基于EEMD-CNN 的泥漿泵故障診斷方法

成小強(qiáng)，王 林，崔 兵，黃 磊

（中國(guó)石油集團(tuán)西部鉆探克拉瑪依鉆井公司，新疆克拉瑪依 834009）

0 引言

泥漿泵是石油鉆井平臺(tái)用來(lái)實(shí)現(xiàn)泥漿循環(huán)的重要設(shè)備，其運(yùn)送的液體一般含有大量泥沙，有高黏度、高壓力且具有一定腐蝕性的特點(diǎn)，因此也是鉆井平臺(tái)中最容易發(fā)生故障的設(shè)備之一。隨著石油鉆井的快速發(fā)展，泥漿泵的故障診斷受到越來(lái)越多的注意，泥漿泵是否正常運(yùn)行嚴(yán)重影響鉆井平臺(tái)正常工作。泥漿泵故障時(shí)，輕則發(fā)生非計(jì)劃停工、帶來(lái)巨大的經(jīng)濟(jì)損失，重則導(dǎo)致人員傷亡，因此針對(duì)泥漿泵的故障診斷具有重要的現(xiàn)實(shí)意義。

模式識(shí)別作為最常用的分類方法之一，被廣泛用于機(jī)械設(shè)備的故障診斷領(lǐng)域，并取得了良好的效果。已經(jīng)有很多學(xué)者針對(duì)泥漿泵故障診斷進(jìn)行了大量探索，裴峻峰等[1]利用小波包分解提各頻段能量組成特征向量，輸入最小二乘支持向量機(jī)中進(jìn)行故障識(shí)別；別峰峰等[2]利用ICEEMDAN 對(duì)采集的原始信號(hào)進(jìn)行分解得到若干個(gè)IMF（Intrinsic Mode Function，本征模態(tài)函數(shù)）分量，計(jì)算IMF 分量的奇異譜熵并構(gòu)造特征向量，輸入GNRR（General Regression Neural Network，廣義回歸神經(jīng)網(wǎng)絡(luò)）進(jìn)行訓(xùn)練和模式識(shí)別；郭攀等[3]針對(duì)泥漿泵的聲音信號(hào)采用多重分形趨勢(shì)波動(dòng)分析計(jì)算時(shí)間序列聲音信號(hào)的多重分形譜，并提取故障特征輸入支持向量機(jī)進(jìn)行模式識(shí)別。

上述方法雖然在泥漿泵的模式識(shí)別中取得了不錯(cuò)的效果，但都是基于人工特征提取，難以挖掘深層的故障特征，且及其依賴特征提取的效果，適用于小樣本的情況。近年來(lái)深度學(xué)習(xí)快速發(fā)展，已經(jīng)在計(jì)算機(jī)視覺(jué)、語(yǔ)音處理、視頻識(shí)別等方面研究領(lǐng)域廣泛應(yīng)用。深度學(xué)習(xí)是人工智能的一個(gè)子領(lǐng)域，由于其含有多層隱層網(wǎng)絡(luò)和自適應(yīng)的特征提取能力能夠挖掘更深層次的特征，充分利用原始信號(hào)的全部信息，因此十分適用于大數(shù)據(jù)背景下機(jī)械設(shè)備的狀態(tài)檢測(cè)和故障診斷[4]。GANG LI 等[5]將一維信號(hào)轉(zhuǎn)變?yōu)橛? 個(gè)通道的三維圖像信號(hào)，不僅增加了特征信息的可視性，同時(shí)降低了噪聲信號(hào)對(duì)診斷的影響，然后輸入CNN（Convolutional Neural Networks，卷積神經(jīng)網(wǎng)絡(luò)）進(jìn)行故障診斷，提升故障診斷的準(zhǔn)確率。

本文提出了一種結(jié)合EEMD（Ensemble Empirical Mode Decomposition，集合經(jīng)驗(yàn)?zāi)B(tài)分解）和CNN 的分類模型，該模型可以很好地去除信號(hào)中噪聲的干擾，并進(jìn)行特征的自動(dòng)提取。另外，本文還針對(duì)實(shí)驗(yàn)室BW-250泥漿泵采集的數(shù)據(jù)進(jìn)行故障診斷，大大提高了故障診斷的準(zhǔn)確率。

