抽油機故障音頻智能診斷技術(shù)應(yīng)用研究

司志梅，段志剛，趙慶婕

（中國石化江蘇油田分公司石油工程技術(shù)研究院,江蘇揚州 225009）

游梁式抽油機是石油開采中關(guān)鍵的機械設(shè)備之一,掌握抽油機設(shè)備運行狀態(tài)是原油安全生產(chǎn)的重要工作。

目前應(yīng)用的抽油機故障診斷技術(shù)總體可分為兩類：第一類是人工巡檢,依靠技術(shù)人員的豐富經(jīng)驗通過“看聽摸查聞”,分析抽油機的運行情況,判斷抽油機是否存在故障,這種方法人為因素影響大,識別準確率低,且人工工作量大,不能滿足抽油機工況實時診斷和油田信息化、智能化管理的要求；第二類是人工智能診斷技術(shù),利用計算機自動識別技術(shù)實時檢測抽油機運行數(shù)據(jù),通過振動信號分析和神經(jīng)網(wǎng)絡(luò)故障診斷等手段進行分析、推測,有效實現(xiàn)抽油機故障分類及預(yù)警［1-3］。人工智能診斷技術(shù)主要檢測電動機、減速器等設(shè)備的振動信號或是懸點示功圖的形態(tài)變化特征,并未對抽油機運行的音頻信號進行診斷。

當抽油機運行狀態(tài)發(fā)生變化,音頻信號的特性也會隨之變化,對音頻信號進行分析與處理,也是實現(xiàn)抽油機故障診斷的一種有效的方法［4］。因此,提出了一種基于大數(shù)據(jù)分析的抽油機故障音頻智能診斷方法,利用抽油機音頻智能采集器采集抽油機的音頻數(shù)字信號,把音頻信號轉(zhuǎn)換為特征圖像（語譜圖）,利用深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)對圖像進行分類識別,實現(xiàn)抽油機故障分類和故障報警。

1 抽油機故障音頻智能診斷系統(tǒng)原理

抽油機故障音頻智能診斷原理是將音頻數(shù)據(jù)分幀、加窗,轉(zhuǎn)換為特征語譜圖,利用深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)對圖像進行識別分類。

1.1 音頻特征圖像提取

音頻信號在10～30 ms 內(nèi)可以認為是平穩(wěn)的,短時特性不變。首先是將采樣音頻分成每份20 ms 長的音頻塊,然后對每個音頻塊進行特征提取。以傅里葉變換為例,提取頻譜特征的過程,就是將聲波分解成一個個組成部分,分離低音部分,再分離下一個最低音的部分,以此類推。然后將（從低到高）每個頻段中的能量相加,就為各個類別的音頻片段創(chuàng)建了一個指紋。本文分析了音頻傳統(tǒng)特征包括：音頻圖、短時能量、能量譜、Mel 頻率倒譜系數(shù)MFCC、相位譜等,綜合比較各種特征在訓(xùn)練模型上的表現(xiàn),語譜圖效果最好。語譜圖的生成過程包括：①音頻信號分幀；②加窗處理（漢明窗）；③對每一幀信號做傅里葉變換,得到頻譜；④多幀處理,生成MFCC 圖,再進行對數(shù)處理后得到語譜圖［5-6］。語譜圖將音頻信號轉(zhuǎn)換成數(shù)字圖像,其橫軸、縱軸分別為時間和頻率,顏色的深淺則表示對應(yīng)頻率的強弱。根據(jù)錄取的抽油機音頻數(shù)據(jù)對應(yīng)提取的特征圖像如圖1所示。

圖1 部分正常音頻和故障音頻特征語譜圖

1.2 卷積神經(jīng)網(wǎng)絡(luò)

