基于振動信號分析的電潛柱塞泵故障診斷方法研究

( 大慶油田有限責(zé)任公司 采油工程研究院，黑龍江 大慶 163318)①

電潛柱塞泵是一種針對三低油藏的新型高效無桿舉升工藝，在油田開采中后期開展了大量的室內(nèi)和現(xiàn)場試驗(yàn)，節(jié)能效果明顯，技術(shù)水平隨著應(yīng)用規(guī)模的擴(kuò)大在不斷完善，發(fā)展前景廣闊[1]。但潛油直線電機(jī)在井下復(fù)雜環(huán)境下運(yùn)行，導(dǎo)致電潛柱塞泵帶故障運(yùn)行情況較多。井口振動信號能夠全面反應(yīng)機(jī)組的運(yùn)行工況，因此，針對其不同工況下的振動信號進(jìn)行分析，對故障診斷技術(shù)的提高和油田生產(chǎn)具有實(shí)際意義[2-3]。通過對電機(jī)振動信號的有效處理和分析，能夠做到故障預(yù)警。由于電機(jī)自身的結(jié)構(gòu)特點(diǎn)、工作環(huán)境和負(fù)載工況等復(fù)雜因素，采集到的振動信號中含有大量的噪聲信號，有時(shí)候噪聲會使得有用信號無法識別[4-6]。運(yùn)用傳統(tǒng)的傅立葉分析方法有時(shí)不能滿足要求，特別是在信號中含有較多畸變的有用信息時(shí)，傅立葉分析法就無能為力了。小波分析法以其處理非平穩(wěn)信號所特有的優(yōu)點(diǎn)，得到了日益廣泛的應(yīng)用[7-8]。

文獻(xiàn)[9]提出了基于最優(yōu)小波基的電機(jī)故障信號特征提取方法，但該方法只是找出適合電機(jī)特定故障信號的最優(yōu)小波基，并沒有對具體故障進(jìn)行診斷分類。文獻(xiàn)[10]提出采用小波包方法對電機(jī)匝間短路進(jìn)行故障特征提取，以頻帶能量特征的對比診斷匝間短路故障，并未對電機(jī)其他故障以及信號能量特征采取進(jìn)一步的智能診斷。

本文選用對電潛柱塞泵故障診斷適應(yīng)性較高的db6小波，對采集到的振動信號進(jìn)行小波包分析并與BP神經(jīng)網(wǎng)絡(luò)結(jié)合，提出了一種隱層神經(jīng)元數(shù)變動的小波神經(jīng)網(wǎng)絡(luò)故障診斷方法，使其診斷精度及診斷周期得到很好的改善。利用小波包對信號微弱變化及突變的良好分析性能，針對電潛柱塞泵正常運(yùn)行、動子不平衡及動子機(jī)械磨損3種工況下的振動信號進(jìn)行處理，提取信號的能量特征向量，進(jìn)而獲得網(wǎng)絡(luò)的輸入向量，達(dá)到訓(xùn)練網(wǎng)絡(luò)、實(shí)現(xiàn)高精度診斷的要求。

1 問題描述

將采集到的振動信號的頻段進(jìn)行指數(shù)等間隔分區(qū)，應(yīng)用多分辨率分析；然后利用小波包分解(Wavelet Packet Analysis)對其高頻段進(jìn)一步精細(xì)分析；進(jìn)而自適應(yīng)選擇對應(yīng)頻帶與采集到的信號頻譜相匹配；最終實(shí)現(xiàn)時(shí)頻分辨率的有效提高。

其中g(shù)k=(-1)kh1-k，即兩系數(shù)也具有正交關(guān)系。

當(dāng)n=0時(shí)，由式(2)可得尺度函數(shù)u0(x)與小波函數(shù)u1(x)的雙尺度方程。

利用式(2)～(3)可得空間分解為：

(4)

式(2)與式(3)構(gòu)造的序列{un(x)}稱為由基函數(shù)φ(x)=u0(x)確定的小波包。

式中：d為小波包系數(shù)。

對小波和小波包的分析，二者的共同實(shí)質(zhì)是實(shí)現(xiàn)現(xiàn)場機(jī)組低頻和高頻振動信號2部分的第1次分解。但二者又有區(qū)別，前者只能針對低頻段二次、再次分解，最終得到分解系數(shù)；后者則對一次分解的兩個頻段都可以進(jìn)行二次、再次分解。小波包的3層分解過程如圖1所示，信號的低頻A1和高頻D1是振動信號S一次分解得到的，在二次、再次分解中，二者都能獲得不斷的更精細(xì)分解。其中A和D分別代表振動信號的低頻輪廓部分和高頻細(xì)節(jié)部分，后面的數(shù)字表示分解層數(shù)。

圖1 小波包分解過程

小波包分解關(guān)系式為：

S=AAA3+DAA3+ADA3+DDA3+AAD3+DAD3+ADD3+DDD3

(7)

