对传过程神经元网络在油井故障诊断中的应用

为更好解决抽油机井示功图模式诊断问题,依据示功图绘制原理,将示功图识别看作动态系统连续曲线（位移-时间曲线和载荷-时间曲线）的模式识别问题。利用过程神经元能同时处理时、空二维信息,可自动抽取时变函数样本的过程模式特征,在机制上对时变信号的分类问题具有较好的适应性,提出一种基于对传过程神经元网络诊断模型及其学习算法。以油井实测数据对模型进行训练和故障识别,取得了较好的应用效果。     

基于PNN网络和Freeman链码的抽油机井工况诊断

利用概率神经网络(PNN)对抽油机井工况进行诊断,建立了抽油机井工况诊断的概率神经网络模型;对示功图提取特征值的质量好坏直接影响识别效率和可靠性,提出了用Freeman链码对等效的电流示功图提取特征参数,进行预处理,建立抽油机典型工况的链码特征样本库;将Freeman链码作为特征向量,利用MATLAB对网络进行训练;结果表明,Freeman链码能够有效地识别各种典型工况示功图,并且该概率神经网络学习速度快、诊断准确率高,可用于抽油机井工况的实时监测和诊断.     

基于LSTM的抽油机井工况诊断研究

抽油机井工况诊断和预测对于掌握抽油机井运行状态、有效提升油井生产效率具有重要意义。目前主要基于抽油机井示功图诊断井下工况。考虑示功图时序性这一特征,通过卷积神经网络提取示功图中的静态特征值,结合上下行电流、载荷等动态生产参数,建立基于LSTM神经网络的抽油机井工况预测模型,将卷积神经网络与LSTM神经网络相融合,提高了工况诊断精度和诊断方法的合理性。141口抽油机井故障预测准确率达到96%以上,实验结果与BP神经网络、卷积神经网络等单一工况诊断模型相比较,预测效果更接近真实值。     

一种反馈过程神经元网络模型及在动态信号分类中的应用*

针对动态信号模式分类问题,提出了一种反馈过程神经元网络模型和基于该模型的分类方法。这种网络的输入可直接为时变函数,网络的信息传输既有与前馈神经元网络一样的前向流,也有后面各层节点到前层节点的反馈,且可对节点自身反馈输出信息,能直接用于动态信号的模式分类。由于反馈过程神经元网络在对输入样本的学习中增加了神经元输出信息的反馈,可提高网络的学习效率和稳定性。给出了具体学习算法,以时变函数样本集的分类问题为例,实验结果验证了模型和算法的有效性。     

基于过程神经元网络的动态预测模型及其应用

〗针对动态系统过程预测预报问题，提出了一种基于过程神经元网络的动态预测方法．过程神经元网络的输入/输出均可以是时变函数，其时空聚合运算和激励可同时反映时变输入信号的空间聚合作用和输入过程中的阶段时间累积效应．基于过程神经元网络的动态预测模型能同时满足对系统的非线性辨识和过程预测，在机制上对动态预测预报问题有较好的适应性．文中给出了基于函数基展开和梯度下降法的学习算法，以电力负荷预报为例验证了模型和算法的有效性．     

一种分式过程神经元网络及其应用研究

针对带有奇异值复杂时变信号的模式分类和系统建模问题，提出了一种分式过程神经元网络．该模型是基于有理式函数具有的对复杂过程信号的逼近性质和过程神经元网络对时变信息的非线性变换机制构建的。其基本信息处理单元由两个过程神经元成对偶组成。逻辑上构成一个分式过程神经元，是人工神经网络在结构和信息处理机制上的一种扩展．分析了分式过程神经元网络的连续性和泛函数逼近能力，给出了基于函数正交基展开的学习算法．实验结果表明，分式过程神经元网络对于带有奇异值时变函数样本的学习性质和泛化性质要优于BP网络和一般过程神经元网络。网络隐层数和节点数可较大减少，且算法的学习性质与传统BP算法相同．     

一种基于过程神经元网络的非线性动态系统辨识模型及应用

针对复杂非线性动态系统辨识问题,提出了一种基于过程神经元网络（PNN）的辨识模型和方法．根 据系统待辨识的模型结构和反映系统模态变化特征的动态样本数据,利用PNN 对时变输入／输出信号的非线性变 换机制和自适应学习能力,建立基于PNN 的系统辨识模型．辨识模型能够同时反映多输入时变信号的空间加权聚 合以及阶段时间效应累积结果,直接实现非线性系统输入／输出之间的动态映射关系．文中构建了用于并联结构和 串－并联结构辨识的PNN 模型,给出了相应的学习算法和实现机制,实验结果验证了模型和算法的有效性．     

