基于RSGWPT-MSE和PNN的潛油電泵故障診斷方法

王亞昆

（大慶油田力神泵業公司，黑龍江 大慶 163311）

基于RSGWPT-MSE和PNN的潛油電泵故障診斷方法

王亞昆

（大慶油田力神泵業公司，黑龍江 大慶 163311）

針對潛油電泵特征提取及狀態判別問題，提出一種基于冗余第二代小波包變換、多尺度熵和概率神經網絡的診斷方法。首先，利用冗余第二代小波包對拾取的信號樣本進行處理，得到相應的子帶信號分量，繼而計算所得子帶信號分量的多尺度熵值，并構造能夠表征電泵狀態的特征向量，最終將特征向量輸入到概率神經網絡中實現潛油電泵故障的自動識別。實測數據分析結果表明，所述方法能夠有效對潛油電泵的工作狀態進行識別，具有一定工程應用價值。

冗余第二代小波包變換；多尺度熵；概率神經網絡；潛油電泵；故障診斷

0 引 言

潛油電泵采油技術，因其排量大、功率高、能量傳遞方式簡單以及管理方便等優點得到了現場的廣泛應用。但由于潛油電泵結構較為復雜，井下工作條件惡劣，在油田開采過程中綜合故障率較高，因此對潛油電泵的狀態進行監測、辨識是確保安全生產的關鍵，具有重要而實際的意義[1]。

近些年，隨著非線性理論的發展，許多非線性算法如關聯維數、近似熵、樣本熵等被陸續應用于機械設備診斷領域，但這些參數只能反映信號序列單一尺度的特征信息，分析效果具有一定局限性[2]。由Costa等[3]提出的多尺度熵（Multiscale entropy,MSE）方法不僅能夠在整體上刻畫信號序列的動力學特征，而且可以根據尺度的變化反映時間序列不同尺度上的規律特性[3]。相關領域學者已將其用于處理機械故障信號，并且得到了比單一尺度樣本熵更為理想的分析效果[4-5]。由于設備運行過程中存在強烈的背景噪聲干擾，因此對于潛油電泵診斷而言，直接利用多尺度熵來描述振動信號的特征，效果欠佳，存在較大的改進空間。作為一種強有力的非平穩信號處理工具，冗余第二代小波包變換（redundant second generation wavelet package transformation,RSGWPT）因其變換可完全重構、不依賴傅里葉變換來構造非線性小波基等特點，已被成功應用于機械故障診斷領域。該算法可對信號頻域進行精細剖分，將原始信號分解為相應的子帶信號分量，從而有效減少信號中復雜成分間的交互干擾[6]，因此將其作為一種預處理手段，對潛油電泵原始信號進行處理，對于后續準確刻畫信號的特征將更為有利。

作為一種智能化數據處理算法，概率神經網絡（Probabilistic neural network,PNN）能夠以高精度逼近任何連續非線性函數，具有良好的自學習、自適應特性以及強大的并行處理能力和聯合記憶功能，并且與經典的BP神經網絡相比，PNN網絡的訓練過程耗時更短，訓練結果更穩定[7]，已作為分類器被成功應用于機械故障診斷領域。

鑒于潛油電泵振動信號非平穩、非線性特點以及電泵狀態自動判定的現實需求，本文利用MSE來提取信號的動力學突變特征，以PNN作為分類器進行狀態甄別，提出一種基于MSE和PNN的潛油電泵故障診斷方法，并通過實測數據對該方法進行驗證。

1 冗余第二代包變換

第二代小波變換對頻帶劃分是不均勻的，在高頻部分分辨率較差，降低了檢測精度，而小波包能將小波分析沒有細分的高頻部分作進一步的分解，使尺度的增大而變寬的頻譜窗口進一步分割變細，具有更好的時頻分析能力，可以提高信號分析精度。但是第二代小波包變換分裂與合成操作過程中重采樣造成處理結果出現頻率混疊現象，采用非降采樣的冗余方案可在一定程度上抑制頻率混疊，因此在第二代小波變換基礎上構造了冗余第二代小波包變換[8]。

