基于振動信號分析的電潛柱塞泵故障診斷方法研究

( 大慶油田有限責任公司 采油工程研究院，黑龍江 大慶 163318)①

電潛柱塞泵是一種針對三低油藏的新型高效無桿舉升工藝，在油田開采中后期開展了大量的室內和現場試驗，節能效果明顯，技術水平隨著應用規模的擴大在不斷完善，發展前景廣闊[1]。但潛油直線電機在井下復雜環境下運行，導致電潛柱塞泵帶故障運行情況較多。井口振動信號能夠全面反應機組的運行工況，因此，針對其不同工況下的振動信號進行分析，對故障診斷技術的提高和油田生產具有實際意義[2-3]。通過對電機振動信號的有效處理和分析，能夠做到故障預警。由于電機自身的結構特點、工作環境和負載工況等復雜因素，采集到的振動信號中含有大量的噪聲信號，有時候噪聲會使得有用信號無法識別[4-6]。運用傳統的傅立葉分析方法有時不能滿足要求，特別是在信號中含有較多畸變的有用信息時，傅立葉分析法就無能為力了。小波分析法以其處理非平穩信號所特有的優點，得到了日益廣泛的應用[7-8]。

文獻[9]提出了基于最優小波基的電機故障信號特征提取方法，但該方法只是找出適合電機特定故障信號的最優小波基，并沒有對具體故障進行診斷分類。文獻[10]提出采用小波包方法對電機匝間短路進行故障特征提取，以頻帶能量特征的對比診斷匝間短路故障，并未對電機其他故障以及信號能量特征采取進一步的智能診斷。

本文選用對電潛柱塞泵故障診斷適應性較高的db6小波，對采集到的振動信號進行小波包分析并與BP神經網絡結合，提出了一種隱層神經元數變動的小波神經網絡故障診斷方法，使其診斷精度及診斷周期得到很好的改善。利用小波包對信號微弱變化及突變的良好分析性能，針對電潛柱塞泵正常運行、動子不平衡及動子機械磨損3種工況下的振動信號進行處理，提取信號的能量特征向量，進而獲得網絡的輸入向量，達到訓練網絡、實現高精度診斷的要求。

1 問題描述

將采集到的振動信號的頻段進行指數等間隔分區，應用多分辨率分析；然后利用小波包分解(Wavelet Packet Analysis)對其高頻段進一步精細分析；進而自適應選擇對應頻帶與采集到的信號頻譜相匹配；最終實現時頻分辨率的有效提高。

其中gk=(-1)kh1-k，即兩系數也具有正交關系。

當n=0時，由式(2)可得尺度函數u0(x)與小波函數u1(x)的雙尺度方程。

利用式(2)～(3)可得空間分解為：

(4)

式(2)與式(3)構造的序列{un(x)}稱為由基函數φ(x)=u0(x)確定的小波包。

式中：d為小波包系數。

對小波和小波包的分析，二者的共同實質是實現現場機組低頻和高頻振動信號2部分的第1次分解。但二者又有區別，前者只能針對低頻段二次、再次分解，最終得到分解系數；后者則對一次分解的兩個頻段都可以進行二次、再次分解。小波包的3層分解過程如圖1所示，信號的低頻A1和高頻D1是振動信號S一次分解得到的，在二次、再次分解中，二者都能獲得不斷的更精細分解。其中A和D分別代表振動信號的低頻輪廓部分和高頻細節部分，后面的數字表示分解層數。

圖1 小波包分解過程

小波包分解關系式為：

S=AAA3+DAA3+ADA3+DDA3+AAD3+DAD3+ADD3+DDD3

(7)

本文現場采集到的振動信號的能量特征向量就是采用小波包分解重構獲得，這是BP神經網絡需要的最佳樣本向量，可以使小波與神經網絡相結合。BP網絡為誤差反向傳播網絡，有正向和反向兩個非同時的傳播過程。正向過程傳播時，信號樣本經輸入層、隱含層、輸出層實現逐層處理，這時需要在輸出層獲得期望值，否則樣本信號調轉；進入反向傳播過程時，將實際與期望輸出的差值沿原來的連接通道返回，通過修改各層神經元之間的連接權值，使誤差達到允許范圍，網絡訓練結束。

考慮到多隱含層神經網絡具有因復雜過度增加訓練時間的缺點，本文設計采用改進的單隱含層神經元數變動的神經網絡系統。訓練過程隱含層中節點數的多與少，決定網絡獲得振動信號樣本的能力，間接地決定了網絡逼近目標函數的成功概率，二者成正比關系。但是網絡獲得信號的能力過強，訓練的復雜程度又會隨著增加，進而干擾因素增加，影響到整個神經網絡系統。因此，本文綜合考慮多方面因素，進行改進的單隱含層設計，根據不同情況選擇不同節點數，使其達到提高診斷精度及縮短診斷周期的雙重要求。

到目前為止，并沒有找到一個解析式能夠很好的確定隱含層神經元數，基本上靠經驗公式確定。本文采用先根據經驗公式確定神經元數目范圍，再通過誤差比確定不同情況下隱含層節點數，使其達到最佳精度。

