基于1D-CNN的油田注水泵振動(dòng)故障智能診斷及應(yīng)用

摘 要 針對(duì)油田無人值守站點(diǎn)注水泵故障智能診斷的問題，提出了一種基于一維卷積神經(jīng)網(wǎng)絡(luò)（1D-CNN）的振動(dòng)信號(hào)故障診斷模型。利用1D-CNN對(duì)時(shí)域信號(hào)特征進(jìn)行提取和重組，將重組信號(hào)作為故障診斷模型的輸入并進(jìn)行故障分類。研究結(jié)果表明，基于1D-CNN的故障診斷模型對(duì)現(xiàn)場(chǎng)故障信號(hào)的識(shí)別精確率達(dá)97.00%，表明該模型能有效診斷注水泵關(guān)鍵部件的故障，保障油田生產(chǎn)安全和經(jīng)濟(jì)效益。

關(guān)鍵詞 振動(dòng)故障 故障診斷 1D-CNN 注水泵 油田

中圖分類號(hào) TP18" "文獻(xiàn)標(biāo)志碼 B" "文章編號(hào) 1000-3932（2024）06-1095-06

為了保持油層壓力并降低原油遞減率，需要對(duì)油田進(jìn)行注水驅(qū)油，其中注水泵是油田注水的關(guān)鍵設(shè)備，其穩(wěn)定性和可靠性對(duì)油田的生產(chǎn)效率及安全運(yùn)營(yíng)具有重要影響。在役的高壓往復(fù)式注水泵易受到介質(zhì)腐蝕、磨損和振動(dòng)沖擊的作用而逐漸失效。故障發(fā)源地主要集中在柱塞、十字頭和軸承部件，關(guān)鍵的故障模式包括缸套及閥座刺漏、齒輪斷裂、主螺栓斷裂和零部件磨損間隙過大［1］。對(duì)注水泵進(jìn)行故障診斷具有重要意義和應(yīng)用價(jià)值［2］。

傳統(tǒng)的故障診斷方法，如振動(dòng)分析、聲發(fā)射技術(shù)及紅外熱成像等，已被廣泛應(yīng)用于各種工業(yè)設(shè)備的維護(hù)和故障預(yù)測(cè)中［3］。然而，這些傳統(tǒng)方法往往存在一些局限性，如對(duì)專業(yè)知識(shí)要求高、診斷效率不足及無法實(shí)現(xiàn)實(shí)時(shí)監(jiān)測(cè)等［4］。近年來，隨著人工智能和大數(shù)據(jù)技術(shù)的飛速發(fā)展，機(jī)器學(xué)習(xí)，尤其是深度學(xué)習(xí)技術(shù)在故障診斷領(lǐng)域得到了廣泛應(yīng)用［5］。卷積神經(jīng)網(wǎng)絡(luò)（CNN）作為深度學(xué)習(xí)的一種重要算法，因其在圖像處理、語音識(shí)別等領(lǐng)域的卓越表現(xiàn)而備受關(guān)注。近期的研究表明，CNN也可以有效應(yīng)用于機(jī)械設(shè)備的振動(dòng)數(shù)據(jù)分析和故障診斷中，并顯示出比傳統(tǒng)方法更高的診斷精度和效率［6，7］。根據(jù)處理信號(hào)的維度，CNN分為1D-CNN、2D-CNN和3D-CNN，其中1D-CNN主要用于處理序列類的數(shù)據(jù)，2D-CNN常應(yīng)用于識(shí)別圖像類文件，3D-CNN主要用于醫(yī)學(xué)領(lǐng)域內(nèi)的圖像識(shí)別。

在注水泵機(jī)組系統(tǒng)中，注水泵的軸承和柱塞振動(dòng)部件是振動(dòng)監(jiān)測(cè)和故障識(shí)別的重點(diǎn)。筆者提出一種基于1D-CNN的注水泵振動(dòng)故障智能診斷模型，并在工程振動(dòng)信號(hào)診斷中進(jìn)行了應(yīng)用。與傳統(tǒng)的故障診斷方法相比，基于1D-CNN的故障診斷模型能夠更有效地處理和分析大量含高頻噪聲的振動(dòng)數(shù)據(jù)，實(shí)現(xiàn)對(duì)注水泵故障的快速、準(zhǔn)確診斷，顯著提高故障預(yù)測(cè)的時(shí)效性和準(zhǔn)確性。