基于神经网络的示功图诊断研究

在抽油机井生产过程中,及时掌握抽油机井工况,实现抽油机井的远程监测和科学管理,是当前抽油机采油系统迫切需要研究的一个重大课题。在传统工况诊断的基础上研究了抽油机井工况智能诊断技术。通过对示功图的网格化,建立了示功图的计算模型,通过对这些模型进行预处理,建立了抽油机井典型工况的特征参数样本库。研究了BP神经网络的基本结构,并将BP神经网络诊断系统应用于抽油机井示功图识别,取得了良好的效果。     

过程神经元网络及其在时变信息处理中的应用

针对时变信息处理和动态系统建模等类问题,建立了输入输出均为时变函数的过程神经元网络和有理式过程神经元网络2种网络模型.在输入输出为时变函数的过程神经元网络中,过程神经元的时间累积算子取为对时间的积分或其他代数运算,它的时空聚合机制和激励能同时反映外部时变输入信号对输出结果的空间聚合作用和时间累积效应,可实现非线性系统输入、输出之间的复杂映射关系.在有理式过程神经元网络中,其基本信息处理单元为由2个成对偶出现的过程神经元组成,逻辑上分为分子和分母2部分,通过有理式整合后输出,可有效提高过程神经元网络对带有奇异值过程函数的柔韧逼近性和在奇异值点附近反应的灵敏性.分析了2种过程神经元网络模型的性质,给出了具体学习算法,并以油田开发过程模拟和旋转机械故障诊断问题为例,验证了这2种网络模型在时变信息处理中的有效性.     

基于支持向量机的抽油机井功图识别研究

抽油机的异常情况会使油田的产油效率降低,而不同的异常类型对应的抽油机示功图特征也各不相同,因此造成的损害程度也不同。针对以上问题,文中提出了一种抽油机井功图识别模型,该方法将支持向量机（ SVM）用于抽油机井功图识别。首先利用改进的矢量曲线数据压缩方法（ICVDC）对抽油机井下示功图进行特征数据提取,在此基础上,采用“一对一”分类法建立基于支持向量机的井下示功图分类模型,进而对不同特征的示功图进行分类识别,并与其他识别分类模型进行了识别分类效果对比。实验结果表明,该方法分类准确度高,有效地解决了示功图的识别和分类问题,方便对油井设备等进行进一步的故障分析处理,从而大大提高抽油机的性能与效率,以此来达到油田提高采收率的目的。     

一种过程支持向量机及其在动态模式分类中的应用

针对一般SVM在机制上难以直接对动态模式进行分类的问题,提出了一种基于函数正交基展开的过程支持向量机.该模型的输入为时变函数,输出为模式类别.在输入函数空间中选择一组适当的正交函数基,将输入函数在该组函数基下进行有限项展开,把展开式系数作为核函数的输入.由于时变函数在基函数映射下与展开式系数一一对应,从而可利用SVM的变换机制实现动态模式分类.给出了基于SMO的求解算法,实验结果验证了模型和算法的有效性.     

一种基于自组织过程神经网络的动态样本半监督学习算法

针对时变信号模式分类和未标记样本信息的有效利用问题,提出了一种基于自组织过程神经网络的动态样本半监督学习算法。根据获得的已标记和未标记的过程函数样本信号,分别构建基于竞争学习规则和有教师示教方法的自组织过程神经网络模型,利用该网络的自组织特性,实现动态样本的分类标识。文中分析了算法的信息处理机制,给出了具体的实现步骤。以油田开发水淹状况判别为例,实验结果验证了方法的有效性。     

空间活跃度网络模型构建与特性研究

基于现实网络拓扑的时变特征,利用Twitter数据集构建了在线社交网络,分析发现网络中用户的活跃度分布独立于时间尺度,并且网络的度分布与边长分布均具有异质性。结合该网络的特点,提出了一种空间活跃度网络模型。模型中网络的拓扑变化受节点活跃度和偏好连边概率影响,通过统计特性分析验证了机制的准确性。为了研究时变网络的动力学过程,在空间活跃度网络中进行了随机游走,得到节点活跃度越大、平均首达时间越短的结论。最后在基于最短路径的搜索策略下研究了偏好连边幂指数与平均搜索时间的关系,发现在空间活跃度网络中使搜索效率最高的幂指数在2左右。该活跃度网络模型可应用于时变网络。     

