[發明專利]一種故障診斷模型訓練方法和裝置

有效

• 申請號: 202010155838.3
• 申請日: 2020-03-09
• 公開（公告）號: CN111460701B
• 公開（公告）日: 2022-09-06
• 發明（設計）人: 蔣愛國;王金江;谷明;李文錦;秦建安;于昊天;冼敏元;張來斌;陳沖;劉拴忠
• 申請（專利權）人: 中海油田服務股份有限公司
• 主分類號: G06F30/23
• 分類號: G06F30/23;G06K9/62;G06N3/12;G06N3/08
• 代理公司: 北京安信方達知識產權代理有限公司 11262
• 代理人: 解婷婷;栗若木

1.一種故障診斷模型訓練方法，其特征在于，包括：

獲取多條頂驅系統中的傳感器所采集的頂驅系統的狀態特征參數；其中，所述傳感器在所述頂驅系統中的位置根據隨機權重遺傳算法確定；

利用冗余屬性投影算法分別消除每條所采集的狀態特征參數中的變工況特征參數；

將已消除變工況特征參數后的多條狀態特征參數分別進行融合，獲得多條融合后的狀態特征參數；

對多條融合后的狀態特征參數分別標注故障類型，得到訓練數據，采用所述訓練數據對預先建立的故障診斷模型進行訓練；

所述傳感器在所述頂驅系統中的位置根據隨機權重遺傳算法確定的過程，包括：

創建頂驅系統實體模型；

對所述實體模型進行有限元分析，確定有限元模型；

利用所述有限元模型得到所述頂驅系統的多個模態向量；

根據所述多個模態向量采用隨機權重遺傳算法對傳感器初始位置坐標進行調整，確定傳感器最終位置坐標；

所述根據所述多個模態向量采用隨機權重遺傳算法對傳感器初始位置坐標進行調整，確定傳感器最終位置坐標，包括：

根據傳感器初始位置坐標利用所述有限元模型確定N個模態向量和每個模態向量相應的矩陣，其中，N為初始傳感器的數量；

根據所述N個模態向量以及模態置信因子MAC計算公式得到MAC矩陣值；

根據每個模態向量相應的矩陣以及信息矩陣確定模態坐標；

采用隨機權重遺傳算法對所述MAC矩陣值和所述模態坐標進行計算，確定傳感器最終位置坐標；

所述利用冗余屬性投影算法分別消除每條所采集的狀態特征參數中的變工況特征參數，包括：

利用所采集的狀態特征參數根據冗余屬性投影算法構建冗余屬性投影矩陣；其中，所述冗余屬性投影算法表示為：P＝I-vv^T，I表示單位矩陣，v表示由冗余屬性中k個單位正交列向量組成的矩陣，k表示V中列向量的個數；

計算不同k值下冗余屬性投影矩陣的品質因子；

選擇最小品質因子所對應的k值，根據所述k值得到消除所采集特征參數中的變工況特征參數。

2.根據權利要求1所述的故障診斷模型訓練方法，其特征在于，所述對所述實體模型進行有限元分析，確定有限元模型，包括：

將所述實體模型導入ANSYS系統進行分析，確定節點數和單元格的數量；

根據所確定的節點數和單元格的數量，結合邊界條件確定有限元模型。

3.根據權利要求1所述的故障診斷模型訓練方法，其特征在于，所述模態置信因子MAC計算公式，包括：

其中，φ_i和φ_j分別為第i階和第j階模態向量，i分別為1-N中的每個整數，包括1和N；j分別為1-N中的每個整數，包括1和N。

4.根據權利要求1所述的故障診斷模型訓練方法，其特征在于，所述根據每個模態向量相應的矩陣以及信息矩陣確定模態坐標，包括：

根據每個模態向量相應的矩陣建立信息矩陣公式，其中，所述信息矩陣公式為：U_N＝Φ_Nq+S，其中，U_N表示傳感器測點數量為N時測量得到的輸出信息，Φ_N為通過有限元模型計算得到模態向量相應的矩陣，q為待確定傳感器測點位置坐標，S為預先設置的高斯白噪聲；

根據所述信息矩陣公式得到無偏估計待確定傳感器測點位置坐標q的無偏估計；

根據所述無偏估計計算得到信息矩陣以及與該信息矩陣對應的傳感器測點位置坐標。

5.一種故障檢測方法，其特征在于，所述方法包括：

當頂驅系統故障時，獲取頂驅系統中的傳感器所采集的頂驅系統的狀態特征參數；其中，所述傳感器在所述頂驅系統中的位置根據隨機權重遺傳算法確定；

利用冗余屬性投影算法消除所采集的狀態特征參數中的變工況特征參數；將已消除變工況特征參數后的狀態特征參數進行融合，獲得融合后的狀態特征參數；

將融合后的狀態特征參數輸入按照權利要求1-4中任一項的方法訓練好的故障診斷模型，判斷所述頂驅系統故障狀態。