潛油柱塞泵MMAGA-RBF故障診斷方法

于德亮， 李妍美， 丁 寶， 趙鵬舒， 孫 浩

(1.哈爾濱理工大學 電氣與電子工程學院，哈爾濱 150001；2.大慶油田采油工程研究院，黑龍江 大慶 163000；3.哈爾濱工業大學 電氣工程及自動化學院，哈爾濱 150001)

潛油柱塞泵MMAGA-RBF故障診斷方法

于德亮1,2， 李妍美1， 丁 寶3， 趙鵬舒1， 孫 浩1

(1.哈爾濱理工大學 電氣與電子工程學院，哈爾濱 150001；2.大慶油田采油工程研究院，黑龍江 大慶 163000；3.哈爾濱工業大學 電氣工程及自動化學院，哈爾濱 150001)

針對潛油柱塞泵無法使用傳統地面示功圖方法進行故障診斷的問題，提出了一種適用于該抽油機的故障診斷方法. 該方法首先利用多變異位自適應遺傳算法(MMAGA)對RBF神經網絡進行參數尋優，然后從潛油直線電機的運行參數和油井井口的儀表參數等綜合數據中，提取出反映油泵運行狀態的特征參數，并將其作為故障診斷模型的輸入向量，從而實現潛油柱塞泵故障工況的診斷. 結果表明: MMAGA-RBF故障診斷方法能夠在較少的訓練樣本下達到較高的綜合診斷準確率, 在訓練樣本集達到1 000組以上時, 其綜合誤判率可低于4%, 相對于普通遺傳算法優化的模型, 其泛化能力更強. MMAGA-RBF故障診斷方法符合潛油柱塞泵的工況特點, 能夠達到其綜合診斷準確率的要求.

潛油柱塞泵；特征參數；故障診斷；RBF；MMAGA

隨著潛油直線電機技術的發展[1]，人們提出了一種新型的無桿式抽油裝置——潛油柱塞泵. 潛油柱塞泵采用井下的潛油直線電機直接驅動柱塞泵柱塞做往復運動，解決了傳統游梁式抽油機具有的偏磨嚴重、體積龐大、造價高以及能耗高等問題，具有良好的應用前景.

潛油柱塞泵采用的結構是倒置方式，即柱塞泵倒置于潛油直線電機之上[2]. 電機的定子固定在油井底部，動子通過柱塞與柱塞泵的游動凡爾相連，柱塞泵與油管相連，直線電機通過電纜與地面上的控制系統相連. 潛油柱塞泵工作時，直線電機的動子做往復運動，帶動游動凡爾，不斷將套管內液體吸入泵腔內，并將其通過油管舉升至地面井口處. 但由于油井下的工作環境惡劣，潛油柱塞泵在運行的過程中很容易出現結蠟、砂卡、凡爾漏失、液體充不滿等故障現象. 如果不對這些故障進行及時的診斷和處理，將會降低潛油柱塞泵工作時的可靠性和壽命.

這種新型無桿式抽油機不同于游梁式抽油機，無法采用傳統地面示功圖的方法對其進行故障工況診斷. 目前，人們雖然已經做了較多的研究并取得了一些成果，但對此還沒有提出相對完善的解決方案. 針對潛油柱塞泵的故障工況特點，多采用普通遺傳算法和粒子群算法[3-6]結合神經網絡[7-10]進行故障診斷. 粒子群算法適合求解實數問題，但對于離散優化問題處理不佳，容易陷入局部最優. 普通遺傳算法存在過早收斂和易陷入局部最優等問題[11-12]. 本文根據采油系統和潛油柱塞泵的結構特點，對油井的載荷、電參數以及井口的油壓、套壓和溫度等數據進行分析，得出數據值與油井故障工況之間的對應關系，提出了適合潛油柱塞泵的MMAGA-RBF故障診斷方法：從系統中提取出用于故障診斷的特征參數；并采用多變異位自適應遺傳算法(MMAGA)優化改進型RBF神經網絡的權值閾值，采用最優參數的故障診斷模型進行故障診斷. 模擬和仿真分析結果表明，該故障診斷方法適用于潛油柱塞泵的多故障工況診斷，并能夠達到較高的準確率和可靠性.

