石油鉆機(jī)機(jī)電設(shè)備管理與維護(hù)的故障診斷及應(yīng)用

韋丁午，李 翔，汪君明，袁鴻軼

（1.渤海鉆探塔里木鉆井分公司，新疆庫(kù)爾勒 841000；2.渤海裝備華油鋼管公司，河北滄州 062650）

0 引言

在石油鉆井過(guò)程中大型機(jī)械設(shè)備能否穩(wěn)定安全運(yùn)轉(zhuǎn)，相關(guān)的管理與維護(hù)步驟必不可少。由于作業(yè)過(guò)程中材料、工藝、操作、極端環(huán)境和人為因素等多種原因會(huì)引起機(jī)電設(shè)備故障，并且設(shè)備處于24 h 運(yùn)轉(zhuǎn)狀態(tài)，極易發(fā)生零件磨損嚴(yán)重或老化現(xiàn)象，導(dǎo)致運(yùn)轉(zhuǎn)效率低，影響正常的生產(chǎn)活動(dòng)順序[1-2]。因此，對(duì)機(jī)電設(shè)備進(jìn)行科學(xué)的日常管理與維護(hù)非常必要，運(yùn)用機(jī)器學(xué)習(xí)算法及數(shù)據(jù)分析方法實(shí)現(xiàn)新型故障診斷技術(shù)，對(duì)設(shè)備故障問(wèn)題檢測(cè)、統(tǒng)計(jì)、維護(hù)具有一定現(xiàn)實(shí)指導(dǎo)意義，有效減少人員成本，提升機(jī)電設(shè)備的穩(wěn)定性、安全性、高效性。

為了滿足油田系統(tǒng)的開發(fā)需求，需要更進(jìn)一步細(xì)分工作流程。鉆井機(jī)電系統(tǒng)包括提升系統(tǒng)、旋轉(zhuǎn)系統(tǒng)、循環(huán)系統(tǒng)、傳動(dòng)系統(tǒng)、控制系統(tǒng)、驅(qū)動(dòng)系統(tǒng)、鉆機(jī)底座及輔助系統(tǒng)，且鉆井起初至工程完成，機(jī)電設(shè)備會(huì)參與驅(qū)動(dòng)與控制，因此要定期制定機(jī)電設(shè)備保養(yǎng)、維修計(jì)劃，以保證設(shè)備各個(gè)環(huán)節(jié)滿足正常作業(yè)工況[3]。目前盡管現(xiàn)場(chǎng)有一定的設(shè)備故障解決策略和維護(hù)方式，但是大多數(shù)情況下是以人為經(jīng)驗(yàn)為主，不僅效果不理想，也沒(méi)有完全解決隱患問(wèn)題，主要原因是缺乏針對(duì)性的科學(xué)故障診斷手段、完善的機(jī)電設(shè)備管理制度以及必要的維護(hù)保養(yǎng)方式。為此，石油行業(yè)需要結(jié)合“人為+科學(xué)”的概念方式建立新的故障診斷機(jī)制，在減少人員投入精力的同時(shí)，提高機(jī)電設(shè)備的管理與維護(hù)效率。

1 機(jī)電設(shè)備故障診斷技術(shù)

隨著制造業(yè)的發(fā)展，機(jī)電設(shè)備故障診斷技術(shù)已經(jīng)成為一門獨(dú)立的技術(shù)，能夠依據(jù)設(shè)備的運(yùn)行數(shù)據(jù)做相應(yīng)分析，檢測(cè)機(jī)電設(shè)備運(yùn)行狀況是否存在或預(yù)測(cè)故障、消除故障點(diǎn)或提前預(yù)示故障點(diǎn)，保證設(shè)備安全運(yùn)行。與傳統(tǒng)的故障診斷方式相比，現(xiàn)代故障診斷手段最顯著的特點(diǎn)就是診測(cè)故障不用拆卸設(shè)備，同時(shí)還能對(duì)設(shè)備的運(yùn)行能力、承受能力、磨損程度等做出綜合性評(píng)價(jià)，進(jìn)而可以選擇合理的處理方式解決故障，通過(guò)提前警示故障、將故障處理從被動(dòng)變?yōu)橹鲃?dòng)，響應(yīng)速度更加及時(shí)[4-6]。常見(jiàn)的機(jī)電設(shè)備故障技術(shù)有6 種。

1.1 主觀診斷技術(shù)

