基于SVM的注水机组状态预示技术研究

油田大型注水机组在连续运转过程中,由于其自身的因素以及受外界条件的干扰,其运行常处于非线性非平稳状态。在充分研究和比较多种设备状态预示方法的基础上,提出一种基于支持向量机(Support Vector Machine,SVM)的状态预测新方法。该方法应用最终预报误差(FinalPrediction Error,FPE)准则确定样本的嵌入维数。通过比较SVM预测模型与自回归预测模型的单步和多步预测结果,证明基于SVM的预测方法在较长区间内具有良好的预测效果。用SVM预测大庆油田旋转注水机组时域的振动烈度,取得了较好预测效果,证明该算法能有效提高预测精度。

大型旋转机械状态组合预示模型研究

大型旋转机械的状态预示技术是实现设备状态维护的关键,针对大型旋转机械的几种典型趋势,提出支持向量机(support vector machines,SVM)进行系统故障趋势预示的模型,采用BP(back propagation)神经网络模型和SVM模型对不同的趋势进行预测,结果表明SVM模型具有预测精度高的特点。在以上研究的基础上,提出一种新的旋转机械系统状态组合预测模型。该模型采用振动烈度和特征频率分量作为预测机械系统状态的敏感因子,采用从时域到频域、频域到时域,构建旋转机械状态预测的组合模型。将基于SVM的组合预测模型应用于旋转注水机组的状态预测,取得较好的预测效果。