1 相關(guān)知識(shí)介紹

1.1 卷積神經(jīng)網(wǎng)絡(luò)

CNN 是一種前向傳播神經(jīng)網(wǎng)絡(luò)，它的權(quán)值分享網(wǎng)絡(luò)結(jié)構(gòu)與生物的神經(jīng)網(wǎng)絡(luò)更為相似，這減少了網(wǎng)絡(luò)模型的復(fù)雜度和參數(shù)的數(shù)量。CNN 的結(jié)構(gòu)包括多層神經(jīng)網(wǎng)絡(luò)，主要由卷積層、池化層和全連接層，每一層由多個(gè)二維平面構(gòu)成，每一個(gè)平面由多個(gè)獨(dú)立的神經(jīng)元構(gòu)成[6]。

（1）卷積層。卷積層由于卷積操作而得名，但是它通常進(jìn)行的是兩個(gè)矩陣之間的互相關(guān)關(guān)系計(jì)算。卷積層主要的功能是，通過(guò)計(jì)算提取輸入圖像數(shù)據(jù)的隱層特征。卷積層有兩個(gè)重要的超參數(shù)——padding 和stride，這兩個(gè)超參數(shù)影響卷積之后輸出圖像的尺寸大小，padding 操作主要是在輸入圖像的高度和寬度方向填充一些相同的數(shù)值（通常為0）；stride 控制每一個(gè)卷積核在寬度和高度方向一次移動(dòng)的距離。這樣在卷積操作之后，可以減少輸入圖像的尺寸。

其中，N 為輸入圖像的原始尺寸，F(xiàn) 為卷積核的大小，p 為padding 操作的大小，s 為卷積核移動(dòng)步長(zhǎng)的大小，O 為卷積后輸出圖像的尺寸。

（2）池化層。池化層是為了減小特征值空間的尺寸，相比于卷積層主要是計(jì)算輸入特征圖像和卷積核之間的關(guān)聯(lián)度，池化層主要是保留池化核中元素的最大值或平均值。本文中應(yīng)用的是二維最大池化層。

（3）全連接層。全連接層通常位于整個(gè)神經(jīng)網(wǎng)絡(luò)的末端，它的主要作用是將學(xué)習(xí)到的參數(shù)矩陣展平成向量，然后將獲得的向量輸入分類器，實(shí)現(xiàn)模式識(shí)別。

1.2 短時(shí)傅里葉變換

傅里葉變換（FT）具有分析周期性信號(hào)和非周期性信號(hào)的能力，但是它不能分析非平穩(wěn)信號(hào)。STFT（Short-Time Fourier Transform，短時(shí)傅里葉變換）能夠有效確定非平穩(wěn)信號(hào)的正弦頻率和相位信息。STFT 分析長(zhǎng)的時(shí)間序列信號(hào)是，通過(guò)分解它成為不同長(zhǎng)度的更短的信號(hào)，并對(duì)分解后的信號(hào)片段分別進(jìn)行FT。STFT 的計(jì)算式基于FFT（Fast Fourier Transform，快速傅里葉變換）[7]。

其中，x（t）為時(shí)域信號(hào)，h（t-ω）為窗函數(shù)。

對(duì)于STFT 而言，窗函數(shù)的類型和寬度是影響其變換效果的兩個(gè)十分重要的因素，選擇合適的窗函數(shù)，可以減少頻譜泄漏和譜間干擾；窗的寬度影響著時(shí)域和頻域的相對(duì)分辨率，窗的寬度越大分辨率越高、時(shí)間分辨率越小。

1.3 經(jīng)驗(yàn)?zāi)B(tài)分解

EMD（Empirical Mode Decomposition，經(jīng)驗(yàn)?zāi)B(tài)分解）是根據(jù)信號(hào)本身時(shí)間尺度特征的局部特征，自適應(yīng)地將一組復(fù)雜信號(hào)分解為頻率由高到低的IMF 分量。