1 特征參數提取

由于潛油柱塞泵的柱塞與直線電機的動子直接相連，直線電機的工作狀態能夠直接反映潛油柱塞泵的運行狀態，潛油柱塞泵抽油系統的工作原理圖如圖1所示.

圖1 潛油柱塞泵原理圖

潛油柱塞泵在不同的故障工況下工作時，直線電機的電流和油泵的載荷值是不同的[13-14]. 比如當潛油柱塞泵出現結蠟、砂卡以及氣體影響等故障狀態時，直線電機的運行電流便會發生明顯的變化. 不同故障工況下直線電機的運行電流如圖2所示.

雖然對于結蠟、砂卡以及氣體影響等常規故障，僅僅依據電流、電功率以及載荷這些特征參數便可以進行故障工況的診斷. 但油井的故障工況情況比較復雜，比如有時油井會出現油管漏失，泵閥常開或者電機遇到強烈的機械震動和沖擊等問題. 此時，只依據上述特征參數便無法準確地進行故障工況診斷. 因此，必須通過增加與潛油柱塞泵運行故障工況相關的其他特征參數進行綜合分析判定.

圖2 管式直線電機的運行電流曲線

在油井正常運行過程中，油井井口的油壓和套壓是相對穩定的. 當出現油管漏失或泵漏失時，油井井口的油壓和套壓便會發生相應的變化. 因此，通過油壓表的數值變化，可以幫助人們進一步判定油井的故障工況狀態. 此外，因油井的井口溫度隨出油量的大小而相應變化，故井口溫度對油井故障工況的判定也是一個很重要的特征參數. 本文采用多元數據的方法進行特征參數提取，可以更加真實的反映潛油柱塞泵的故障工況狀態，提高故障診斷的準確率.

通過電流和壓力傳感器等測量裝置，對直線電機進行實時監測，并獲取電機每個運行周期內相應的電流值以及油泵的載荷. 同時記錄油井的井口油壓和套壓以及溫度值.

對采集的油井數據值分別作如下處理：

(1)

式中：l為一個周期內的采樣點數，T(t)為實時井口溫度，Te為一個周期的平均井口溫度.

(2)

式中Fo(t)，Foe分別為實時井口油壓和一個周期的平均井口油壓.

(3)

式中Fc(t)，Fce分別為實時井口套壓和一個周期的平均井口套壓.

(4)

(5)

式中：Iue，iu(t)，m分別為電機上行程的平均電流、實時電流和采樣點數；Ide，id(t)，n分別為電機下行程的平均電流、實時電流和采樣點數.

(6)

(7)

式中Iuv，Idv分別為電機上行程的電流方差和下行程的電流方差.

(8)

(9)

式中：Pue，pu(t)分別為電機上行程的平均載荷，實時載荷；Pde，pd(t)分別為電機下行程的平均載荷，實時載荷.

(10)

(11)

式中Puv，Pdv分別為電機上行程的載荷方差和下行程的載荷方差.

得到數據Te，Foe，Fce，Iue，Ide，Iuv，Idv，Pue，Pde，Puv，Pdv之后，需要對其進行歸一化處理.

(12)

2 MMAGA算法和核函數的選取

2.1 MMAGA算法

自適應遺傳算法(AGA)[15]是一種具有全局尋優能力的優化算法. 它主要包括選擇、重組和變異3個操作過程. 其中重組概率Pc決定著新個體產生的速度和搜索過程的快慢，而變異概率Pm決定是否產生新的模式. 在尋優的過程中，Pc和Pm的取值過大或者過小都會降低遺傳算法的尋優能力. 因此，必須選取合適的Pc和Pm，以保證得出最優解. 而多變異位遺傳算法[16-17]是在自適應遺傳算法中引入多位變異，根據個體的優劣情況決定其變異位數，即適應度低的個體變異多個基因，而適應度高的個體進行少位變異甚至不變異，由此可形成多種變異組合，進一步增大最優解的搜索空間，其算法流程圖如圖3所示. 該算法中的Pc和Pm的取值分別由以下公式計算.