一种基于自组织过程神经网络的动态样本半监督学习算法

针对时变信号模式分类和未标记样本信息的有效利用问题,提出了一种基于自组织过程神经网络的动态样本半监督学习算法。根据获得的已标记和未标记的过程函数样本信号,分别构建基于竞争学习规则和有教师示教方法的自组织过程神经网络模型,利用该网络的自组织特性,实现动态样本的分类标识。文中分析了算法的信息处理机制,给出了具体的实现步骤。以油田开发水淹状况判别为例,实验结果验证了方法的有效性。     

前馈反馈线性时变多变量控制系统性能评价

本文研究一类具有可确定“时滞”的线性时变多变量(linear time-varying multiinput-multioutput, LTV MIMO)控制系统的性能评价方法。定义了该类系统中相当于单回路“过程滞后”的矩阵因子——关联矩阵，并利用该关联矩阵和正常乘法提出一套建立线性时变多变量控制回路前馈反馈最小方差(minimum variance, MV)基准的系统化算法和过程．需要考虑到LTV系统特有的计算特性，利用实际最小方差输出而不是关联滤波最小方差输出获得MV基准。理论和仿真研究表明，所提方法能准确和有效地评价线性时变多变量过程．     

Analysis and design of associative memories based on recurrent neural networks with linear saturation activation functions and time-varying delays

In this letter, some sufficient conditions are obtained to guarantee recurrent neural networks with linear saturation activation functions, and time-varying delays have multiequilibria located in the saturation region and the boundaries of the saturation region. These results on pattern characterization are used to analyze and design autoassociative memories, which are directly based on the parameters of the neural networks. Moreover, a formula for the numbers of spurious equilibria is also derived. Four design procedures for recurrent neural networks with linear saturation activation functions and time-varying delays are developed based on stability results. Two of these procedures allow the neural network to be capable of learning and forgetting. Finally, simulation results demonstrate the validity and characteristics of the proposed approach.     

Stabilization of sets with application to multi-vehicle coordinated motion

In this paper, we develop stability and control design framework for time-varying and time-invariant sets of nonlinear dynamical systems using vector Lyapunov functions. Several Lyapunov functions arise naturally in multi-agent systems, where each agent can be associated with a generalized energy function which further becomes a component of a vector Lyapunov function. We apply the developed control framework to the problem of multi-vehicle coordinated motion to design distributed controllers for individual vehicles moving in a specified formation. The main idea of our approach is that a moving formation of vehicles can be characterized by a time-varying set in the state space, and hence, the problem of distributed control design for multi-vehicle coordinated motion is equivalent to the design of stabilizing controllers for time-varying sets of nonlinear dynamical systems. The control framework is shown to ensure global exponential stabilization of multi-vehicle formations. Finally, we implement the feedback stabilizing controllers for time-invariant sets to achieve global exponential stabilization of static formations of multiple vehicles.     

Adaptive neural network dynamic event-triggered control for strong interconnected stochastic nonlinear systems with output constraint

This paper proposes a dynamic event-triggered mechanism based command filtered adaptive neural network (NN) tracking control scheme for strong interconnected stochastic nonlinear systems with time-varying output constraints. By designing a state observer, the unmeasured states of the systems can be estimated. The NNs are utilized to handle the unknown intermediate functions. In the controller design process, the asymmetric time-varying barrier Lyapunov functions are used to guarantee that the systems outputs do not violate the constraint regions. By integrating the command filter with variable separation technique, the controller design process is more simple, and the problem of algebraic-loop can be solved which caused by interconnected functions. According to the Lyapunov stability theory, it can be ensured that all signals of the systems are bounded in probability. Finally, the availability of the developed control scheme can be showed by the simulation example.     

一种时变输入输出过程神经元网络及学习算法研究

针对输入／输出均为时变函数的非线性系统建模问题，提出一种时变输入输出过程神经元网络模型，并给出了具体的学习算法．过程神经元网络的输入、输出均可为时变函数，其空间、时间聚合算子分别取为空间加权求和及含时间变参积分，聚合运算和激励能同时反映时变输入信号的空间聚合作用和输入过程中的阶段时间累积效应．仿真实验结果验证了所提出模型和算法的有效性．