其中，x（t）表示原始地時(shí)間序列，imfi（t）表示第i個(gè)IMF 分量，rn（t）是殘差項(xiàng)、表示信號(hào)的趨勢(shì)。

每個(gè)IMF 分量必須滿足下列兩個(gè)要求：①在數(shù)據(jù)長(zhǎng)度上，極值點(diǎn)地?cái)?shù)量和零點(diǎn)地?cái)?shù)量必須相等或者最多差一個(gè)；②在任何數(shù)據(jù)點(diǎn)，局部最大值和局部最小值包絡(luò)的平均值必須為零。

EMD 自適應(yīng)地分解原始信號(hào)成一系列IMF，并且每一個(gè)IMF 包含不同頻帶組成。以這種方式將高頻諧振成分從大幅值諧波中分離出來(lái)，噪聲信號(hào)分布在整個(gè)頻帶，噪聲的能量液分散在多個(gè)IMF 分量中。

1.4 集合經(jīng)驗(yàn)?zāi)B(tài)分解

EEMD 是最常用的EMD 的改進(jìn)方法，它可以解決EMD 方法中模態(tài)混疊的問(wèn)題。EEMD 主要的改善是使用均值為0 的白噪聲的優(yōu)勢(shì)，通過(guò)在分解過(guò)程中引入平均分布的白噪聲來(lái)掩蓋信號(hào)中的噪聲，可以獲得更加準(zhǔn)確的上包絡(luò)和下包絡(luò)。同時(shí)，對(duì)分解結(jié)果進(jìn)行平均處理，平均處理的次數(shù)越多、分解結(jié)果中含有更少的噪聲[8]。EEMD 的分解過(guò)程如下：

（1）在原始的時(shí)間序列中添加隨機(jī)的正態(tài)分布的白噪聲，σ 是已知的，μ=0，則：

其中，yi（t）是第i 次添加白噪聲后的信號(hào)，y（t）是原始信號(hào)，ni（t）是白噪聲。

（2）使用EMD 分解添加白噪聲后的時(shí)間序列數(shù)據(jù)。

（3）基于不同的白噪聲，重復(fù)步驟（1）和步驟（2），每次添加新的白噪聲，整合分解結(jié)果，對(duì)最終的結(jié)果取平均值：

其中，N 表示添加白噪聲的數(shù)量，Cij（t）表示添加第j 次白噪聲后的第i 個(gè)IMF 分量。

2 實(shí)驗(yàn)分析

2.1 實(shí)驗(yàn)數(shù)據(jù)

本文所有數(shù)據(jù)來(lái)源于BW-250 型三缸泥漿泵，振動(dòng)傳感器安裝在閥腔正上方（圖1）。泥漿泵的泵送頻率為25 Hz（即每分鐘泵送67 次），因?qū)嶒?yàn)室范圍有限，運(yùn)行狀態(tài)為中壓。

圖1 BW-250 型泥漿泵傳感器安裝示意

2.2 數(shù)據(jù)處理

本次實(shí)驗(yàn)共采集到工況電機(jī)轉(zhuǎn)頻為25 Hz、中壓負(fù)載下，3 種狀態(tài)下數(shù)據(jù)長(zhǎng)度為1 310 720 的數(shù)據(jù)各3 組，將每種狀態(tài)下數(shù)據(jù)分為120 段、每段長(zhǎng)度為32 768，時(shí)間序列信號(hào)的時(shí)域波形如圖2 所示。

圖2 振動(dòng)信號(hào)時(shí)域波形

首先，對(duì)每段數(shù)據(jù)進(jìn)行EEMD 分解，然后采取峭度準(zhǔn)則，閾值設(shè)定為20，并將峭度值大于20 的IMF 分量進(jìn)行重構(gòu)（表1、圖3）。重構(gòu)將原始信號(hào)分解為6 個(gè)IMF 分量，由于故障信息主要在泥漿泵振動(dòng)信號(hào)的沖擊成分中，因此根據(jù)峭度準(zhǔn)則選取大于一定閾值的IMF 分量進(jìn)行重構(gòu)。峭度公式如式（6）所示。

表1 各種狀態(tài)峭度值

圖3 泥漿泵故障狀態(tài)EEMD 分解重構(gòu)過(guò)程示意

其中，μ、σ 分別表示x 的均值和標(biāo)準(zhǔn)差，E（t）表示t 的期望值。

從圖3 可以看出，3 種不同狀態(tài)的數(shù)據(jù)存在差異，但是非專業(yè)人員無(wú)法完全判斷波形所對(duì)應(yīng)狀態(tài)。因此，運(yùn)用短時(shí)傅里葉變換將EEMD 重構(gòu)后的信號(hào)從一維時(shí)間序列變?yōu)槎S圖像信息，增強(qiáng)了信號(hào)的特征表達(dá)能力。