(13)

(14)

圖3 MMAGA算法流程圖

2.2 核函數的選取

較常用的神經網絡有BP神經網絡[18-20]和標準徑向基神經網絡[21-22]. BP算法的收斂速度慢，網絡的容錯能力差，易陷入局部最優解. 而RBF算法的輸入和輸出之間具有較強的映射性，收斂速度快和分類能力好. 但傳統高斯核函數具有一定的缺陷，比如在數據中心點附近的衰減速度相對較慢，在遠離中心點處，由于函數值會不斷地趨于零，最終會造成核截斷現象. 這在一定程度上影響神經網絡的分類能力和準確率. 為進一步提高其收斂性和分類能力，改善模型的診斷能力和準確率，本文選用改進型高斯核函數作為網絡的核函數.

本文選用的神經網絡傳遞函數形式為

(15)

式中：ui,ci,σi,ξ分別為隱含層節點i的輸出、高斯核函數的中心、核寬帶變量和位移參數.

從圖4中可以看出，改進型高斯核函數比傳統高斯核函數在中心點處的衰減性能更佳，同時遠離中心時的衰減速度又相對較慢且趨于某一非零常數. 改進型高斯核函數可以有效地避免傳統高斯核函數的缺陷，提高神經網絡的診斷能力和準確率.

圖4 兩種核函數的特性比較

3 MMAGA-RBF故障診斷方法

3.1 MMAGA-RBF故障診斷模型

潛油柱塞泵的常見故障工況有油管結蠟S1、供液不足S2、氣體影響S3、砂卡S4、凡爾漏失S5和泵抽空S6等類別，本文僅對以上6種常見故障工況進行研究與分析. MMAGA-RBF故障診斷模型的結構圖如圖5所示. 首先采集以上各種故障工況下實際生產過程中的潛油直線電機的運行電流i、載荷p和井口的油壓Fo、套壓Fc以及井口處的溫度T等運行參數，并提取出特征參數，得到相應故障工況下的輸入向量即訓練樣本數據；然后在離線狀態下利用這些故障工況的訓練樣本數據對RBF神經網絡進行反復訓練，同時利用MMAGA優化RBF神經網絡的權值閾值，獲得RBF神經網絡的最優權值閾值；最終利用最優參數下的RBF神經網絡診斷模型實現在線實時診斷，并輸出故障診斷結果. 此外，根據訓練樣本數據的維數及故障診斷模型待辨識的故障類型個數，選定RBF神經網絡的輸入層節點數為11，輸出層節點數為6，隱含層節點數的具體確定方法則在實驗分析過程中進一步闡述. 假如潛油柱塞泵的故障工況診斷結果為砂卡S4，則RBF神經網絡輸出層的對應期望結果為{0 0 0 1 0 0}.

圖5 故障診斷模型結構圖

3.2 MMAGA優化RBF神經網絡參數

由于RBF神經網絡具有容易陷入局部最優和收斂速度慢的特點[23-24]，而MMAGA的全局尋優能力較強. 因此，本文采用MMAGA算法優化RBF神經網絡的權值閾值，種群中的每個個體都包含了一個網絡的所有權值閾值，通過選擇、重組和變異操作，使之達到最優的取值，提高故障診斷模型的準確率.

實驗中對油井的油管結蠟、供液不足、氣體影響、砂卡、凡爾漏失和泵抽空等故障工況各采集300組工況數據作為訓練樣本集，經數據預處理后獲取相應故障工況的輸入向量；首先確定神經網絡的結構，初始化MMAGA中的變量個數NIND、最大遺傳代數Maxgen、變異概率和重組概率等參數值，并創建初始種群；利用訓練樣本集對初始化參數的RBF神經網絡進行離線訓練，將得出的故障可信度作為適應度值；根據輪盤賭策略確定父代，對父代進行自適應重組和變異操作，產生新的個體，并計算子代適應度值；判斷此時是否達到要求的故障診斷準確率，若滿足要求，便得到最優的權值閾值，否則，繼續進行上述的選擇、重組和變異操作；然后繼續采用梯度下降法進一步更新其權值閾值，直至故障可信度滿足終止條件，最終得出RBF神經網絡用于在線實時故障預測的最優參數. MMAGA-RBF故障診斷方法的流程圖如圖6所示.