采用的經驗公式為：

l=log2m

l=2m+1

式中：m為輸入層節點數；n為輸出層節點數；l為隱含層節點數；a為常數，取1～10。

2 故障診斷方法

2.1 能量特征向量的提取

電潛柱塞泵舉升工藝屬于恒定的剛性開環驅動，機組帶故障運行時不斷受到脈動沖擊，振動信號的能量也隨之變化，靠近脈動沖擊作用時刻的振動信號能量突顯；反之信號能量變小，表現為噪聲、低頻信號等干擾。因此，突顯的能量變化，對應提取準確的故障能量特征。

本文通過小波包分解，利用其分解系數得到故障特征向量，具體過程為：通過db6小波對電潛柱塞泵井口振動信號進行小波包3層分解，重構其分解系數后，提取各頻率范圍內的能量特征。采集到的振動信號頻率為0～F，則各層分解信號Sj(j=0，1，…，7)設定的各自頻帶如表1。

表1 各層分解振動信號頻帶

1) 重構系數獲得各頻率范圍振動信號的能量總和。設各層分解振動信號Sj的總能量為Ej，則有：

式中：xjk表示各層分解振動信號Sj離散點的幅值。

2) 以各頻率范圍的能量特征為元素構造特征向量為：

能量較大時， 數值龐大，需要通過對上述特征向量歸一化處理，以達到減少數據分析過程的計算量。

歸一化處理結果為：

T=[E0,E1,E2,E3,E4,E5,E6,E7]

(12)

2.2 神經網絡的建立

以電潛柱塞泵舉升工藝為診斷對象，采集潛油直線電機動子不平衡和動子機械磨損2種常見故障的振動信號，經小波包分解重構得到的機組故障狀態下各頻段信號能量所構成的樣本特征向量，將其輸入神經網絡后，設定期望值。對神經網絡進行訓練，當誤差達到允許范圍時訓練完畢。完成訓練后，將測試樣本輸入神經網絡，進行故障識別。

1) 首先將電潛柱塞泵的井口振動信號進行小波包分解、重構、提取能量特征，獲得訓練樣本，設定相匹配的期望值。網絡輸出層的神經元節點設定3個，同時設定輸出值(1,0,0)、(0,1,0)、(0,0,1)，分別代表電潛柱塞泵正常運行、動子不平衡，動子機械磨損。

2) 神經網絡采用三層網絡結構，分別為輸入層、隱含層、輸出層，由于每個輸入的特征向量含有8個元素，則輸入層神經元節點個數為8，隱含層神經元數目在3～17之間，比較不同節點數時誤差，選取節點數為17。

3) 使用Matlab軟件編寫BP神經網絡程序，進行網絡訓練。視不同情況不斷變化網絡參數。一次訓練后，若輸出值符合期望值，便輸入測試樣本；若不滿足要求，則增加訓練樣本反復訓練，直到輸出達到要求。

3 現場試驗

由于油管結蠟、氣體影響、砂堵、卡泵、供液不足等井下復雜原因及工藝本身的結構、控制方式，導致電潛柱塞泵動子易發生推力失穩和機械磨損。針對這2種常見故障，在某油田區塊開展現場試驗，選取機組正常運行、動子不平衡、動子機械磨損3種工況運行的油井，要求3口試驗井的動液面、沖次、沖程、動子頻率、油壓、套壓等參數基本一致，然后在井口相同位置采集振動信號。將采集到的電潛柱塞泵的振動信號進行小波包分解重構，即在Matlab中編寫小波包信號處理程序，分別對3種工況下的原始振動信號S1進行三層小波包分解重構及能量特征提取，得到從低頻到高頻的重構信號8頻段及2組特征向量，如圖2及表2所示。

a 正常運行信號

b 動子不平衡信號

c 動子機械磨損信號

利用Matlab編寫BP神經網絡程序，將得到的特征向量作為訓練樣本與期望輸出一起輸入神經網絡，進行網絡訓練。訓練結束后，實際輸出與期望輸出對比如表3所示。

表3 實際值與期望值對比

實際輸出達到允許誤差范圍，網絡訓練成功。以另外3組信號作為測試樣本，將表4得到的特征向量輸入訓練好的神經網絡，測試網絡性能，測試輸出如表5所示。

表4 測試特征向量

表5 測試輸出

測試結果與實際信號狀態相對應，表明利用小波包對故障信號進行特征提取是行之有效的，訓練后的BP神經網絡對直流電機故障能夠進行精確診斷。現場應用效果反饋本文能夠對電潛柱塞泵進行有效、準確的故障診斷。

4 結論

1) 電潛柱塞泵井口振動信號能夠全面反應機組運行情況，機組帶故障運行時，其振動信號的能量和幅值都會發生相應變化；由于油管結蠟、氣體影響、砂堵、卡泵、供液不足等井下復雜原因和工藝本身結構和控制方式導致潛油直線電機動子易發生推力失穩和機械磨損。

2) 針對電潛柱塞泵動子易發生推力失穩和機械磨損的2種常見故障，開展現場試驗。采用小波包算法與BP神經網絡相結合的故障診斷方法，利用小波包分析法對機組振動信號中的突變及微弱變化敏感的特點，進行振動信號的能量特征提取，再利用隱層節點變化的神經網絡系統進行故障識別。

3) 現場試驗結果表明，該方法準確且可行。為深入研究和完善電潛柱塞泵故障診斷方法提供了有效依據。