近些年隨著深度學(xué)習(xí)的發(fā)展,深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)在圖像識別處理中表現(xiàn)出了越來越高的準確度［7］。本文以此為基礎(chǔ),把音頻數(shù)據(jù)轉(zhuǎn)換為特征圖像（語譜圖）,利用深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)對音頻特征圖像進行分類識別。典型的卷積網(wǎng)絡(luò)是由卷積層、池化層、全連接層組成。其中卷積層與池化層配合,組成多個卷積組,逐層提取特征,最終通過若干個全連接層完成分類［8-9］。深度卷積神經(jīng)網(wǎng)絡(luò)通過卷積來模擬特征區(qū)分,并且通過卷積的權(quán)值共享及池化,來降低網(wǎng)絡(luò)參數(shù)的數(shù)量級,最后通過傳統(tǒng)神經(jīng)網(wǎng)絡(luò)完成分類任務(wù),有效降低反饋神經(jīng)網(wǎng)絡(luò)（傳統(tǒng)神經(jīng)網(wǎng)絡(luò)）的復(fù)雜性,共享卷積核,對高維數(shù)據(jù)處理無壓力,無需手動選取特征,訓(xùn)練好權(quán)重,即得特征,分類效果好（見圖2）。

圖2 深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2 抽油機故障音頻智能診斷系統(tǒng)組成

抽油機故障音頻智能診斷系統(tǒng)由前端音頻智能采集器與后端系統(tǒng)軟件組成。前端音頻智能采集器負責(zé)采集、處理井場音頻并傳輸至遠程服務(wù)器,后端系統(tǒng)軟件進行故障音頻的分析識別。

2.1 音頻智能采集器

音頻智能采集器包括拾音模塊、采音模塊以及電源模塊,如圖3所示。

圖3 音頻智能采集器結(jié)構(gòu)

拾音模塊接收外部的聲音,進行降噪等處理后,傳輸至采音模塊,采音模塊通過以太網(wǎng)將處理后的音頻數(shù)據(jù)傳輸至遠程服務(wù)器。

音頻智能采集體系的拾音模塊主要有雙路麥克風(fēng)、降噪電路、雙運放電路組成。雙路麥克風(fēng)設(shè)備可靠性高,抗干擾能力強,靈敏度高,且具有較為合適的常數(shù)增益以及線性相位,能夠在環(huán)境溫度、濕度、振動沖擊發(fā)生變化時避開干擾,獲取真實的音頻信號,可將被測音頻有效地轉(zhuǎn)換為電信號。

采樣的數(shù)據(jù)集應(yīng)具有代表性并能包含大多數(shù)聲音信息,通過分析選用8 kHz 采樣率的采樣模塊。為保證存儲的有效性,要對在計算機中以幅度值進行存儲的樣本數(shù)據(jù)進行量化使其成為整數(shù),通過分析選擇可以表示-32 768～32 767 之間整數(shù)值的16位采樣位數(shù),將采樣幅度值量化為最近的整數(shù)值,從而確定選用的AD 采集模塊,采集模塊工作流程如圖4所示。

圖4 AD采音模塊

抽油機音頻的采集可通過在油井井場定點安裝固定式音頻采集器采集不同抽油機機型、不同工作制度、不同液量液性下的抽油機音頻數(shù)據(jù),包括正常生產(chǎn)音頻及日常隨機出現(xiàn)的抽油機故障音頻；同時可利用移動式音頻采集器采集人為模擬的抽油機不常出現(xiàn)的故障音頻,包括十字頭松、中軸松、尾軸松、曲柄銷松（左右）、平衡塊松（左右）等人工模擬故障聲音。為實現(xiàn)抽油機音頻數(shù)據(jù)的多渠道采集,更精準地采集到故障音頻數(shù)據(jù),開發(fā)了“油井故障音頻采集”手機小程序,現(xiàn)場技術(shù)人員可通過油井故障音頻采集小程序,錄入不同抽油機的故障音頻,通過移動式音頻采集器、固定式音頻采集器以及手機小程序采集抽油機音頻,建立抽油機音頻庫；充分結(jié)合抽油機領(lǐng)域?qū)＜抑R,分析抽油機各部件異常響聲關(guān)聯(lián)的故障類型,形成電機缺相運行、電機軸承干磨、皮帶打滑、減速箱齒輪異響、平衡塊松（左、右）、曲柄銷松（左、右）、十字頭松、支架松、中軸松、尾軸松、壓杠松、光桿碰驢頭、驢頭銷子松、毛辮子磨驢頭等24 類故障音頻庫,所有采集到的音頻數(shù)據(jù)除去故障音頻后歸檔到正常音頻庫。