主觀診斷技術(shù)和現(xiàn)場(chǎng)人員處理問(wèn)題水平、經(jīng)驗(yàn)等方面因素影響，根據(jù)主觀意識(shí)去判斷出現(xiàn)問(wèn)題的原因。一些經(jīng)驗(yàn)豐富的電氣師通過(guò)視覺(jué)、觸覺(jué)等方式進(jìn)行故障診斷，為了減少誤差，必要時(shí)借用外部輔助器件，但解決不了根本問(wèn)題，導(dǎo)致故障只能暫時(shí)得到解決，沒(méi)有科學(xué)依據(jù)。

1.2 振動(dòng)監(jiān)測(cè)診斷技術(shù)

振動(dòng)監(jiān)測(cè)技術(shù)主要是通過(guò)儀器測(cè)定設(shè)備振動(dòng)參數(shù)及特征來(lái)分析設(shè)備故障信息，該方式分析結(jié)果作為主要判斷依據(jù)，大多數(shù)機(jī)械設(shè)備故障所引起的直觀表象為振動(dòng)頻率、參數(shù)多維性。一般來(lái)說(shuō)，選擇能反應(yīng)設(shè)備核心部位的易損點(diǎn)和關(guān)鍵點(diǎn)作為結(jié)果，能更好地反應(yīng)出結(jié)論的有效性、準(zhǔn)確性。設(shè)備信號(hào)經(jīng)過(guò)濾波放大器處理之后，通過(guò)A/D 轉(zhuǎn)換器得到振動(dòng)位移曲線，從而通過(guò)曲線變化直觀、精確地表征設(shè)備動(dòng)態(tài)變化過(guò)程，方法簡(jiǎn)單有效，因此被廣泛應(yīng)用[7]。

1.3 油液特性檢測(cè)技術(shù)

油液特性檢測(cè)技術(shù)主要通過(guò)油液化學(xué)特性、物理特性來(lái)觀察機(jī)電設(shè)備的運(yùn)行狀況，也可以觀察油液屑粒形狀來(lái)判斷，該方式經(jīng)常出被用于液壓系統(tǒng)或潤(rùn)滑系統(tǒng)。當(dāng)各元素在受激發(fā)時(shí)，都有吸收或發(fā)射波長(zhǎng)光的性質(zhì)，并用光譜儀對(duì)油液發(fā)射光譜進(jìn)行化學(xué)分析，可檢測(cè)其化學(xué)成分及含量，進(jìn)而判斷整體設(shè)備某位置的磨損程度。該方法診斷更準(zhǔn)確、更快速，適用于10 μm 級(jí)別下的磨損狀態(tài)。

1.4 紅外感應(yīng)診斷技術(shù)

紅外感應(yīng)診斷技術(shù)主要通過(guò)檢測(cè)設(shè)備不同位置溫度變化來(lái)判斷某個(gè)部位是否出現(xiàn)問(wèn)題。設(shè)備機(jī)械部件出現(xiàn)故障時(shí)溫度會(huì)產(chǎn)生相應(yīng)變化，而材料的性能可能與溫度相關(guān)，所以機(jī)械部件溫度檢測(cè)也成為故障診斷的一種手段。與其他數(shù)據(jù)相比，溫度數(shù)據(jù)采集更加簡(jiǎn)便，可實(shí)現(xiàn)全程監(jiān)測(cè)，預(yù)測(cè)器件壽命，提高使用效率。

1.5 γ 射線探傷技術(shù)

γ 射線探傷技術(shù)主要是通過(guò)γ 射線掃描整體設(shè)備，觀測(cè)介質(zhì)密度圖譜來(lái)做故障診斷，γ 射線在物質(zhì)中的強(qiáng)弱程度按照Lamber-Beer 指數(shù)規(guī)律逐漸衰減，可以通過(guò)該技術(shù)發(fā)現(xiàn)設(shè)備裂痕位置，也可以作為故障判斷的一種手段。

1.6 數(shù)字模型診斷技術(shù)

數(shù)字模型診斷技術(shù)是一種新型數(shù)字化檢測(cè)故障的一種方式，該方式需要運(yùn)用數(shù)學(xué)知識(shí)建立數(shù)學(xué)模型，將收集的機(jī)電相關(guān)數(shù)據(jù)與處理采集的參數(shù)通過(guò)一定的算法處理進(jìn)行比較，從而診斷出故障原因。目前，數(shù)字診斷技術(shù)內(nèi)部數(shù)據(jù)處理及算法設(shè)定是該技術(shù)的難點(diǎn)，只有科學(xué)的模型建立才能使得結(jié)果具備可靠性。

