關(guān)于頂驅(qū)智能診斷的方法探討與趨勢分析＊

王洋紳，高 瀚，程騰飛，劉 增，任仲瑛

（北京石油機(jī)械有限公司，北京 102200）

頂驅(qū)對鉆井作業(yè)和井下安全起著至關(guān)重要的作用，由于鉆井狀況不可預(yù)測性和頂驅(qū)自身結(jié)構(gòu)的復(fù)雜性，頂驅(qū)在作業(yè)時不可避免地會出現(xiàn)故障，輕則影響生產(chǎn)效率和鉆井工程的質(zhì)量，重則可能造成鉆井事故和工作人員傷亡。頂驅(qū)造價高，維修費(fèi)用動輒在幾萬甚至上百萬。另外，從鉆井行業(yè)的發(fā)展趨勢來看，頂驅(qū)已逐漸由單一產(chǎn)品銷售模式向產(chǎn)品、租賃、服務(wù)于一體的裝備可靠性銷售模式轉(zhuǎn)變，因此制定科學(xué)的頂驅(qū)維護(hù)策略，對頂驅(qū)的使用、維修管理等進(jìn)行指導(dǎo)具有重要的意義[1]。

目前，頂驅(qū)的前期維護(hù)方式包括2大類：其一為出現(xiàn)故障后采取的事后維護(hù)，是一種無計劃性的被動維修方式；另一方式為保持頂驅(qū)良好運(yùn)轉(zhuǎn)狀態(tài)的預(yù)防性維護(hù)。預(yù)防維護(hù)是目前頂驅(qū)采用的主要維護(hù)方式，主要依靠專業(yè)人員的經(jīng)驗制定維護(hù)策略[2-8]，該方式對專業(yè)人員的要求高，維護(hù)模式定制化強(qiáng)而適用性范圍低，且容易使頂驅(qū)欠維護(hù)或過度維護(hù)，增加不必要的維護(hù)成本。

因此，通過分析頂驅(qū)部件，如電機(jī)、齒輪箱、軸承等的狀況或監(jiān)測其運(yùn)行指標(biāo)，獲取其運(yùn)行狀況的各類信息，結(jié)合一定的診斷方法判斷頂驅(qū)部件是否正常，以確定是否檢修并安排合理的檢修計劃。這樣不僅能及時安排修理，減少突發(fā)性故障停機(jī)造成的經(jīng)濟(jì)損失，還能降低過剩維修產(chǎn)生的不必要的維護(hù)費(fèi)用。

自故障診斷技術(shù)概念被提出以來，已經(jīng)產(chǎn)生了許多卓有成效的狀態(tài)監(jiān)測和故障診斷方法，但頂驅(qū)的狀態(tài)監(jiān)測與故障診斷技術(shù)卻尚未成熟，技術(shù)應(yīng)用較少。本文在總結(jié)已有研究成果的基礎(chǔ)上，以頂驅(qū)及其部件為故障診斷對象，較為詳細(xì)地闡述了各類診斷方法的研究現(xiàn)狀及其優(yōu)缺點(diǎn)，并結(jié)合當(dāng)前現(xiàn)狀探討了頂驅(qū)故障診斷技術(shù)的發(fā)展趨勢。頂驅(qū)故障診斷方法如圖1所示。

圖1 頂驅(qū)故障診斷方法

1 頂驅(qū)定性故障診斷方法

基于定性經(jīng)驗的頂驅(qū)故障診斷是一種利用不完備先驗知識描述系統(tǒng)功能結(jié)構(gòu)，并建立定性模型實(shí)現(xiàn)故障診斷過程的方法，包括故障樹分析（Fault TreeAnalysis，F(xiàn)TA）、專家系統(tǒng)（Expert System，ES）等[9]。

1.1 故障樹分析

FTA在系統(tǒng)設(shè)計過程中，通過對可能造成系統(tǒng)故障的各種因素進(jìn)行分析，確定系統(tǒng)故障原因的各種組合方式及其發(fā)生概率，計算系統(tǒng)故障概率，以采取相應(yīng)的糾正措施，提高系統(tǒng)可靠性。FTA是一種評價復(fù)雜系統(tǒng)可靠性與安全性的重要方法，它既可用于定性分析，又可以定量計算復(fù)雜系統(tǒng)發(fā)生事故的概率，為改善和評價系統(tǒng)可靠性提供了依據(jù)。

