基于遞歸神經(jīng)網(wǎng)絡的游梁式抽油機振動故障診斷

曹廣華,宛立達,袁子龍 (大慶石油學院電氣信息學院,黑龍江大慶1 6331 8)

金樹波 (大慶石油管理局物探公司,黑龍江大慶163318)

作為目前國內使用最普遍的采油設備——游梁式抽油機[1],是一種以人工舉升方式進行抽油桿往復運動的抽油設備。雖然游梁式抽油機的結構簡單、操作維護方便,但由于露天、長時間工作導致載荷過重,以及復雜的地下工作狀況,經(jīng)常導致抽油機出現(xiàn)各種故障,主要的故障有電動機工作異常、減速器工作異常、抽油桿斷桿和抽油桿偏磨等。

傳統(tǒng)的抽油機故障診斷方法有示功圖監(jiān)測法、電流監(jiān)測法、溫度診斷法3種。示功圖監(jiān)測法利用抽油機工作上下行程,來對應地畫出一個載荷與位移的函數(shù)關系曲線,從而得到實測示功圖,其工作量比較大,人為因素太多,需要有一定的專家經(jīng)驗;電流監(jiān)測法是根據(jù)抽油機井在出現(xiàn)各種的故障時,都會引起電動機電流平衡比的變化,從而可以對抽油機的故障做出判斷,其需要人工定期進行電流測量和監(jiān)測,工作量比較大,對故障發(fā)現(xiàn)不及時;溫度診斷法采用紅外點溫儀以及溫度計來測量抽油機關鍵部件的溫升,但當溫度超過現(xiàn)場專家經(jīng)驗溫升時,抽油機就可能存在故障。

為此,筆者利用帶偏差單元遞歸神經(jīng)網(wǎng)絡對抽油機振動故障進行了診斷,可以有效地克服傳統(tǒng)抽油機故障診斷受工作環(huán)境和人為因素影響的缺點,準確地判斷和預測抽油機故障。

1 帶偏差單元遞歸神經(jīng)網(wǎng)絡

內部反饋型遞歸神經(jīng)網(wǎng)絡 (internally recurrent network,IRN)是一種利用網(wǎng)絡結構的內部狀態(tài)反饋系統(tǒng)[2,3]。圖1為一個典型的3層IRN網(wǎng)絡結構拓撲圖。

該網(wǎng)絡結構包括輸入層、隱含層和輸出層等3層網(wǎng)絡節(jié)點;反饋節(jié)點由隱含層自身延時信號組成,并與輸入層的輸出一起構成隱含層的輸入;另外,引入2個偏差單元節(jié)點分別加在隱含層和輸出層上。這種帶有偏差單元的反饋型神經(jīng)網(wǎng)絡結構,由于增加了反饋節(jié)點使得內部自反饋的隱含層節(jié)點可以存儲過去的輸入、輸出信息,增加的偏差單元也使得在網(wǎng)絡的學習過程中引入專家經(jīng)驗知識,這可以大大提高網(wǎng)絡的學習效率。

圖1 帶偏差單元遞歸神經(jīng)網(wǎng)絡拓撲結構圖

設NH和NI分別為隱含層節(jié)點數(shù)和輸入層節(jié)點數(shù)(除偏差節(jié)點外),Uj(k)是該網(wǎng)絡在第j時間的第k個輸入層輸入,xj(k)是第j個隱含層節(jié)點的輸出,Y(k)是該網(wǎng)絡的輸出向量,則帶有偏差單元的遞歸神經(jīng)網(wǎng)絡的數(shù)學公式可表述為:

式中,δ(·)是隱含層節(jié)點的非線性激活函數(shù);wI、wR、wO分別是從輸入層到隱含層、隱含層到反饋信號、隱含層到輸出層的權系數(shù);wHbias、wObias分別是加在隱含層和輸出層上的偏差單元的權系數(shù);bH、bO分別是加在隱含層和輸出層上的偏差。

2 帶偏差單元遞歸神經(jīng)網(wǎng)絡的算法

帶偏差單元的遞歸神經(jīng)網(wǎng)絡是BP神經(jīng)網(wǎng)絡的一種改進算法,所以在考慮其權系數(shù)調整規(guī)則時,可以借鑒BP算法來確定網(wǎng)絡的權值和閾值。

