针对电潜螺杆泵故障预测中发生故障难以及时发现、发现难以准确判别故障类型等问题,提出一种基于深度学习长短期记忆网络(LSTM)结合概率神经网络(PNN)的电潜螺杆泵故障预测方法。以LSTM网络为回归模型,使用时间序列法预测故障信号的未来趋势,利用小波包分解螺杆泵的故障信号,提取其中的故障特征,再结合油压、产量等多个工作参数,构建电潜螺杆泵的故障特征向量,并凭借PNN网络判别预测信号故障类型。收集新疆油田120组故障数据作为数据集对预测模型进行训练,从中取出90组数据作为故障数据库对模型进行训练,取出30组数据作为测试组测试模型准确率,使用LSTM-PNN神经网络预测模型分别对两组数据进行电潜螺杆泵故障预测。结果表明预测前提取故障信号特征可有效提高电潜螺杆泵的故障预测精度,较常规电潜螺杆泵故障预测方法,LSTM-PNN网络预测具有...

分析电潜螺杆泵举升过程传动轴断轴部位应力分布及疲劳寿命对提高传动机构可靠性和保障电潜螺杆泵连续稳定运行具有重要意义。针对传动轴断轴部位,提出传动轴多载荷作用力学特性分析和疲劳寿命预测方法。数值仿真和现场测试分析结果表明:各载荷单独作用时,销孔应力较大区域沿径向条状分布且应力分布较均匀,内螺纹应力较大区域沿径向自上向下逐渐减弱,且最大应力受扭矩作用最大而受狗腿度产生的弯矩作用最小;各载荷组合作用时,轴向力对销