2 機(jī)電設(shè)備新型故障診斷方法

在設(shè)備故障診斷過(guò)程中，可以利用的狀態(tài)信息有很多：利用網(wǎng)絡(luò)將多個(gè)故障診斷系統(tǒng)聯(lián)系起來(lái)、實(shí)現(xiàn)資源共享，可以提高診斷的質(zhì)量和精度；將故障診斷系統(tǒng)與數(shù)據(jù)采集系統(tǒng)結(jié)合起來(lái)組成網(wǎng)絡(luò)，有利于機(jī)組的管理，減少設(shè)備投資，提高設(shè)備利用率[8]。

在需要診斷的機(jī)電設(shè)備中安裝適配性強(qiáng)的傳感器，采集設(shè)備振動(dòng)、運(yùn)行過(guò)程中的油溫、水溫、排氣溫度、油壓、輸出功率、轉(zhuǎn)速、扭矩等過(guò)程量及過(guò)程參數(shù)等，將智能網(wǎng)關(guān)與PLC 建立通信機(jī)制，通過(guò)4G/5G 網(wǎng)卡進(jìn)行數(shù)據(jù)傳輸，由于數(shù)據(jù)是不平衡數(shù)據(jù)，所以在后續(xù)數(shù)據(jù)處理過(guò)程中，數(shù)據(jù)要經(jīng)過(guò)預(yù)處理，將高維數(shù)據(jù)集通過(guò)高斯核函數(shù)的泰勒展開映射為低維數(shù)據(jù)。由于數(shù)據(jù)大小不一的問(wèn)題，可能出現(xiàn)差異性較大的數(shù)據(jù)，導(dǎo)致最終預(yù)測(cè)結(jié)果不精確，所以進(jìn)行數(shù)據(jù)要?dú)w一化。在數(shù)據(jù)預(yù)處理后建立算法模型，進(jìn)行故障診斷操作。

高斯核函數(shù)的泰勒展開：

為了消除奇異樣本數(shù)據(jù)導(dǎo)致的不良影響，將數(shù)據(jù)歸一化到均值為0、方差為1 范圍內(nèi)。

其中，Xmean表示數(shù)據(jù)特征的均值，σ表示每組特征的標(biāo)準(zhǔn)差，X 表示每個(gè)數(shù)據(jù)的特征值，Xscale表示歸一化后的特征值。當(dāng)原始數(shù)據(jù)中有異常值歸一化后的數(shù)據(jù)依然會(huì)形成均值為0，方差為1 的標(biāo)準(zhǔn)數(shù)據(jù)。

SOFM（Self-Organizing Feature Maps，自組織特征映射神經(jīng)網(wǎng)）是基于生物系統(tǒng)結(jié)構(gòu)形成的，具有自組織、自學(xué)習(xí)的功能，可以通過(guò)訓(xùn)練對(duì)輸入模式進(jìn)行分類輸出。該神經(jīng)網(wǎng)絡(luò)技術(shù)在工業(yè)模式識(shí)別領(lǐng)域的應(yīng)用帶來(lái)了故障分類的新途徑，在非線性映射特征、并行處理、整體性能等方面具有較大的優(yōu)勢(shì)，尤其高度自學(xué)習(xí)、自判斷的能力在故障分類中占有很重要的位置[9]。SOFM的主要特性為：①自組織排序性質(zhì)，即拓?fù)浔３帜芰?；②自組織概率分布性質(zhì)；③以若干神經(jīng)元同時(shí)反映分類結(jié)果，具有容錯(cuò)性；④具有自聯(lián)想功能。

對(duì)于SOM 競(jìng)爭(zhēng)型網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則，首先要將對(duì)應(yīng)的神經(jīng)元進(jìn)行權(quán)向量歸一化處理，當(dāng)前輸入模式向量為X，權(quán)向量為ωj（j=1，2，…，m）歸一化處理結(jié)果為和[8]。將與競(jìng)爭(zhēng)層所有加權(quán)神經(jīng)元做相似性比較，最相似的權(quán)向量為，按照WTA 學(xué)習(xí)法則，獲勝神經(jīng)元輸出為1，其余神經(jīng)元為0，見(jiàn)式（3）。

其中，t 表示當(dāng)前神經(jīng)之后的下一個(gè)神經(jīng)元輸出，j*表示獲勝神經(jīng)元的層數(shù)。并且只有獲勝的神經(jīng)元才能調(diào)整期權(quán)重向量，當(dāng)調(diào)整程度越高就越趨于聚類中心。

具體的算法原理如下：

其中，ωij（t）表示神經(jīng)元i 到j(luò) 時(shí)刻的權(quán)值，α（t，N）表示訓(xùn)練時(shí)間和鄰域內(nèi)第i 個(gè)神經(jīng)元與獲勝神經(jīng)元j*之間的拓?fù)渚嚯xN的函數(shù)。