2.2 后端系統(tǒng)軟件

抽油機故障音頻智能診斷系統(tǒng)架構(gòu)模型由后臺模型分析模塊、實時識別模塊和音頻管理模塊組成,如圖5所示。后臺分析模塊根據(jù)帶標簽的音頻,提取聲學(xué)特征,訓(xùn)練模型,生成實時識別模塊需要的參數(shù),實時識別模塊和音頻管理模塊聯(lián)動,對多路采集來的音頻數(shù)據(jù)進行分析,輸出故障類型。

圖5 診斷系統(tǒng)架構(gòu)模型

抽油機音頻數(shù)據(jù)轉(zhuǎn)化為特征圖像,應(yīng)用深度卷積神經(jīng)網(wǎng)絡(luò)圖形識別方法進行診斷識別,直接應(yīng)用的效果是不理想和不穩(wěn)定的,其中主要的原因在于訓(xùn)練數(shù)據(jù)的組織方式和特征提取,雖然能夠在有限的故障音頻訓(xùn)練集上達到95%的精度,但是模型穩(wěn)定程度還有待使用更多的實際數(shù)據(jù)進行驗證。

綜合運用遷移學(xué)習(xí)方法,改進了模型的穩(wěn)定性,減少了誤報率。遷移學(xué)習(xí)是一種基于以前學(xué)習(xí)的基礎(chǔ)上繼續(xù)學(xué)習(xí)的方式,遷移學(xué)習(xí)是將已有問題的解決模型（如圖像識別）用在其他不同但相關(guān)問題上?；谶w移學(xué)習(xí),在少量標簽數(shù)據(jù)上也實現(xiàn)了高分類精度。由于有些故障較難區(qū)分,導(dǎo)致標簽存在一些不準確的情況,給訓(xùn)練增加了一定的難度,模型很可能被不準確的標簽誤導(dǎo)。針對這種情況,采用自蒸餾的方式來解決,即給每個軟化前的標簽賦予一定的概率,從而降低模型訓(xùn)練的難度。

3 現(xiàn)場應(yīng)用

基于大數(shù)據(jù)分析的抽油機故障音頻智能診斷技術(shù)在江蘇油田231 井次錄取6 000 余條特征音頻數(shù)據(jù),在112口油井安裝了音頻智能采集器,在音頻診斷服務(wù)器上安裝了抽油機音頻故障診斷及報警軟件,發(fā)現(xiàn)故障58井次,經(jīng)現(xiàn)場核驗,53井次故障診斷正確,故障診斷準確率達91.4%,故障響應(yīng)時間平均縮短4 小時,避免故障的復(fù)雜化,提高了管理水平,提高了設(shè)備完好率。

4 結(jié)論與認識

（1）抽油機故障音頻智能診斷技術(shù)兩大特點：一是提出了利用音頻特征圖像提取、圖像分類識別,智能診斷抽油機故障的方法,實時診斷,提高了抽油機管理水平；二是依據(jù)構(gòu)建的大數(shù)據(jù)音頻分析平臺,待數(shù)據(jù)量積累到十萬、百萬以上級別后,可以自動學(xué)習(xí)出故障變化的規(guī)律。

（2）抽油機故障音頻智能診斷技術(shù)在江蘇油田112口油井現(xiàn)場應(yīng)用,發(fā)現(xiàn)故障58井次,經(jīng)現(xiàn)場核實53 井次診斷正確,故障診斷準確率達91.4%。系統(tǒng)故障診斷準確率的提高還需進一步深化研究,在推廣過程中逐步驗證并完善。

（3）抽油機音頻故障智能診斷技術(shù)彌補了現(xiàn)有信息化系統(tǒng)無抽油機音頻分析的不足,推動了油田信息化智能化建設(shè)。