本文現(xiàn)場采集到的振動信號的能量特征向量就是采用小波包分解重構(gòu)獲得，這是BP神經(jīng)網(wǎng)絡(luò)需要的最佳樣本向量，可以使小波與神經(jīng)網(wǎng)絡(luò)相結(jié)合。BP網(wǎng)絡(luò)為誤差反向傳播網(wǎng)絡(luò)，有正向和反向兩個非同時(shí)的傳播過程。正向過程傳播時(shí)，信號樣本經(jīng)輸入層、隱含層、輸出層實(shí)現(xiàn)逐層處理，這時(shí)需要在輸出層獲得期望值，否則樣本信號調(diào)轉(zhuǎn)；進(jìn)入反向傳播過程時(shí)，將實(shí)際與期望輸出的差值沿原來的連接通道返回，通過修改各層神經(jīng)元之間的連接權(quán)值，使誤差達(dá)到允許范圍，網(wǎng)絡(luò)訓(xùn)練結(jié)束。

考慮到多隱含層神經(jīng)網(wǎng)絡(luò)具有因復(fù)雜過度增加訓(xùn)練時(shí)間的缺點(diǎn)，本文設(shè)計(jì)采用改進(jìn)的單隱含層神經(jīng)元數(shù)變動的神經(jīng)網(wǎng)絡(luò)系統(tǒng)。訓(xùn)練過程隱含層中節(jié)點(diǎn)數(shù)的多與少，決定網(wǎng)絡(luò)獲得振動信號樣本的能力，間接地決定了網(wǎng)絡(luò)逼近目標(biāo)函數(shù)的成功概率，二者成正比關(guān)系。但是網(wǎng)絡(luò)獲得信號的能力過強(qiáng)，訓(xùn)練的復(fù)雜程度又會隨著增加，進(jìn)而干擾因素增加，影響到整個神經(jīng)網(wǎng)絡(luò)系統(tǒng)。因此，本文綜合考慮多方面因素，進(jìn)行改進(jìn)的單隱含層設(shè)計(jì)，根據(jù)不同情況選擇不同節(jié)點(diǎn)數(shù)，使其達(dá)到提高診斷精度及縮短診斷周期的雙重要求。

到目前為止，并沒有找到一個解析式能夠很好的確定隱含層神經(jīng)元數(shù)，基本上靠經(jīng)驗(yàn)公式確定。本文采用先根據(jù)經(jīng)驗(yàn)公式確定神經(jīng)元數(shù)目范圍，再通過誤差比確定不同情況下隱含層節(jié)點(diǎn)數(shù)，使其達(dá)到最佳精度。

采用的經(jīng)驗(yàn)公式為：

l=log2m

l=2m+1

式中：m為輸入層節(jié)點(diǎn)數(shù)；n為輸出層節(jié)點(diǎn)數(shù)；l為隱含層節(jié)點(diǎn)數(shù)；a為常數(shù)，取1～10。

2 故障診斷方法

2.1 能量特征向量的提取

電潛柱塞泵舉升工藝屬于恒定的剛性開環(huán)驅(qū)動，機(jī)組帶故障運(yùn)行時(shí)不斷受到脈動沖擊，振動信號的能量也隨之變化，靠近脈動沖擊作用時(shí)刻的振動信號能量突顯；反之信號能量變小，表現(xiàn)為噪聲、低頻信號等干擾。因此，突顯的能量變化，對應(yīng)提取準(zhǔn)確的故障能量特征。

本文通過小波包分解，利用其分解系數(shù)得到故障特征向量，具體過程為：通過db6小波對電潛柱塞泵井口振動信號進(jìn)行小波包3層分解，重構(gòu)其分解系數(shù)后，提取各頻率范圍內(nèi)的能量特征。采集到的振動信號頻率為0～F，則各層分解信號Sj(j=0，1，…，7)設(shè)定的各自頻帶如表1。

表1 各層分解振動信號頻帶

1) 重構(gòu)系數(shù)獲得各頻率范圍振動信號的能量總和。設(shè)各層分解振動信號Sj的總能量為Ej，則有：

式中：xjk表示各層分解振動信號Sj離散點(diǎn)的幅值。

2) 以各頻率范圍的能量特征為元素構(gòu)造特征向量為：

能量較大時(shí)， 數(shù)值龐大，需要通過對上述特征向量歸一化處理，以達(dá)到減少數(shù)據(jù)分析過程的計(jì)算量。

歸一化處理結(jié)果為：

T=[E0,E1,E2,E3,E4,E5,E6,E7]

(12)

2.2 神經(jīng)網(wǎng)絡(luò)的建立

以電潛柱塞泵舉升工藝為診斷對象，采集潛油直線電機(jī)動子不平衡和動子機(jī)械磨損2種常見故障的振動信號，經(jīng)小波包分解重構(gòu)得到的機(jī)組故障狀態(tài)下各頻段信號能量所構(gòu)成的樣本特征向量，將其輸入神經(jīng)網(wǎng)絡(luò)后，設(shè)定期望值。對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，當(dāng)誤差達(dá)到允許范圍時(shí)訓(xùn)練完畢。完成訓(xùn)練后，將測試樣本輸入神經(jīng)網(wǎng)絡(luò)，進(jìn)行故障識別。

