基于小波分析和神经网络的抽油杆缺陷识别的研究

摘要

抽油杆是在油田非自喷采油工程中大量使用的关键部件，在恶劣的工作环境下，反复承受着拉力与压力的交替作用，在使用一段时间以后，杆体表面会产生缺陷，若不能及时发现，将会发生抽油杆在井下断裂的事故，造成巨大的经济损失，因此对抽油杆的表面缺陷进行识别，采取相应的措施，对减少抽油杆断杆和脱杆事故，降低采油成本具有十分重要的意义。 本文在对抽油杆的实际应用进行充分调研的基础上，分析了抽油杆常见的缺陷形式，采用涡流检测和漏磁检测两种无损检测方法对抽油杆缺陷进行检测，建立涡流检测以及漏磁检测的抽油杆裂纹信号与检测相关参数的函数关系，实现抽油杆裂纹的定量检测，并对这两种方法的检测结果进行分析。 为了消除检测过程中存在的噪声和干扰，需要对实验采集信号做去噪处理。小波理论的快速发展为去噪提供了有效的工具。本文介绍了小波分析的理论基础，给出了阈值去噪法的原理和方法，并选取该方法对染噪信号去噪，但软(硬)阈值去噪法存在一定的缺陷，因此本文采用了一种改进的阈值去噪方法。通过对实例验证，这种方法取得了很好的效果。 基于小波包分析的方法，引入了频带局部能量的概念，用以表征信号在某个频带的局部能量大小，并且用实验数据验证了基于频带局部能量特征提取方法的有效性。 将提取的小波包分解后各频带上的能量特征值作为神经网络的输入向量，缺陷类别作为输出向量，建立抽油杆缺陷识别的人工神经网络模型；比较不同隐层节点数对网络性能的影响，确定最佳隐层节点数目；对BP网络以及改进的BP网络的识别效果进行比较，实现对该网络模型的验证以及对抽油杆缺陷的识别。

目录

文摘

英文文摘

声明

第1章绪论

1.1抽油杆缺陷识别的工程背景及其意义

1.2抽油杆的主要缺陷形式

1.3无损检测技术

1.4常用的抽油杆缺陷无损检测方法

1.4.1涡流检测

1.4.2漏磁检测

1.5 MATLAB软件平台的介绍

1.6本文研究的主要内容、特色及创新之处

1.6.1本文研究的主要内容

1.6.2特色及创新之处

第2章抽油杆缺陷检测实验研究

2.1涡流检测原理

2.2漏磁检测原理

2.3实验设计

2.3.1实验目的

2.3.2预制实验样杆

2.3.3实验流程

2.4涡流探伤仪主要特性

2.5漏磁检测实验系统所实现的功能和技术参数

2.6漏磁检测实验系统的各部分组成

2.6.1机械部分

2.6.2检测部分

2.6.3液压部分

2.6.4电控部分

2.6.5检测软件

2.7实验结果分析

2.7.1涡流检测结果分析

2.7.2漏磁检测结果分析

2.8实验数据格式转化

2.9本章小结

第3章小波分析理论

3.1从傅立叶变换到小波变换

3.2连续小波变换

3.3离散小波变换

3.3.1离散小波变换

3.3.2二进小波变换

3.4多分辨率分析

3.5基于小波包的缺陷特征提取

3.5.1小波包的定义

3.5.2小波包的空间分解

3.5.3小波包单支重构

3.5.4缺陷特征提取

3.6本章小结

第4章小波分析在抽油杆缺陷信号去噪及缺陷特征提取中的应用

4.1检测过程中产生的噪声分析

4.2小波去噪的基本原理

4.3小波阈值去噪方法

4.3.1小波分析进行阈值处理方法

4.3.2小波阈值估计的思路

4.3.3估计小波系数的软硬阈值法

4.4改进的小波阈值去噪方法

4.5阈值去噪的仿真与实际应用

4.5.1小波分析对非平稳信号去噪

4.5.2小波分析对实验及现场信号信号去噪

4.6抽油杆的缺陷特征提取

4.7本章小结

第5章神经网络在抽油杆缺陷识别中的应用

5.1人工神经网络的基本概念

5.1.1神经元结构模型

5.1.2神经网络的互联模式

5.1.3小波分析与神经网络结合方法

5.2 BP神经网络及模式识别原理

5.3 BP算法的改进

5.3.1基于标准梯度下降的改进BP算法

5.3.2基于数值优化技术的改进BP算法

5.4抽油杆缺陷识别的BP网络设计

5.4.1输入层节点数的确定

5.4.2输出层节点数的确定

5.4.3隐层数和隐层节点数的确定

5.4.4传递函数的选择

5.4.5学习速率的选取

5.5 BP网络在抽油杆缺陷识别中的实际应用

5.5.1训练样本的提取

5.5.2不同隐层节点数目对网络训练的对比分析

5.5.3 BP算法及改进BP算法对网络训练结果的对比分析

5.5.4 BP网络的验证

5.6本章小结

第6章结论和展望

6.1结论

6.2展望

参考文献

致谢