王永勤等[10-11]利用FAT方法原理，繪制出頂驅(qū)的故障樹，然后對故障樹進(jìn)行了定性定量分析。張毅[12]通過頂驅(qū)故障樹的定性和定量分析，得出頂驅(qū)故障原因多為磨損、腐蝕、強(qiáng)度不夠或者過載等。蔣愛國[13]將頂驅(qū)故障分為機(jī)械故障、電氣故障和液壓故障3種，并繪制簡單的故障樹，用以鋪墊頂驅(qū)機(jī)械故障數(shù)字化監(jiān)測診斷的重要性。

1.2 專家系統(tǒng)

運(yùn)用專家在頂驅(qū)故障維護(hù)領(lǐng)域積累的有效經(jīng)驗和專業(yè)知識建立知識庫，并通過計算機(jī)模擬專家思維過程，對信息知識進(jìn)行推理和決策以得到診斷結(jié)果。

霍連才[14]通過建立專家系統(tǒng)的事實(shí)庫和各機(jī)構(gòu)的規(guī)則庫，編制了頂驅(qū)故障診斷專家系統(tǒng)?；暨B才等[15]用產(chǎn)生式規(guī)則，對ⅤARCOTDS-11SA頂驅(qū)建立了規(guī)則庫，構(gòu)建了專家系統(tǒng)的知識庫。

2 頂驅(qū)定量故障診斷方法

2.1 振動信號

設(shè)備發(fā)生故障的主要特征是伴有異常的振動和噪聲，頂驅(qū)齒輪箱齒輪、頂驅(qū)主軸、主軸承及頂驅(qū)電機(jī)振動加劇往往伴隨著機(jī)械部件工作狀態(tài)不正常乃至失效，有60%以上的機(jī)械故障都是振動反映出來的。振動檢測法有著其獨(dú)特的優(yōu)勢，包括：①振動信號的變化能夠?qū)崟r反映設(shè)備的運(yùn)行狀況，具有時效性；②振動信號較容易獲取，信號采集設(shè)備的布置不會影響設(shè)備的結(jié)構(gòu)設(shè)計；③振動信號的變化與設(shè)備狀態(tài)有著直接的聯(lián)系，同一故障模式引起的振動變化相對固定，易于在同一領(lǐng)域內(nèi)進(jìn)行推廣研究，其普適性較強(qiáng)。因此，通過一定的設(shè)備與技術(shù)對頂驅(qū)部件的振動信號進(jìn)行監(jiān)測和分析，自然就可以診斷出頂驅(qū)部件的故障[16]。

2.1.1 基于數(shù)據(jù)驅(qū)動的故障診斷

振動信號的時域、頻域、時頻域3類分析方法，均是從振動信號中提取出有效的特征向量用于故障診斷。

2.1.1.1 時域信號分析方法

時域信號分析方法是從原始振動信號中提取如周期、峰值、平均值和標(biāo)準(zhǔn)差等特征量，此外，還可提取高階時域特征，例如均方根、偏斜度、峰度、波峰因子、脈沖因子、裕度因子、峭度指標(biāo)、均方根值等。

2.1.1.2 頻域信號分析方法

頻域信號分析方法是從原始信號中提取其頻譜來進(jìn)行故障診斷，常用的方法有幅值譜、包絡(luò)譜、細(xì)化譜、倒頻譜、高階譜和全息譜分析等[17]。信號的頻譜能夠描述信號在頻率域內(nèi)的分布情況，因此其能夠更加明確地反映原始信號中所包含的不同頻率信息。倒頻譜分析在信號頻譜圖出現(xiàn)多族邊頻時，可以識別出故障頻率[18]。

謝敬軍[16]和張堯等[19]通過對頂驅(qū)軸承進(jìn)行實(shí)驗分析，得出了頂驅(qū)軸承故障信號具有變頻特征以及損傷點(diǎn)的沖擊呈現(xiàn)非周期性特點(diǎn)，軸承共振頻率和共振信號振幅會隨著傳動滾動軸承的轉(zhuǎn)速變化而變化的結(jié)論。管森森[20]則給出了齒輪箱的信號處理方法，并開發(fā)基于振動信號分析的齒輪箱故障診斷系統(tǒng)。