（6）當(dāng)學(xué)習(xí)率α（t）≤αmin時(shí)結(jié)束訓(xùn)練，不滿足結(jié)束條件時(shí)轉(zhuǎn)到步驟（2）。

當(dāng)開始學(xué)習(xí)時(shí)，鄰域與學(xué)習(xí)因子取值需要向大調(diào)整，訓(xùn)練初期并不像其他神經(jīng)網(wǎng)絡(luò)需要給出預(yù)輸出。因?yàn)樵撍惴ㄊ菬o(wú)監(jiān)督算法，故障及故障征兆存在于加權(quán)矢量ωi中，學(xué)習(xí)結(jié)束后各個(gè)神經(jīng)元只對(duì)輸入矢量敏感。所以，SOFM 網(wǎng)絡(luò)的最大特點(diǎn)是矢量特征的拓?fù)浣Y(jié)構(gòu)不變性（圖1）。

圖1 網(wǎng)絡(luò)隨機(jī)拓?fù)浣Y(jié)構(gòu)

3 新型故障診斷方法在柴油機(jī)上應(yīng)用

應(yīng)用SOFM 網(wǎng)絡(luò)進(jìn)行故障分類具體步驟如下：

（1）選取標(biāo)準(zhǔn)柴油機(jī)故障樣本。

（2）學(xué)習(xí)每個(gè)標(biāo)準(zhǔn)故障樣本，當(dāng)完成學(xué)習(xí)后，對(duì)最大輸出神經(jīng)元做故障標(biāo)記。

（3）將待檢驗(yàn)故障樣本作為SOFM 網(wǎng)絡(luò)的輸入。

（4）若輸出神經(jīng)元在輸出層位置與某個(gè)標(biāo)準(zhǔn)故障位置相同，說(shuō)明待檢驗(yàn)樣本發(fā)生該故障，若輸出神經(jīng)元在輸出層的位置介于很多標(biāo)準(zhǔn)故障之間說(shuō)明這幾種標(biāo)準(zhǔn)故障都有可能發(fā)生，且各故障的程度由該位置與相應(yīng)標(biāo)準(zhǔn)故障樣本位置的歐氏距離確定。

表1 為柴油機(jī)8 種常見(jiàn)故障集合數(shù)據(jù)歸一化后的表格。其中，P1 表示最大油壓，P2 表示次最大油壓，P3 表示壓力波形寬度，P4 表示壓力波形上升沿寬度，P5 表示壓力波形寬度，P6 表示壓力余波最大寬度，P7 表示壓力波形面積，P8 表示油壓起噴壓力；常見(jiàn)故障中F1 表示供油量正常（100%），F(xiàn)2 表示供油量為75%，F(xiàn)3 表示供油量為25%，F(xiàn)4 表示怠速油量，F(xiàn)5 表示小油量針閥卡死，F(xiàn)6 表示標(biāo)定油量針閥卡死，F(xiàn)7 表示針閥泄漏，F(xiàn)8表示出油閥門故障。

newsom（）用于創(chuàng)建一個(gè)自組織特征映射，其調(diào)用格式為：

net=newsom（PR，［d1，d2，d3，…］，tfcn，dfcd，olr，osteps，tlr，tns）

其中，PR 表示R 個(gè)輸入元素的最大值和最小值的設(shè)定值，R×2 維矩陣；表示第i 層維數(shù)，默認(rèn)值[5，8]；tfcn 表示拓?fù)涞慕Y(jié)構(gòu)函數(shù)，默認(rèn)值為hextop；dfcn 表示距離函數(shù)，默認(rèn)為linkdist；olr 表示分類階段學(xué)習(xí)速率，默認(rèn)0.9；osteps 表示分類階段學(xué)習(xí)的步長(zhǎng)，默認(rèn)為1000；tlr 表示調(diào)諧階段學(xué)習(xí)速率，默認(rèn)為0.02；tns 表示調(diào)諧階段鄰域距離，默認(rèn)為1。

仿真平臺(tái)采用MATLAB 2014a 版本的Win10 環(huán)境中運(yùn)行，硬件配置為4 G 內(nèi)存和2.6 GHz 主頻。建立SOFM 網(wǎng)絡(luò)之后，競(jìng)爭(zhēng)層為6×6 個(gè)神經(jīng)元，分別以10、20、50、100、300、500 步長(zhǎng)做5 次訓(xùn)練的步數(shù)，訓(xùn)練完成后將輸入預(yù)測(cè)樣本查看分類情況，輸入樣本增加隨機(jī)數(shù)10%作為數(shù)據(jù)干擾。

