基于小波分析和神经网络的石油井架结构损伤识别研究

论文摘要

井架在钻井过程中,由于各种原因会使其出现不同程度的损伤和破坏。为了保障井架结构的安全性、完整性和耐久性,对在役井架需采用有效手段来监测和评估其健康状态,即需对井架进行健康监测,这其中最核心的内容就是要对井架进行损伤识别。本文对结构损伤识别的方法以及小波分析的基本理论进行了介绍,利用小波分析在处理非平稳信号方面优良的性能,将其引入到井架结构的损伤识别研究中,提出了一种基于归一化能量特征向量的损伤评价指标。通过在井架实物模型上模拟一处、两处和多处损伤位置以及不同损伤程度的情况,分别测试了井架在载荷变化前后的振动响应信号,在对测试信号进行相关预处理后,对振动响应信号进行三层小波包能量分析并得到归一化的能量向量,计算了基于归一化能量特征向量的损伤评价指标,利用该指标做到了对一处、两处和多处损伤位置的直观、准确地识别,通过分析一处损伤不同损伤程度工况下的指标变化情况,能够对井架结构的损伤程度变化趋势做出准确的预测。此外,还对降噪在小波包分析过程中的影响进行了研究,发现基于归一化能量特征向量的损伤评价指标具有较强的抗噪能力。由于小波函数种类很多,在小波包能量分析过程中,选择不同的小波函数其分析结果可能存在较大的差异,通过对比几种小波函数的分析结果,发现选择Haar小波函数的损伤识别效果较好。最后,将小波包分析得到的归一化能量特征向量作为神经网络的输入向量,分别建立了井架损伤位置和损伤程度识别的BP网络模型,实现了对井架损伤进行准确、直观、快速地诊断。

论文目录

• 摘要
• ABSTRACT
• 创新点摘要
• 绪论
• 第一章 小波分析
• 1.1 傅立叶变换到小波分析
• 1.1.1 傅立叶变换
• 1.1.2 短时傅立叶变换
• 1.1.3 小波分析
• 1.1.4 小波分析与傅立叶变换的比较
• 1.2 一维连续小波变换
• 1.3 离散小波变换
• 1.4 多分辨分析
• 1.5 小波包分析
• 1.6 小波包分析的应用
• 1.6.1 小波包消噪
• 1.6.2 小波包特征提取
• 1.7 本章小结
• 第二章 井架结构损伤的实验数据采集及算例分析
• 2.1 实验概况
• 2.2 损伤工况模拟及数据采集
• 2.3 数据分析示例
• 2.4 本章小结
• 第三章 基于小波包能量分析的井架结构损伤识别
• 3.1 损伤位置识别
• 3.1.1 一处损伤识别
• 3.1.2 两处损伤识别
• 3.1.3 多处损伤识别
• 3.2 损伤程度识别
• 3.3 噪声对损伤识别的影响
• 3.4 小波函数选择对损伤识别的影响
• 3.5 本章小结
• 第四章 结合神经网络的井架结构损伤识别
• 4.1 神经网络概述
• 4.1.1 神经网络的主要模型
• 4.1.2 神经网络的学习
• 4.1.3 BP 神经网络
• 4.2 基于神经网络的井架结构损伤识别
• 4.2.1 损伤位置识别
• 4.2.2 损伤程度识别
• 4.3 本章小结
• 结论
• 参考文献
• 发表文章目录
• 致谢
• 详细摘要