圖6 MMAGA算法優化RBF神經網絡流程圖

4 仿真實驗與分析

實驗中使用油井模擬循環系統來模擬潛油柱塞泵的各種故障工況進行實驗分析，該實驗平臺主要由油井模擬循環系統、流量控制裝置、潛油柱塞泵及其控制裝置組成，實驗平臺的實物圖如圖7所示.

圖7 實驗平臺實物

4.1 潛油柱塞泵故障工況數據的采集

在實驗平臺上分別模擬潛油柱塞泵在油管結蠟、供液不足、氣體影響、砂卡、凡爾漏失及泵抽空等6種常見故障工況下的工作狀態，并對其故障工況數據進行采集. 本文中使用壓力傳感器和電流傳感器來采集潛油柱塞泵各種故障工況下井下的工作數據，井下數據采集設備采集器如圖8所示. 此外，通過井口處的油壓表、套壓表和溫度表獲取各種故障工況下相應的工況數據.

實驗中，為了使獲取的數據更加具有代表性和研究性，分別對同一故障工況下的不同時間段進行數據采集作為訓練樣本集和測試樣本集. 因此，先在模擬實驗平臺上模擬油管結蠟S1、供液不足S2、氣體影響S3、砂卡S4、凡爾漏失S5和泵抽空S6等6種常見故障工況分別采集300組運行數據，作為訓練樣本集，再次重復模擬上述6種故障工況采集100組新的運行數據，作為測試樣本集. 因實驗條件的限制，在實際的實驗分析過程中，本文提出的故障診斷模型的訓練過程和測試驗證過程均是在離線模式下進行的.

圖8 井下設備實物圖

因RBF神經網絡的診斷效果不僅與其權值閾值有關，還與隱含層的節點數有關. 為了選擇合適的隱含層節點數，從上述故障工況采集的訓練樣本集中抽取1 200組工況數據(油管結蠟S1、供液不足S2、氣體影響S3、砂卡S4、凡爾漏失S5和泵抽空S6等故障工況各200組)作為訓練樣本，對RBF神經網絡進行反復訓練，并利用上述測試樣本集對其故障診斷準確率進行驗證，從而找到隱含層節點數的最佳取值.

在確定故障診斷模型的最佳參數之后，進一步研究MMAGA-RBF故障診斷方法的泛化性能. 從上述故障工況采集的訓練樣本集中從小到大依次抽取不同數量(200～1 200組)的訓練樣本，先利用訓練樣本對MMAGA-RBF故障診斷模型進行反復訓練，然后利用上述100組測試樣本集對其故障診斷準確率的性能進行驗證分析.

4.2 仿真實驗結果分析

實驗仿真結果表明，MMAGA-RBF故障診斷方法的診斷準確率不僅與故障診斷模型的參數有關，還與訓練該故障診斷模型的訓練樣本數量相關. 具體實驗分析過程如下.

首先使用較少的訓練樣本來分析模型的泛化性能. 此處從訓練樣本集中隨機抽取360組(油管結蠟S1、供液不足S2、氣體影響S3、砂卡S4、凡爾漏失S5和泵抽空S6等故障工況各60組數據)數據做訓練樣本，對故障診斷模型進行反復訓練之后，統計其對100組測試樣本集診斷的準確率. 由于訓練的數據較少，所以只有增加訓練次數，才能使提高故障診斷的準確率. 圖9為不同最大迭代次數下100組測試樣本集的綜合診斷準確率結果.

圖9 診斷準確率變化曲線

從圖9的結果中可知，當訓練樣本數量較少時，故障診斷準確率相對較低. 在初始階段，故障診斷準確率隨著最大迭代次數的增加而提高，但是當最大迭代次數增大到一定值時，其趨勢逐漸變得緩慢，基本上停止改善，保持穩定狀態，出現過擬合現象.