2.1.1.3 時頻域信號分析方法

將時域方法與頻域中時間的尺度變換相結(jié)合，可實(shí)現(xiàn)對信號的全面分析。因此，對于頂驅(qū)振動非線性與非平穩(wěn)振動信號的分析和處理，需要通過時頻域分析方法，對非平穩(wěn)振動信號進(jìn)行描述。常見的頂驅(qū)時頻域分析方法有小波分析、經(jīng)驗?zāi)B(tài)分解（EMD）、短時傅里葉變換和共振稀疏分解等。

小波分析利用其良好的時頻局部化特性，可以將分析的重點(diǎn)集中到信號的任意細(xì)節(jié)部分上，由于其多分辨率特性適合用于非線性和非平穩(wěn)信號的分析，因此在旋轉(zhuǎn)機(jī)械故障診斷中有著突出的應(yīng)用。EMD能夠?qū)⑿盘栕赃m應(yīng)分解成若干個本征模態(tài)函數(shù)，由于EMD方法具有良好的自適應(yīng)性，因此在機(jī)械故障診斷領(lǐng)域獲得了廣泛的關(guān)注和應(yīng)用。賀文杰[21]基于齒輪箱故障振動信號所表現(xiàn)的非線性非平穩(wěn)特征對齒輪箱中采集的振動信號作小波包分解，同時選取特定頻帶的小波重構(gòu)信號應(yīng)用變換進(jìn)行了分析，得到經(jīng)驗?zāi)B(tài)分解過程和一系列本征模態(tài)函數(shù)，結(jié)合Hilbert變換，提取故障特征頻率，有效地識別了齒輪箱中齒輪裂紋的不同故障模式。蔣愛國[13]針對齒輪箱故障信號的持續(xù)振蕩性和軸承故障信號的瞬態(tài)性，采用共振稀疏分解對原始信號進(jìn)行處理，利用最小熵反褶積變換加強(qiáng)沖擊分量，提取出軸承的頻率特征信息，完成齒輪箱中齒輪與軸承的診斷。原始振動信號經(jīng)EEMD分解可以得到不同尺度下的本征模態(tài)分量，這些及其頻域信息的均值、方差、峰度、偏度等統(tǒng)計特征常被用來構(gòu)造故障診斷模型的原始特征空間，進(jìn)而實(shí)現(xiàn)對故障特征的分類[22]。

2.1.2 基于人工智能的故障診斷

人工智能是通過模擬人的思維決策來實(shí)現(xiàn)人的行為的一種機(jī)器學(xué)習(xí)技術(shù)，人工智能算法僅依據(jù)歷史數(shù)據(jù)和實(shí)時數(shù)據(jù)，通過教計算機(jī)如何學(xué)習(xí)、推理和決策等，就可以判斷機(jī)械設(shè)備當(dāng)前的狀態(tài)[23]。由于故障類型和故障征兆之間存在復(fù)雜的映射關(guān)系，所以基于人工智能的故障診斷技術(shù)較為適用[24]。目前，以神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)及其他機(jī)器學(xué)習(xí)為代表的人工智能算法得到了廣泛的關(guān)注和研究，并應(yīng)用于機(jī)械設(shè)備的故障診斷。此外，深度學(xué)習(xí)方法作為深層機(jī)器學(xué)習(xí)模型，在機(jī)械故障的研究中應(yīng)用越來越廣泛。

人工神經(jīng)網(wǎng)絡(luò)是一種模擬人腦思維的分類模型，利用多個神經(jīng)元及其邊的權(quán)值進(jìn)行輸入到輸出的映射。MURUGANATHAM等[25]使用奇異值分解和前饋反向傳播神經(jīng)網(wǎng)絡(luò)來診斷滾動軸承不同尺寸的不同故障，選取適當(dāng)?shù)钠娈愔底鳛閱坞[藏層BPNN的輸入特征集。SOUALHI等[26]結(jié)合Hilbert-Huang變換、SⅤM和支持向量回歸用于滾動軸承的退化檢測，實(shí)現(xiàn)故障識別和剩余使用壽命預(yù)測。SAIDI等[27]提出了一種新的結(jié)合高階光譜分析和SⅤM的滾動軸承故障診斷方法，得到原始特征向量集，結(jié)合PCA應(yīng)用SⅤM模型實(shí)現(xiàn)滾動軸承的故障診斷。俞嘯[22]建立基于DBN的故障狀態(tài)識別模型，提高模式識別方法對特征空間的適應(yīng)能力，形成了完整的基于數(shù)據(jù)驅(qū)動的滾動軸承故障特征分析。王宇等[28]利用混合蛙跳算法對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，應(yīng)用于滾動軸承故障診斷并取得了較好的效果。