經(jīng)STFT 變換后，正常狀態(tài)、液力端排出閥故障和活塞故障3 種狀態(tài)的時(shí)間序列信號(hào)如圖4 所示，其中窗類型選擇為漢明窗、寬度為512。

圖4 短時(shí)傅里葉變換結(jié)果

最終數(shù)據(jù)共有360 張圖片，其中正常狀態(tài)、閥故障和活塞故障各120 張，訓(xùn)練集與測(cè)試集的比值為7:3（表2）。

表2 數(shù)據(jù)集劃分

2.3 神經(jīng)網(wǎng)絡(luò)訓(xùn)練

CNN 模型中，首先要對(duì)數(shù)據(jù)集進(jìn)行處理，將特征圖輸入到卷積網(wǎng)絡(luò)中，卷積層通過(guò)邊緣檢測(cè)、降噪等卷積運(yùn)算，增強(qiáng)原始信號(hào)的特征。然后將其輸入到池化層沒(méi)在不丟失特征的情況下，通過(guò)下采樣減少圖片的維數(shù)，減少訓(xùn)練時(shí)間。

首先對(duì)圖片進(jìn)行預(yù)處理，將圖片大小隨機(jī)剪裁為寬度和高度均為224，進(jìn)行水平翻轉(zhuǎn)，然后對(duì)其進(jìn)行歸一化處理，將RGB 三個(gè)通道的均值和標(biāo)準(zhǔn)差均設(shè)置為0.5（圖5）。

圖5 EEMD-CNN 模型結(jié)構(gòu)

為了得到最佳的網(wǎng)絡(luò)參數(shù)，本文分別從學(xué)習(xí)率、批處理量等進(jìn)行實(shí)驗(yàn)分析，得到了最佳的參數(shù)組合。學(xué)習(xí)率從[0.000 001，0.01]區(qū)間內(nèi)對(duì)CNN 網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，批處理量從4、8、16、32、64 中選擇最優(yōu)參數(shù)，最終確定參數(shù)，學(xué)習(xí)率為0.000 04，批處理量為32。圖6和圖7 分別為網(wǎng)絡(luò)模型訓(xùn)練的損失函數(shù)和準(zhǔn)確率曲線。

圖6 訓(xùn)練損失曲線

圖7 驗(yàn)證集準(zhǔn)確率曲線

從圖6 和圖7 可以看出，當(dāng)進(jìn)行到第150 次迭代時(shí)，模型的損失函數(shù)下降到0.3 左右，模型的準(zhǔn)確率達(dá)到98%左右。

3 結(jié)束語(yǔ)

本文針對(duì)鉆井配套設(shè)備泥漿泵進(jìn)行故障診斷，采集實(shí)驗(yàn)室用BW-250 型三缸泥漿泵振動(dòng)信號(hào)，共設(shè)置3種狀態(tài)，分別為正常狀態(tài)、泵閥故障狀態(tài)以及活塞故障狀態(tài)。首先采用EEMD 方法對(duì)采集到的振動(dòng)信號(hào)進(jìn)行分解重構(gòu)，濾去與振動(dòng)沖擊無(wú)關(guān)的干擾信號(hào)，很好地解決了EMD 方法的模態(tài)混疊問(wèn)題。并通過(guò)短時(shí)傅里葉變換將重構(gòu)后的振動(dòng)信號(hào)轉(zhuǎn)化為時(shí)頻圖，作為CNN 網(wǎng)絡(luò)的輸入特征圖進(jìn)行故障診斷。結(jié)果表明，基于EEMDCNN 的診斷方法針對(duì)泥漿泵故障有很好的診斷效果，故障診斷準(zhǔn)確率達(dá)到97%左右，將其用于泥漿泵設(shè)備的狀態(tài)檢測(cè)，可直觀地看到泥漿泵的運(yùn)行狀態(tài)，有助于解決鉆井現(xiàn)場(chǎng)的實(shí)際問(wèn)題。