1 基于1D-CNN的振動(dòng)信號(hào)故障診斷模型

1.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)一般由輸入層、卷積層、池化層、全連接層和輸出層組成，其內(nèi)部通過梯度下降算法最小化損失函數(shù)對(duì)網(wǎng)絡(luò)的權(quán)重進(jìn)行反向調(diào)節(jié)，同時(shí)不斷迭代訓(xùn)練來提高網(wǎng)絡(luò)的精度。其中輸入層是輸入信號(hào)，輸出層是結(jié)果輸出。

卷積層由多個(gè)卷積核組成，卷積核的數(shù)量根據(jù)數(shù)據(jù)特點(diǎn)和模型結(jié)構(gòu)進(jìn)行人為設(shè)定或優(yōu)化確定。卷積核運(yùn)算是將核函數(shù)與局部序列數(shù)據(jù)進(jìn)行運(yùn)算，從而實(shí)現(xiàn)系列數(shù)據(jù)的特征提取與降維處理，數(shù)學(xué)公式如下［8］：

X■■=b■■+■X■■？鄢w■■" " " （1）

其中，X■■是第l層的第j個(gè)特征輸出，M■是第l層第j個(gè)卷積區(qū)域，w■■是第l層第i個(gè)卷積核的第j個(gè)權(quán)重值，b■■是第l-1層的第j個(gè)偏置，？鄢代表卷積運(yùn)算。

在卷積層后一般需設(shè)置池化層，它由多個(gè)特征面組成，且一一對(duì)應(yīng)于上一卷積層輸出的特征面。通過人為設(shè)定的“窗口”大小對(duì)局部池化層進(jìn)行下采樣，池化層不改變特征面的數(shù)量，但會(huì)根據(jù)“窗口”大小縮小特征面的大小。常用的池化方法有最大池化、均值池化等，最大池化運(yùn)算的數(shù)學(xué)描述為［8］：

P■■（j）=■{q■■（t）}" " "（2）

其中，q■■（t）是第l層第i個(gè)特征中第t個(gè)神經(jīng)元的值；W是池化區(qū)域的池化尺寸；P■■（j）是池化后第l+1層神經(jīng)元的值。

全連接層一般位于池化層后，用于特征的再次提取與匯總，該層的每一個(gè)神經(jīng)元均與上一層的所有神經(jīng)元連接并對(duì)提取的特征進(jìn)行組合，然后映射到樣本標(biāo)記空間，最后使用softmax分類器輸出最終分類結(jié)果。softmax分類過程的數(shù)學(xué)模型為［8］：

y■=softmax（Z■）=■" " " （3）

其中，M是類別總數(shù)；y■是樣本的分類值；Z■是第j個(gè)神經(jīng)元的節(jié)點(diǎn)值。

1.2 基于1D-CNN的振動(dòng)信號(hào)故障診斷模型

針對(duì)采集的含噪聲振動(dòng)信號(hào)，建立一種包含6層且每層包括卷積、激活、池化和正則化的卷積層網(wǎng)絡(luò)結(jié)構(gòu)，用于提取振動(dòng)時(shí)域信號(hào)的特征，如圖1所示。其中卷積層能夠捕捉到局部特征，而池化層則用于降低特征維度，提高計(jì)算效率，通過這些層的疊加，模型能夠?qū)W習(xí)到振動(dòng)信號(hào)中的復(fù)雜模式，并用于故障診斷。為了提高模型的泛化能力和減少過擬合的風(fēng)險(xiǎn)，特在訓(xùn)練過程中采用了Dropout［9］正則化，以便提高模型的魯棒性，使模型在面對(duì)未知的故障數(shù)據(jù)時(shí)，仍能保持穩(wěn)定和高效的診斷性能。

