基于大数据的有杆抽油系统故障诊断预测模型

目录

声明

第一章 绪 论

1.1 课题背景

1.2 研究的目的和意义

1.3 国内外现状

1.3.1 故障预测研究现状

1.3.2 抽油系统预测现状

1.4主要研究内容

1.5 创新点

（1）多特征值预测

（2）多种数据挖掘方法预测

第二章 故障诊断预测基础

2.1 示功图的处理

2.1.1泵功图转换

2.1.2 典型故障功图

2.1.3 数据预处理

2.2 灰度矩阵算法

2.3 不变矩理论

2.4 基于Freeman链码方法

2.5 故障诊断

2.5.1 灰色关联度分析基础

2.5.2 关联分析步骤

2.6本章小结

第三章 基于ARIMA的故障预测

3.1 时间序列

3.2 ARIMA预测方法

3.2.1 ARIMA模型

3.2.2 ARIMA模型建模流程

3.2.3 构建ARIMA（p，d，q）预测模型步骤

3.3 实例应用

3.3.1 灰度矩阵特征值

3.3.2 不变矩区域特征值

3.3.3 Freeman链码区域特征值

3.4 诊断效果

3.5本章小结

第四章 基于LSTM的故障预测

4.1.1循环神经网络

4.1.2长短时记忆网络

4.2 实例应用

4.2.1 灰度矩阵特征值

4.2.2 不变矩特征值

4.2.3 基于 Freeman链码

4.3 诊断效果

4.4本章小结

第五章 基于灰色预测模型的故障预测

5.1 灰色预测模型

5.1.1.预测原理

5.1.2 GM(1,1)建模过程

5.2 实例应用

5.2.1 灰度矩阵特征值

5.2.2 不变矩特征值

5.2.3 基于Freeman链码特征值

5.3 诊断效果

5.4本章小结

第六章 结果分析

6.1 基于模型分析

6.1.1基于ARIMA模型预测结果

6.1.2基于LSTM预测结果

6.1.3基于灰色系统预测结果

6.2.1 基于灰度特征值

6.2.2 基于不变矩区域特征值

6.2.3 基于Freeman链码区域特征值

6.2.4 分析总结

6.3 基于诊断效果分析

6.3.1 基于ARIMA模型

6.3.2 基于LSTM

6.3.3 基于灰色模型

6.3.4 分析总结

6.4 结果验证

6.4.1 基于ARIMA模型的预测评价

6.4.2 基于LSTM的预测评价

6.4.3 基于灰色模型的预测评价

6.4.4 分析总结

6.4 本章小结

第七章 结论与展望

7.1 结论

7.2展望

致谢

参考文献

攻读硕士期间取得的学术成果