通過增加訓練樣本數量可有效防止過擬合現象的發生，提高故障模型的診斷準確率. 實驗中分別選擇200～1 200組各種故障工況下的訓練樣本數據，測試在不同訓練樣本數量和最大迭代次數下的綜合診斷誤判率. 具體仿真結果如圖10所示.

圖10 測試數據誤判率仿真結果

從結果中可知，當訓練樣本的數量增加時，故障診斷的綜合誤判率會明顯降低. 在訓練樣本數量達到1 000組以上時，該故障診斷方法的誤判率可控制在4%以內，具有較高的綜合故障診斷能力. 其中，砂卡和結蠟容易出現誤判現象，其余類型的故障工況基本能夠準確診斷.

最后，將MMAGA-RBF故障診斷方法與標準GA-RBF故障診斷方法進行對比分析. 在不同的訓練樣本下，二者的診斷準確率曲線如圖11所示. 當訓練樣本數量較少時，兩種故障診斷方法的綜合診斷準確率都比較低. 但隨著訓練樣本數量的增加，MMAGA-RBF故障診斷方法的準確率明顯比GA-RBF故障診斷方法的準確率高一些. 雖然隨著樣本數量的增加GA-RBF故障診斷準確率能夠繼續增加，但由于獲取大量訓練樣本的成本較高，會造成很大的工作量. 因此，期望通過獲取龐大的訓練樣本來提高其診斷能力，不是一個可行的方案.

由于本文提出的MMAGA-RBF故障診斷方法在離線狀態下通過充足的訓練樣本進行反復訓練得到最佳的參數之后不必再次重復訓練，在實際的故障診斷應用中，只需要將潛油柱塞泵的待測故障數據經過預處理之后，直接進行故障診斷即可. 因此，該故障診斷方法可以實現潛油柱塞泵運行工況的在線實時診斷.

圖11 兩種故障診斷方法的診斷準確率曲線

Fig.11 Diagnostic accuracy curves of the two fault diagnosis methods

5 結 論

1)隨著訓練樣本數量的增加，MMAGA-RBF故障診斷模型的診斷準確率不斷提高，在訓練樣本數量為1 000組時，綜合診斷準確率便可達到96%以上. 這表明該故障診斷方法可在相對較少的訓練樣本下達到很高的診斷準確率. 相比于其他故障診斷方法，大大地減少了成本與工作量.

2)該故障診斷方法能夠避免傳統徑向基核函數的缺陷，改善其收斂性和分類能力，達到更高的診斷準確率；

3)該故障診斷方法的泛化能力強，能滿足實驗中潛油柱塞泵井下常見故障工況類別的準確判定，預測故障的發生，并及時進行處理，提高潛油柱塞泵的工作可靠性.

4)由于實驗條件的限制，在實驗中只對潛油柱塞泵的上述6種常見故障工況進行了仿真分析. 根據實驗中現有的故障數據，MMAGA-RBF故障診斷方法能夠達到其綜合診斷準確率的要求. 至于該故障診斷方法對所有故障類型的診斷效果，則需要模擬仿真更全面的故障類別以獲取更多的故障工況數據來訓練故障診斷模型，進一步研究該方法的有效性.

[1] 陳梁遠, 李黎川. 壓縮機用直線電機及其關鍵技術發展綜述[J]. 中國電機工程學報,2013,33(15):52-68.

CHEN Liangyuan, LI Lichuan. Development of the linear motor and its key technologies for compressors[J]. Proceedings of the CSEE,2013,33(15):52-68.

[2] 于德亮, 鄧盛川, 張永明, 等. 基于支持向量機的潛油往復式油田抽油機故障工況診斷方法[J]. 電工技術學報, 2013,28(4):248-254.

YU Deliang, DENG Shengchuan, ZHANG Yongming, et al. Working condition diagnosis method based on SVM of submersible plunger pump[J]. Transactions of China Electrotechnical Society,2013,28(4):248-254.