利用現(xiàn)場(chǎng)采集的振動(dòng)信號(hào)對(duì)模型進(jìn)行訓(xùn)練。在訓(xùn)練過程中，采用了交叉驗(yàn)證的方法來優(yōu)化模型參數(shù)。模型預(yù)測(cè)的結(jié)果可以分為以下4種情況：

a. 將真實(shí)的正例預(yù)測(cè)為正例，被稱為真正例（True Positive，TP）；

b. 將真實(shí)的正例預(yù)測(cè)為反例，被稱為假反例（False Negative，F(xiàn)N）；

c. 將真實(shí)的反例預(yù)測(cè)為正例，被稱為假正例（False Positive，F(xiàn)P）；

d. 將真實(shí)的反例預(yù)測(cè)為反例，被稱為真反例（True Negative，TN）。

基于這4種情況的案例數(shù)量，計(jì)算出精確率、召回率和F1分?jǐn)?shù)來評(píng)估模型的性能，方法如下：

精確率 P=■" " " "（4）

召回率 R=■" " " （5）

綜合判斷指標(biāo) F-Measure=■" （6）

當(dāng)參數(shù)a=1時(shí)即為F1分?jǐn)?shù)。

2 油田注水泵振動(dòng)監(jiān)測(cè)及故障診斷

油田注水泵的故障模式復(fù)雜，目前基于振動(dòng)的故障診斷技術(shù)還不成熟?；陬l譜分析的故障診斷技術(shù)更適用于回轉(zhuǎn)設(shè)備，對(duì)液力端的柱塞子系統(tǒng)故障診斷不起作用。因此，在現(xiàn)有的振動(dòng)監(jiān)測(cè)及故障診斷系統(tǒng)的基礎(chǔ)上，增加基于1D-CNN的故障智能診斷模塊，可以彌補(bǔ)現(xiàn)場(chǎng)故障診斷能力的不足，也為后續(xù)人工智能故障診斷技術(shù)推廣應(yīng)用提供參考。

2.1 油田注水泵振動(dòng)監(jiān)測(cè)及故障診斷系統(tǒng)

某采油廠化6轉(zhuǎn)油站內(nèi)共有6臺(tái)注水泵機(jī)組，在1#注水泵上安裝了振動(dòng)監(jiān)測(cè)及故障診斷系統(tǒng)，系統(tǒng)結(jié)構(gòu)示意圖如圖2所示。系統(tǒng)包括硬件子系統(tǒng)（振動(dòng)監(jiān)測(cè)模塊）和軟件子系統(tǒng)（數(shù)據(jù)存儲(chǔ)與預(yù)處理、人工智能分析、故障預(yù)警及SCADA上報(bào)）兩大部分。

振動(dòng)監(jiān)測(cè)模塊主要對(duì)振動(dòng)信號(hào)進(jìn)行采集、放大和數(shù)模轉(zhuǎn)換，轉(zhuǎn)換成數(shù)字信號(hào)數(shù)據(jù)存入InfluxDB數(shù)據(jù)庫(kù)中，可以調(diào)用傳統(tǒng)的頻譜分析方法對(duì)振動(dòng)信號(hào)進(jìn)行預(yù)診斷，初步評(píng)判是否進(jìn)入故障狀態(tài)。對(duì)于復(fù)雜的故障，利用人工智能模塊（1D-CNN診斷模型）進(jìn)行故障識(shí)別，確認(rèn)故障后進(jìn)行預(yù)警，通過SCADA接口將預(yù)警信號(hào)傳輸?shù)竭h(yuǎn)程控制室，為后續(xù)維修和應(yīng)急提供支撐。

基于減少信號(hào)衰減、盡可能避免各測(cè)點(diǎn)之間信號(hào)干擾以及測(cè)點(diǎn)盡可能貼近待測(cè)部件的原則，將5個(gè)加速度傳感器安裝到往復(fù)注水泵的缸蓋上，將其余3個(gè)加速度傳感器安裝于曲軸箱主軸處相互垂直的3個(gè)方向上，振動(dòng)探頭布置位置如圖3所示。振動(dòng)探頭全部采用壓電式加速度傳感器，監(jiān)測(cè)頻率范圍為0.5～9 000 Hz（±1 dB），振幅非線性在±1%之間；橫向靈敏度比不大于5%。采用8通道的數(shù)據(jù)采集器匯總加速度傳感器的數(shù)據(jù)，其最大采樣頻率256 kHz，動(dòng)態(tài)測(cè)量范圍為±80g。在本文研究中，振動(dòng)采樣頻率為5 120 Hz。

