: 1942-1948
[117]杨莹.改进的混合粒子群算法[J].煤炭技术,2007,26(5)：1]9-120
[118]江涛,张玉芳,王银辉.一种改进的粒子群算法在BP网络中的应用研究[J].计算机科学,2006,33(9)
[119]何佳,陈智慧,杨迎新.综合改进的粒子群神经网络算法[J].计算机工程与设计,2008,29(11)：2890-2896
[120]Shi Y, Eberhart R C. Parameter selection in particle swarm optimization [C]. New York:Proceedings of the Seventh Annual Conference on Evolutionary Programming,1998:591-600
[121]何佳,陈智慧,杨迎新.综合改进的粒子群神经网络算法[J].计算机工程与设计,2008,29(11)：2890-2896
[122]高海兵,高亮,周驰,喻道远.基于粒子群优化的神经网络训练算法研究[J].电子学报.2004.9：1572-1574
[123]刘金洋.粒子群优化算法的研究与改进[D].哈尔滨工业大学.硕士论文.2006,6
[124]Kennedy J. Small worlds and mega-minds:effects of neighborhood topology on particle swarm performance [A]. Proceedings of IEEE Congress on Evolutionary Cmputation[C]. Piscataway, NJ:IEEE Service Center,1999.1931-1938
[125]李爱国.多粒子群协同优化算法[J].复旦学报(自然科学版),2004,43(5)：923-925
[126]唐贤伦,庄陵,李银国,曹长修.混合粒子群优化算法优化前向神经网络结构和参数术[J].计算机应用研究,2007,24(12)：91-93
[127]刘中华,盛赛斌.故障特征提取的方法研究[J].电子技术应用,2004,11
[128]高正明,何彬,赵娟,裴永泉,左广常.用故障特征提取方法[J].机床与液压,2009,37,12
[129]李春鑫,李天伟,黄谦,王苏.基于改进小波包分析的导航设备故障诊断的特征提取[J].光电技术应用,2005,20,4：56-58
[130]刘占生等.基于遗传算法的旋转机械故障诊断方法融合[J].机械工程学报,2007,43,10
[130]黄翔.抽油机井故障诊断智能集成系统的研究[J].石油天然气学报,2007,29,3
© 2004-2018 中国地质图书馆版权所有 京ICP备05064691号 京公网安备11010802017129号 地址：北京市海淀区学院路29号 邮编：100083 电话：办公室：(+86 10)66554848；文献借阅、咨询服务、科技查新：66554700 |