1) 首先將電潛柱塞泵的井口振動信號進(jìn)行小波包分解、重構(gòu)、提取能量特征，獲得訓(xùn)練樣本，設(shè)定相匹配的期望值。網(wǎng)絡(luò)輸出層的神經(jīng)元節(jié)點(diǎn)設(shè)定3個，同時(shí)設(shè)定輸出值(1,0,0)、(0,1,0)、(0,0,1)，分別代表電潛柱塞泵正常運(yùn)行、動子不平衡，動子機(jī)械磨損。

2) 神經(jīng)網(wǎng)絡(luò)采用三層網(wǎng)絡(luò)結(jié)構(gòu)，分別為輸入層、隱含層、輸出層，由于每個輸入的特征向量含有8個元素，則輸入層神經(jīng)元節(jié)點(diǎn)個數(shù)為8，隱含層神經(jīng)元數(shù)目在3～17之間，比較不同節(jié)點(diǎn)數(shù)時(shí)誤差，選取節(jié)點(diǎn)數(shù)為17。

3) 使用Matlab軟件編寫B(tài)P神經(jīng)網(wǎng)絡(luò)程序，進(jìn)行網(wǎng)絡(luò)訓(xùn)練。視不同情況不斷變化網(wǎng)絡(luò)參數(shù)。一次訓(xùn)練后，若輸出值符合期望值，便輸入測試樣本；若不滿足要求，則增加訓(xùn)練樣本反復(fù)訓(xùn)練，直到輸出達(dá)到要求。

3 現(xiàn)場試驗(yàn)

由于油管結(jié)蠟、氣體影響、砂堵、卡泵、供液不足等井下復(fù)雜原因及工藝本身的結(jié)構(gòu)、控制方式，導(dǎo)致電潛柱塞泵動子易發(fā)生推力失穩(wěn)和機(jī)械磨損。針對這2種常見故障，在某油田區(qū)塊開展現(xiàn)場試驗(yàn)，選取機(jī)組正常運(yùn)行、動子不平衡、動子機(jī)械磨損3種工況運(yùn)行的油井，要求3口試驗(yàn)井的動液面、沖次、沖程、動子頻率、油壓、套壓等參數(shù)基本一致，然后在井口相同位置采集振動信號。將采集到的電潛柱塞泵的振動信號進(jìn)行小波包分解重構(gòu)，即在Matlab中編寫小波包信號處理程序，分別對3種工況下的原始振動信號S1進(jìn)行三層小波包分解重構(gòu)及能量特征提取，得到從低頻到高頻的重構(gòu)信號8頻段及2組特征向量，如圖2及表2所示。

a 正常運(yùn)行信號

b 動子不平衡信號

c 動子機(jī)械磨損信號

利用Matlab編寫B(tài)P神經(jīng)網(wǎng)絡(luò)程序，將得到的特征向量作為訓(xùn)練樣本與期望輸出一起輸入神經(jīng)網(wǎng)絡(luò)，進(jìn)行網(wǎng)絡(luò)訓(xùn)練。訓(xùn)練結(jié)束后，實(shí)際輸出與期望輸出對比如表3所示。

表3 實(shí)際值與期望值對比

實(shí)際輸出達(dá)到允許誤差范圍，網(wǎng)絡(luò)訓(xùn)練成功。以另外3組信號作為測試樣本，將表4得到的特征向量輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，測試網(wǎng)絡(luò)性能，測試輸出如表5所示。

表4 測試特征向量

表5 測試輸出

測試結(jié)果與實(shí)際信號狀態(tài)相對應(yīng)，表明利用小波包對故障信號進(jìn)行特征提取是行之有效的，訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)對直流電機(jī)故障能夠進(jìn)行精確診斷?，F(xiàn)場應(yīng)用效果反饋本文能夠?qū)﹄姖撝眠M(jìn)行有效、準(zhǔn)確的故障診斷。

4 結(jié)論

1) 電潛柱塞泵井口振動信號能夠全面反應(yīng)機(jī)組運(yùn)行情況，機(jī)組帶故障運(yùn)行時(shí)，其振動信號的能量和幅值都會發(fā)生相應(yīng)變化；由于油管結(jié)蠟、氣體影響、砂堵、卡泵、供液不足等井下復(fù)雜原因和工藝本身結(jié)構(gòu)和控制方式導(dǎo)致潛油直線電機(jī)動子易發(fā)生推力失穩(wěn)和機(jī)械磨損。

2) 針對電潛柱塞泵動子易發(fā)生推力失穩(wěn)和機(jī)械磨損的2種常見故障，開展現(xiàn)場試驗(yàn)。采用小波包算法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的故障診斷方法，利用小波包分析法對機(jī)組振動信號中的突變及微弱變化敏感的特點(diǎn)，進(jìn)行振動信號的能量特征提取，再利用隱層節(jié)點(diǎn)變化的神經(jīng)網(wǎng)絡(luò)系統(tǒng)進(jìn)行故障識別。

3) 現(xiàn)場試驗(yàn)結(jié)果表明，該方法準(zhǔn)確且可行。為深入研究和完善電潛柱塞泵故障診斷方法提供了有效依據(jù)。