2.2 振動(dòng)信號(hào)故障分析

2023年10月中旬監(jiān)測(cè)系統(tǒng)發(fā)現(xiàn)注水泵缸蓋上某些探頭回傳振動(dòng)信號(hào)異常，其時(shí)域、頻域信號(hào)和正常工況下的信號(hào)有明顯區(qū)別，如圖4所示?？梢钥闯?，振動(dòng)異常信號(hào)在低頻處有明顯的振動(dòng)分量（圖4d），加速度最大幅值明顯升高（圖4b），在一個(gè)往復(fù)周期內(nèi)，振動(dòng)信號(hào)具有前半程劇烈、后半程衰減的特點(diǎn)（圖4b）。結(jié)合回注壓力的變化，初步判定故障與柱塞注入過程有關(guān)。

經(jīng)過現(xiàn)場(chǎng)專家評(píng)判后認(rèn)為該注水泵進(jìn)入故障狀態(tài)，需要進(jìn)行拆修，拆修結(jié)果表明是2#排液閥閥蓋出現(xiàn)貫穿性裂紋（圖5），導(dǎo)致柱塞過程液體發(fā)生泄漏引起劇烈振動(dòng)。

當(dāng)前未見公開的注水泵振動(dòng)故障數(shù)據(jù)集，故利用振動(dòng)監(jiān)測(cè)系統(tǒng)采集到的故障數(shù)據(jù)和正常振動(dòng)作為1D-CNN智能診斷模型的訓(xùn)練集，訓(xùn)練好的模型可用于后續(xù)同類型故障診斷。隨著注水泵故障次數(shù)增多，數(shù)據(jù)集還可以持續(xù)擴(kuò)大，可實(shí)現(xiàn)診斷的故障類型也越多。

2.3 基于1D-CNN的振動(dòng)信號(hào)故障診斷

直接采用頻譜分析對(duì)注水泵故障進(jìn)行診斷，存在判據(jù)復(fù)雜、精確率低的問題，因此筆者采用1D-CNN對(duì)故障信號(hào)進(jìn)行診斷，彌補(bǔ)現(xiàn)有監(jiān)測(cè)系統(tǒng)故障診斷能力的不足。

首先，對(duì)正常和故障狀態(tài)下的注水泵振動(dòng)數(shù)據(jù)按800 ms間隔取樣，建立包含2 400個(gè)樣本的數(shù)據(jù)集，對(duì)樣本進(jìn)行狀態(tài)標(biāo)記后，開始訓(xùn)練1D-CNN診斷網(wǎng)絡(luò)，并按照5折交叉比例進(jìn)行驗(yàn)證，將訓(xùn)練和測(cè)試結(jié)果與另一種序列數(shù)據(jù)分析方法（LSTM模型［10］）進(jìn)行對(duì)比，兩種模型的預(yù)測(cè)精確率對(duì)比如圖6所示?？梢钥闯?，經(jīng)過10個(gè)周期后，兩種模型在測(cè)試集上的預(yù)測(cè)精確率都達(dá)到0.8以上，性能優(yōu)越，其中1D-CNN在訓(xùn)練集和測(cè)試集上都有優(yōu)良的表現(xiàn)，相較于LSTM模型具有更穩(wěn)定的預(yù)測(cè)性能。

模型訓(xùn)練結(jié)束后使用測(cè)試集數(shù)據(jù)對(duì)模型進(jìn)行測(cè)試，預(yù)測(cè)結(jié)果見表1、2。

實(shí)驗(yàn)結(jié)果表明，基于1D-CNN的故障診斷方法表現(xiàn)出優(yōu)越的性能，精確率達(dá)97.00%，預(yù)測(cè)結(jié)果優(yōu)于LSTM模型，可以用于油田注水泵振動(dòng)故障診斷中。