根據(jù)IRN網(wǎng)絡結構模型,設輸入模式向量Ak=[a1,a2,…,an],期望輸出向量Yk=[y1,y2,…,yq];隱含層單元輸入向量Sk=[s1,s2,…,sp],隱含層輸出向量Bk=[b1,b2,…,bp];輸出層單元輸入向量Lk=[l1,l2,…,lq],輸出向量Ck=[c1,c2,…,cq];輸入層到隱含層連接權為{wij};隱含層到輸出層連接權為{vjt};隱含層各個單元的輸出閾值為{θj};輸出層各個單元閾值為{ηt};i=1,2,…,n;j=1,2,…,p;k=1,2,…,m;t=1,2,…,q。

將網(wǎng)絡的激活函數(shù)設為S函數(shù)f(x)=1/1+e-x,設第k個學習模式網(wǎng)絡的期望輸出和實際輸出的偏差為所以的均方值為

2.1 隱含層到輸出層的連接權的調整

為使Ek隨連接權以梯度下降修整,連接權vjt的調整量Δvjt應與成正比,則有:

定義:

則連接權vjt的調整量:

2.2 輸入層到隱含層的連接權的調整

定義:

則有:

連接權wij的調整量應為:

2.3 隱含層和輸出層的調整

隱含層閾值{θj}的調整量為輸出層閾值{ηt}的調整量為

3 仿真試驗

3.1 帶偏差單元遞歸神經(jīng)網(wǎng)絡學習樣本的構建

首先通過特征提取獲得抽油機振動故障狀態(tài)的特征向量,把這些特征向量作為網(wǎng)絡的輸入信號。選取振動信號頻譜中的1fr、2fr、3fr、＞3fr、fc、2fc頻段上的幅值作為特征向量,其中 fr和 fc分別是軸轉頻率和齒輪嚙合頻率。先對所有數(shù)據(jù)進行歸一化處理,使網(wǎng)絡所有的輸入都在 [0,1]內。選取抽油機關鍵部件的4種典型故障 (不平衡、不對中、齒輪偏心和軸承偏心),對這4類故障分別選取3組頻譜值,構成相應4類故障的12組學習樣本,并定義期望輸出值1或接近1時代表故障存在,當是0或接近0時代表故障不存在。

采用表1數(shù)據(jù)為學習樣本,利用神經(jīng)網(wǎng)絡的自學習功能,通過學習樣本對IRN進行訓練,來確定特征向量與目標向量之間的非線性映射關系以及連接權值和閾值。將檢測到的振動數(shù)據(jù)輸入到已訓練好的網(wǎng)絡模型,即可得到抽油機故障狀態(tài)的診斷結果。

表1 歸一化后各種故障類型的學習訓練樣本

3.2 仿真結果

利用構建的學習樣本,用IRN進行故障診斷的仿真試驗。選取的該網(wǎng)絡含有6個輸入節(jié)點、10個隱含節(jié)點、3個關聯(lián)節(jié)點、2個偏差單元和4個輸出節(jié)點。利用測試樣本對網(wǎng)絡進行檢驗,根據(jù)表2中測試結果 (主對角線上接近于1,其余接近于0)可以看到,用訓練好的神經(jīng)網(wǎng)絡對抽油機故障狀態(tài)的進行測試診斷,診斷仿真結果表明與實際工況相吻合,并完全接近理想輸出。

表2 測試樣本

4 結 語

當傳統(tǒng)的診斷方法不能滿足診斷需要時,利用帶偏差單元遞歸神經(jīng)網(wǎng)絡能夠對抽油機進行正確的振動故障診斷。通過仿真診斷結果表明,該方法完全可以滿足現(xiàn)場實時診斷的準確性要求。

[1]張學魯,季祥云,羅仁全.游梁式抽油機技術與應用[M].北京:石油工業(yè)出版社,2001.

[2]聞新,周露,李翔,等.Matlab神經(jīng)網(wǎng)絡仿真與應用[M].北京:科學出版社,2003.

[3]彭文季,羅興锜,李福松,等.基于頻譜法和帶偏差單元遞歸神經(jīng)網(wǎng)絡的水電機組振動故障診斷 [J].機械科學與技術,2006,25(11):1281～1284.