[3] BENMOUIZA K, TADJ M, CHEKNANE A. Classification of hourly solar radiation using fuzzy c-means algorithm for optimal stand-alone PV system sizing[J]. International Journal of Electrical Power & Energy Systems,2016,82: 233-241.

[4] OZYILDIRIM B M, AVCI M. One pass learning for generalized classifier neuralnetwork[J]. Neural Networks, 2016,73:70-76.

[5] LI X, ZECCHIN A C, MAIER H R. Selection of smoothing parameter estimators for general regression neural networks-applications to hydrological and water resourcesmodelling[J]. Environmental Modelling & Software,2014, 59:162-186.

[6] 陳智慧. 基于 JADE 平臺的粒子群算法在經濟調度中的應用[J]. 電氣技術,2015,16(1):32-35.

CHEN Zhihui. The particle swarm algorithm based on JADE platform application in the economic operation [J]. Electric technology,2015,16(1):32-35.

[7] PARK I M, SETH S, PAIVA A, et al. Kernel methods on spike train space for neuroscience: a tutorial [J]. IEEE Signal Processing Magazine,2013,30(4):149-160.

[8] IJJINA E P, MOHAN C K. Hybrid deep neural network model for human actionrecognition[J]. Applied Soft Computing Journal,2016,46:936-952.

[9] KIM J S, JUNG S. Implementation of the RBF neural chip with the back-propagation algorithm for on-line learning [J]. Applied Soft Computing,2015,29:233-244.

[10]謝東, 張興, 曹仁賢. 基于小波變換與神經網絡的孤島檢測技術[J]. 中國電機工程學報,2014,34(4):537-544.

XIE Dong, ZHANG Xing, CAO Renxian. Islanding detection based on wavelet transform and neural network[J]. Proceedings of the CSEE, 2014,34(4):537-544.

[11]顏曉娟, 龔仁喜, 張千鋒. 優化遺傳算法尋優的SVM在短期風速預測中的應用[J]. 電力系統保護與控制, 2016, 44(9):38-42.

YAN Xiaojuan, GONG Renxi, ZHANG Qianfeng. Application of optimization SVM based on improvedgenetic algorithm in short-term wind speed prediction[J].Power System Protection and Control,2016,44(9):38-42.

[12]劉柏良, 黃學良, 李軍. 計及可時移負荷的海島微網電源優化配置[J]. 中國電機工程學報,2014,34(25):4250-4258.

LIU Bailiang, HUANG Xueliang, LI Jun. Optimal sizing of distributed generation in a typical island microgrid with time-shifting load[J]. Proceedings of the CSEE,2014, 34(25):4250-4258.

[13]李立毅, 唐勇斌, 劉家曦, 等. 多種群遺傳算法在無鐵心永磁直線同步電機優化設計中的應用[J]. 中國電機工程學報,2013,33(15):69-77.

LI Liyi, TANG Yongbin, LIU Jiaxi, et al. Application of the multiple population genetic algorithm in optimum design of air-core permanent magnet linear synchronous motors[J]. Proceedings of the CSEE,2013,33(15):69-77.

[14]王博, 趙海森, 李和明, 等. 用于模擬游梁式抽油機電動機動態負荷的測試系統設計及應用[J]. 中國電機工程學報,2014,34(21):3488-3495.

WANG Bo, ZHAO Haisen, LI Heming, et al. Design and applications of the testing system with dynamic load for beam pumping motor[J]. Proceedings of the CSEE,2014, 34(21):3488-3495.

[15]WANG D. Sensitivity analysis of structural response to position of external applied load: in plane stress condition[J]. Structural and Multidisciplinary Optimization,2014,50(4): 605-622.

[16]HERIS J E A, OSKOEI M A. Modified genetic algorithm for solvingn-queens problem[C]//2014 Iranian Conference on Intelligent Systems. Bam, Iran: IEEE Press,2014:1-5.

[17]龔純, 王正林. 精通MATLAB最優化計算[M]. 3版. 北京:電子工業出版社,2014:337-341.

GONG Chun, WANG Zhenglin. Proficient in MATLAB optimization[M]. 3rd ed. Beijing: Electronic Industry Press,2014:337-341.

