[發(fā)明專利]石油礦場注水柱塞泵故障診斷方法

有效

• 申請?zhí)枺?/td>: 201810724488.0
• 申請日: 2018-07-04
• 公開（公告）號: CN108757426B
• 公開（公告）日: 2021-03-30
• 發(fā)明（設(shè)計）人: 向家偉;王淑慧;蔣勇英;鐘永騰
• 申請（專利權(quán)）人: 溫州大學(xué)
• 主分類號: F04B51/00
• 分類號: F04B51/00;G06N3/04
• 代理公司: 溫州名創(chuàng)知識產(chǎn)權(quán)代理有限公司 33258
• 代理人: 陳加利

本發(fā)明涉及石油礦場注水柱塞泵故障診斷方法。首先預(yù)定義石油礦場注水柱塞泵各類已知故障類型的故障模式，并通過加速度傳感器采集各個已知故障類型的一維原始振動信號；其次對一維原始振動信號做最小熵解卷積濾波處理，并依據(jù)濾波后的一維振動信號，通過直接截斷處理，建立二維矩陣，繼而利用卷積神經(jīng)網(wǎng)絡(luò)對建立的二維矩陣進行卷積和下采樣操作，從而獲得已知故障模式的最小熵解卷積增強的卷積神經(jīng)網(wǎng)絡(luò)診斷模型；最后利用該模型實現(xiàn)對需要監(jiān)測的石油礦場注水柱塞泵未知故障類型的模式識別。本發(fā)明可以實現(xiàn)石油礦場注水柱塞泵中多故障的自動識別，有效地避免了對于指標及特征選取等依賴的問題，可廣泛應(yīng)用于多種石油礦場注水柱塞泵的故障診斷。

技術(shù)領(lǐng)域

本發(fā)明屬于機械設(shè)備故障診斷領(lǐng)域，涉及一種基于最小熵解卷積增強卷積神經(jīng)網(wǎng)絡(luò)的石油礦場注水柱塞泵故障診斷方法。

背景技術(shù)

隨著我國國民經(jīng)濟的快速發(fā)展，石油的需求量與日俱增，開采地下原油，提高石油產(chǎn)量迫在眉睫。油田注水是采油過程的重要環(huán)節(jié)之一，作為注水過程中的關(guān)鍵設(shè)備--石油礦場注水柱塞泵，其工況惡劣，工作回注污水水質(zhì)差、水溫高，極易對閥體、柱塞、軸承和密封填料等造成腐蝕，嚴重縮短零件的使用壽命，帶來重大的經(jīng)濟損失甚至釀成惡性事故。因此，迫切需要研究注水柱塞泵的故障診斷技術(shù)，對其開展實時監(jiān)測和有針對性地維修，避免突發(fā)事故，提高生產(chǎn)效率。

注水柱塞泵服役于機電液壓的耦合系統(tǒng)中，其振動信號為多種激勵源綜合作用的結(jié)果，從中分離出故障激勵源異常困難。此外，由于石油礦場注水柱塞泵本身工作環(huán)境的復(fù)雜性，導(dǎo)致其故障類型多樣，故障起因復(fù)雜，許多故障類型的故障機理不明確。加之，機組出現(xiàn)故障時，同一種故障特征頻率對應(yīng)于幾種不同的故障類型，故障診斷困難。

卷積神經(jīng)網(wǎng)絡(luò)(Convoutional neural network,CNN)是一種數(shù)據(jù)驅(qū)動的深度學(xué)習(xí)網(wǎng)絡(luò)，可以自動學(xué)習(xí)數(shù)據(jù)中的特征，通過卷積(convolution)和下采樣(sub-sampling)交替操作，保留數(shù)據(jù)中的特征成分，減少高維干擾，最后由全連接層重新生成數(shù)據(jù)特征，從而實現(xiàn)數(shù)據(jù)的分布式特征表達。然而，由于石油礦場注水柱塞泵特殊的服役環(huán)境，其振動信號無可避免遭受機電液各路傳遞路徑的干擾以及背景噪聲的污染，嚴重影響了數(shù)據(jù)特征自動學(xué)習(xí)的效果。

發(fā)明內(nèi)容

本發(fā)明的目的是為了克服現(xiàn)有技術(shù)存在的缺點和不足，而提供一種基于最小熵解卷積增強卷積神經(jīng)網(wǎng)絡(luò)的石油礦場注水柱塞泵故障診斷方法。

為實現(xiàn)上述目的，本發(fā)明的技術(shù)方案是包括以下步驟：

S1：預(yù)定義石油礦場注水柱塞泵中各類已知故障類型的故障模式，并采集各個故障類型的一維原始振動信號；

S2:對原始振動信號做最小熵解卷積濾波處理，并對濾波后的信號建立二維矩陣，作為模型的訓(xùn)練樣本；

S3:利用卷積神經(jīng)網(wǎng)絡(luò)對二維矩陣進行卷積和下采樣操作，完整地保留表征信號特征的部分，降低信號中的高維干擾成分，解決故障信號的特征自動學(xué)習(xí)問題，獲得已知故障模式的基于最小熵解卷積增強的卷積神經(jīng)網(wǎng)絡(luò)診斷模型；

S4:對需要監(jiān)測的故障信號進行最小熵解卷積濾波，建立二維矩陣，構(gòu)造測試樣本，輸入已知診斷模型，最終確定出故障類型。

進一步設(shè)置是所述的步驟S1通過加速度傳感器采集各個已知故障類型的一維原始振動信號。

進一步設(shè)置是所述的步驟S2包括有：

(1)選擇輸出信號y的峭度作為濾波過程的目標函數(shù)：

(2)構(gòu)造y與f之間的關(guān)系，可以歸納為：

式中，x(n)(n＝1,2,…,N)是輸入信號x經(jīng)過數(shù)據(jù)采樣之后的輸入序列，f(l)(l＝1,2,…,L)是濾波器的第l個權(quán)重系數(shù)，輸出序列與濾波器權(quán)重的函數(shù)關(guān)系可以表達為：