圖2 中藍(lán)色神經(jīng)元（即深色部分）表示競(jìng)爭(zhēng)勝利的神經(jīng)元，表2 顯示了最終結(jié)果。

圖2 神經(jīng)元分類

用表1 規(guī)格化后的數(shù)據(jù)做模型訓(xùn)練，當(dāng)訓(xùn)練迭代完成以后輸入測(cè)試樣本t=［0.951 2，1.000 0，0.945 8，-0.421 5，0.421 8，0.951 1，0.964 5，0.894 1］進(jìn)行故障分類判斷。從表2 可以看出，輸出結(jié)果數(shù)值表示將單值向量轉(zhuǎn)化為下標(biāo)向量，由該位置與相應(yīng)標(biāo)準(zhǔn)故障樣本位置的歐氏距離確定，相同的下標(biāo)向量視為同一類型故障。當(dāng)訓(xùn)練步數(shù)為10 時(shí)，測(cè)試樣本故障F1、F3 分為一類，F(xiàn)2、F4、F6 分為一類，F(xiàn)5、F7、F8 為單獨(dú)一類，同理，當(dāng)訓(xùn)練步行為20 時(shí)，F(xiàn)1、F3 分為一類，F(xiàn)5、F8 為一類。F2、F4、F6、F7 各自為一類，通過(guò)輸出結(jié)果可見(jiàn)，網(wǎng)絡(luò)已經(jīng)對(duì)樣本進(jìn)行了初步的分類，當(dāng)訓(xùn)練步數(shù)為300 時(shí)，每個(gè)樣本都被劃分為一類，這種分類結(jié)果更加細(xì)化。當(dāng)訓(xùn)練步數(shù)500 或1000 時(shí)，同樣是每個(gè)樣本都被劃分為一類。這時(shí)如果再提高訓(xùn)練步數(shù)，已經(jīng)沒(méi)有實(shí)際意義了。

表1 柴油機(jī)故障分類

通過(guò)結(jié)合神經(jīng)元分類結(jié)果（圖2）可以看出，坐標(biāo)（0，0）表示第一個(gè)神經(jīng)元處，以步長(zhǎng)為10 的6×6=36 個(gè)競(jìng)爭(zhēng)神經(jīng)元中，針對(duì)測(cè)試數(shù)據(jù)的8 個(gè)樣本值，表2 輸出結(jié)果第一行可以得到，第一個(gè)樣本聚集在第1 個(gè)神經(jīng)元處，第二個(gè)樣本聚集在第36 個(gè)神經(jīng)元處，第三個(gè)樣本聚集在第1 個(gè)神經(jīng)元處……，以此類推，也可觀測(cè)故障分類情況。

表2 神經(jīng)元分類結(jié)果輸出

以步長(zhǎng)10 為例，根據(jù)經(jīng)驗(yàn)知識(shí)可知：當(dāng)出現(xiàn)故障F1、F3時(shí)，可檢查柴油機(jī)油壓大?。怀霈F(xiàn)故障F2、F4、F6 時(shí)，可以檢查柴油機(jī)油量多少及針閥是否堵塞；當(dāng)出現(xiàn)故障F5、F7、F8 時(shí)，檢查柴油機(jī)針閥密閉是否合適以及柴油機(jī)油閥情況。

盡管SOFM 網(wǎng)絡(luò)能夠?qū)Σ裼蜋C(jī)故障進(jìn)行分類，但是由于分類樣本少、訓(xùn)練樣本不足，導(dǎo)致不同樣本劃分方式結(jié)果偏差較大，只能為用戶提供粗略的指導(dǎo)意見(jiàn)，若樣本量足夠大，最終結(jié)果會(huì)有精確性的指導(dǎo)意義。因此，未來(lái)結(jié)合專家診斷系統(tǒng)結(jié)果會(huì)更加準(zhǔn)確。

4 結(jié)論

本文通過(guò)對(duì)石油行業(yè)機(jī)電設(shè)備的故障診斷技術(shù)的介紹，提出了一種新型故障診斷方法，將其應(yīng)用于柴油機(jī)中證明其可行性，將高維數(shù)據(jù)映射至低維，通過(guò)數(shù)據(jù)及可視化分析故障分類結(jié)果，最終實(shí)現(xiàn)故障分類。由于本次研究的數(shù)據(jù)樣本數(shù)量不足，最終的結(jié)果只具有指導(dǎo)意義，所以未來(lái)將研究如何與專家診斷系統(tǒng)進(jìn)行結(jié)合，進(jìn)而給予確定性的建議。