2.2 溫度分析法

頂驅(qū)的電機(jī)、齒輪箱、軸承等部件在強(qiáng)烈的沖擊和摩擦條件下工作，因此溫度也是反映其某些部位狀態(tài)變化的敏感因子。溫度監(jiān)測對軸承負(fù)荷、速度和潤滑情況的變化反應(yīng)比較敏感，尤其是對潤滑不良而引起的軸承過熱現(xiàn)象很敏感，所以用于這種場合比較有效。

2.3 電機(jī)電流分析法

電機(jī)電流分析法適用于電機(jī)作為動力源的頂驅(qū)，當(dāng)頂驅(qū)發(fā)生機(jī)械故障時，其轉(zhuǎn)子上所感受到的機(jī)械故障信息會轉(zhuǎn)化為電信號反映到定子電流上來，使定子的電流波形產(chǎn)生畸變，對其進(jìn)行包絡(luò)處理，剔除工頻信號，即可進(jìn)行故障分析。楊明等[29]以定子電流作為齒輪故障診斷的切入點(diǎn)，降低了硬件方面的要求。

2.4 油液分析法

油液分析是從潤滑油中提取信息，從而對齒輪箱內(nèi)磨損與潤滑情況進(jìn)行監(jiān)測，是一種比較理想的輔助手段，主要包括油品理化性能分析技術(shù)（監(jiān)測潤滑油受污染和質(zhì)量狀況）、潤滑油中所含磨粒的鐵譜分析技術(shù)以及潤滑油料中磨粒成分的光譜分析技術(shù)（監(jiān)視各摩擦副的磨損狀況）。

3 優(yōu)缺點(diǎn)分析

頂驅(qū)是集機(jī)、電、液為一體的復(fù)雜系統(tǒng)，且其回轉(zhuǎn)振動信號具有低頻、非線性和非平穩(wěn)性等特點(diǎn)。根據(jù)頂驅(qū)自身的特性，分析各故障診斷方法應(yīng)用于頂驅(qū)系統(tǒng)的優(yōu)缺點(diǎn)，如表1所示。

表1 故障診斷方法應(yīng)用于頂驅(qū)優(yōu)缺點(diǎn)分析

4 結(jié)論

目前針對頂驅(qū)的故障診斷方法的應(yīng)用較少，研究還未普遍且發(fā)展較為緩慢。本文對現(xiàn)有的頂驅(qū)及齒輪箱、軸承的故障診斷方法進(jìn)行了歸納總結(jié)，在此基礎(chǔ)上，對其應(yīng)用于頂驅(qū)的優(yōu)缺點(diǎn)進(jìn)行了分析比較，給出了應(yīng)用于頂驅(qū)故障診斷方法的理論指導(dǎo)。

頂驅(qū)的故障診斷方法的應(yīng)用及研究具有重要的意義。根據(jù)研究現(xiàn)狀分析可得其熱點(diǎn)和趨勢為：①多參數(shù)信息融合的故障診斷方向，頂驅(qū)的系統(tǒng)是多元化的復(fù)雜系統(tǒng)，需要研究故障診斷方法實(shí)現(xiàn)對耦合故障的診斷；②早期故障還未表現(xiàn)出癥狀，可通過故障診斷技術(shù)進(jìn)行數(shù)據(jù)挖掘，預(yù)測信號演變趨勢，提前進(jìn)行故障預(yù)測或剩余壽命評估，實(shí)現(xiàn)預(yù)失效分析；③遠(yuǎn)程故障診斷是頂驅(qū)運(yùn)行管理的一個必要趨勢，通過遠(yuǎn)程的數(shù)據(jù)傳輸和診斷結(jié)果分析，指導(dǎo)現(xiàn)場頂驅(qū)的管理和維護(hù)。