3 結(jié)束語

圍繞油田注水泵故障診斷缺乏智能診斷方法的問題，提出了一種基于1D-CNN的振動(dòng)信號(hào)故障診斷模型，并在工程中進(jìn)行應(yīng)用。注水泵的故障模式復(fù)雜，采用傳統(tǒng)的頻譜分析方法進(jìn)行診斷，建立評(píng)判依據(jù)復(fù)雜，而且適應(yīng)性差。采用基于1D-CNN的故障診斷模型能有效地提取故障特征，故障診斷和識(shí)別精確率高。在現(xiàn)場(chǎng)振動(dòng)信號(hào)故障診斷中，基于1D-CNN的故障診斷模型預(yù)測(cè)精確率達(dá)97.00%，性能優(yōu)越，可以支持無人值守轉(zhuǎn)油站注水泵的智能運(yùn)維，保障油田的安全、高效生產(chǎn)。

參 考 文 獻(xiàn)

［1］ 李建鵬，盛擁軍，張艷秋，等.油田注水系統(tǒng)泵常見故障分類淺析［J］.石油和化工設(shè)備，2021，24（7）：120-121.

［2］ 李進(jìn).基于振動(dòng)監(jiān)測(cè)的石油平臺(tái)注水泵故障診斷分析［J］.北京石油化工學(xué)院學(xué)報(bào)，2017，25（2）：45-47.

［3］ 黃新波，許艷輝，朱永燦.基于混合分類器的高壓斷路器故障診斷［J］.高壓電器，2022，58（10）：149-157.

［4］ 林江剛，胡正新，李晶，等.基于AE信號(hào)與VMD的滾動(dòng)軸承故障診斷研究［J］.燃?xì)廨啓C(jī)技術(shù)，2018，31（3）：34-38.

［5］ LEI Y G，YANG B，JIANG X W，et al.Applications of machine learning to machine fault diagnosis：A review and roadmap［J］.Mechanical Systems and Signal Processing，2020（138）：106587-106598.

［6］ 王應(yīng)晨，段修生.深度學(xué)習(xí)融合模型在機(jī)械故障診斷中的應(yīng)用［J］.振動(dòng).測(cè)試與診斷，2019，39（6）：1271-1276；1363-1364.

［7］ 李彥夫，韓特.基于深度學(xué)習(xí)的工業(yè)裝備PHM研究綜述［J］.振動(dòng).測(cè)試與診斷，2022，42（5）：835-847；1029.

［8］ 蔣麗英，劉桂金，崔建國(guó)，等.基于1D-CNN的齒輪3D振動(dòng)信號(hào)故障診斷方法［J］.沈陽航空航天大學(xué)學(xué)報(bào)，2023，40（4）：25-31.

［9］ 陳偉，王復(fù)淞，郭婧，等.基于Dropout-多尺度空洞卷積神經(jīng)網(wǎng)絡(luò)的軸承故障診斷［J］.機(jī)電工程，2023，40（5）：644-654.

［10］ 王子凡，張健飛.一種基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)和振動(dòng)測(cè)試的結(jié)構(gòu)損傷檢測(cè)方法［J］.噪聲與振動(dòng)控制，2021，41（5）：127-133.

（收稿日期：2023-12-26，修回日期：2024-09-22）

Intelligent Vibration Signal Fault Diagnosis and Application of Oilfield Water Injection Pumps Based on 1D-CNN

WEI Cheng1， HU Zhi-cai1， LI Zhou-jian1， LI Zhi-wei1， CHEN Jian-gong1，ZHAO Yi-fan2， HU Hai-jun2

（1. No.4 Oil Production Plant of Changqing Oilfield； 2. School of Chemical Engineering and Technology， Xi’an Jiaotong University）

Abstract" "Aiming at the intelligent fault diagnosis of water injection pumps at unattended sites of the oilfield， a vibration signal fault diagnosis model based on one-dimensional convolutional neural network （1D-CNN） was proposed， including making use of 1D-CNN extract and recombine the time-domain signal features， and then having the recombined signal used as the input of the fault diagnosis model and having the fault classified. The research results show that， the fault diagnosis model based on 1D-CNN has an accuracy rate of 97.00 % on the field fault signal recognition， and it indicates that this model can effectively diagnose the fault of the key components of the injection pump and ensure both production safety and economic benefits of the oilfield.

Key words" "vibration signal fault， fault diagnosis， 1D-CNN， water injection pump， oilfield