[18]李龍, 魏靖, 黎燦兵, 等. 基于人工神經網絡的負荷模型預測[J]. 電工技術學報,2015,30(8):225-230.

LI Long, WEI Jing, LI Canbing, et al. Prediction of load model based on artificial neural network[J]. Transactions of China Electrotechnical Society,2015,30(8):225-230.

[19]郭孜政, 譚永剛, 馬國忠, 等.基于BP神經網絡的駕駛精神疲勞識別方法[J]. 哈爾濱工業大學學報,2014,46(8): 118-121.DOI:10.11918/j.issn.0367-6234.2014.08.020.

GUO Zizheng, TAN Yonggang, MA Guozhong, et al. Recognition method of driving mental fatigue based on BP neural network[J]. Journal of Harbin Institute of Technology, 2014,46(8):18-121.DOI:10.11918/j.issn.0367-6234.2014.08.020.

[20]龍億, 杜志江, 王偉東. GA優化的RBF神經網絡外骨骼靈敏度放大控制[J]. 哈爾濱工業大學學報,2015,47(7): 26-30.DOI:10.11918/j.issn.0367-6234.2015.07.003.

LONG Yi, DU Zhijiang, WANG Weidong. RBF neural network with genetic algorithm optimization based sensitivity amplification control for exoskeleton [J]. Journal of Harbin Institute of Technology,2015,47(7):26-30. DOI:10.11918/j.issn.0367-6234.2015.07.003.

[21]GUAN X, ZHU Y, SONG W. Application of RBF neural network improved by peak density function in intelligent color matching of wooddyeing[J]. Chaos, Solitons & Fractals,2016,89:485-490.

[22]YU Deliang, ZHANG Yongming. A new diagnostic method for identifying working conditions of submersible reciprocating pumping systems [J]. Petroleum Science,2013, 10(1):81-90.

[23]LI X, ZHAO L, WEI L, et al. Deep saliency: multi-task deep neural network model for salient object detection[J]. IEEE Transactions on Image Processing, 2015, 25(8): 3919-3930.

[24]TANG Y, GAO H, KURTHS J. Multiobjective identification of controlling areas in neuronal networks[J]. IEEE/ACM Transactions on Computational Biology and Bioinformatics, 2013,10(3):708-720.

TheMMAGA-RBFfaultdiagnosismethodforsubmersibleplungerpump

YU Deliang1,2, LI Yanmei1, DING Bao3, ZHAO Pengshu1, SUN Hao1

(1.College of Electrical and Electronic Engineering, Harbin University of Science and Technology, Harbin 150001, China; 2.Research Institute of Oil Production Engineering Daqing Oilfield Company, Daqing 163000, Heilongjiang, China; 3.Institute of Electrical Engineering and Automation, Harbin Institute of Technology, Harbin 150001, China)

As the traditional ground indicator diagram method is not suitable for fault diagnosis of submersible plunger pump, this paper proposes a new fault diagnosis method. Multiple Mutation Adaptive Genetic Algorithm(MMAGA)is used to optimize the weight and threshold values of Radial Basis Function neural network. Some characteristic parameters are then extracted from the operation parameters of the submersible linear motor and oil wellhead，which can reflect the working state of pump. These characteristic parameters are taken as input vectors of the new fault diagnosis model so as to realize the fault diagnosis of submersible plunger pump. The experimental results show that: the comprehensive diagnosis accuracy of MMAGA-RBF method is high when using less training samples, and the comprehensive misjudgment rate is lower than 4% when the training sample is above 1000 groups. The generalization ability is stronger compared to that of the traditional model. The MMAGA-RBF fault diagnosis method is suitable for the working condition characteristics and can meet the requirements of the comprehensive diagnosis accuracy of submersible plunger pump.

submersible plunger pump; characteristic parameters; fault diagnosis; RBF; MMAGA

10.11918/j.issn.0367-6234.201610123

TP277

A

0367-6234(2017)09-0159-07

2016-10-31

黑龍江省自然科學基金(E201305)

于德亮(1982—)，男，博士，講師

于德亮，yudeliang1032@163.com

(編輯魏希柱)