在2l尺度上冗余第二代小波包分解表達式為：

式中:Xl,k代表2l尺度上第k個節點系數分別為2l尺度上的冗余預測器和冗余更新器。

在2l尺度上冗余第二代小波包重構表達式為：

在2l尺度上的冗余預測器Pl和冗余更新器Ul的表達式分別為：

其中:P={pm}，m=1,2,…,N和U={un}，n=1,2,…分別為提升小波變換的初始預測器和初始更新器，N和分別為它們的長度。

圖1 冗余第二代小波包分解

圖2 冗余第二代小波包重構

以兩層處理過程為例，冗余第二代小波包分解、重構過程分別如圖1、圖2所示。

2 多尺度熵

MSE是在樣本熵算法基礎上發展而來的一種能夠在不同尺度上衡量信號復雜度的方法，給定一個長度為L的序列{x1,x2,…,xL}，其多尺度熵的具體計算過程[3]如下：

1）對時間序列進行粗粒化處理

6）對m+1重復步驟（2）至步驟（5），得到Cτ,m+（1r）。

7）當長度L為有限值時，序列的樣本熵值為

8）多尺度熵定義為不同尺度因子τ下樣本熵值的集合，則原始序列的多尺度熵為

3 概率神經網絡

PNN是由徑向基神經網絡發展而來的一種前饋神經網絡，并且在徑向基神經網絡基礎上，融合了概率密度函數估計和貝葉斯理論，以指數函數替代傳統神經網絡中常用的S型函數作為激活函數，具有訓練簡便、分類性能強等諸多優勢。PNN一般由輸入層、模式層、求和層和決策層構成，其結構如圖3所示[7]。

輸入層將輸入樣本傳遞給模式層各節點，模式層與輸入層通過權值ωij相連，進行加權求和，并通過非線性算子

運算后，傳遞給求和層。該層各個模式單元的輸出為

式中：X為輸入樣本，Wi為輸入層與模式層間權值矩陣，σ為平滑系數。

求和層則將對應樣本中同一類別的模式層傳遞輸出進行累加，即

其中，m為樣本個數。

決策層接收求和層輸出的各類別的概率密度函數，概率密度函數最大的神經元輸出為1，其對應的類別即為樣本的識別結果，其它神經元輸出則為0。

圖3 概率神經網絡結構

4 診斷流程

本文融合冗余第二代小波包變換、多尺度熵在信號特征提取上的優勢以及概率神經網絡強大的模式辨別能力，提出一種基于RSGWPT-MSE和PNN的潛油電泵故障診斷方法，有望取得滿意的分析效果，診斷流程如圖4所示，具體步驟如下：

1）設置RSGWPT的處理層數，對采集到的每個信號樣本進行分解重構，得到相應的子帶信號分量。對于RSGWPT處理層數的選取，如果設置的層數過小，則信號剖分不夠精細，反之處理層數設置過大，則所得的子帶信號分量帶寬過窄，包含的特征信息過少，不利于特征信息的獲取，考慮上述因由，本文設定RSGWPT的處理層數為2層。

2）計算每個信號樣本分解所得子帶信號分量的多尺度熵，并構造相應的特征向量。MSE的計算結果主要受嵌入維數m和相似容限r這兩個參數的影響。m越大，在動態重構序列的聯合概率時，蘊含的細節信息越豐富，但m取值過大，會造成計算負擔過重，綜合考慮，本文設定m=2。r取值過大，會丟掉許多統計信息，反之，則容易受噪聲的干擾，得到的統計特性效果不理想，因此r一般取0.1SD～0.5SD（SD為原始數據的標準差），本文取r=0.15SD。至于對MSE計算影響較小的樣本長度L和尺度因子τ這兩個參數的選取，本文分別取L=2048、τ=10。

3）通過RSGWTPT和MSE提取到各樣本的特征向量后，將訓練樣本的特征向量輸入到PNN中，對神經網絡進行訓練。

4）將測試樣本的特征向量輸入到訓練好的PNN中，通過網絡的輸出結果來判別電泵的狀態。

圖4 診斷流程圖

5 診斷實例

圖5 測試現場

表1 樣本的具體描述

為了驗證所述方法的有效性，對實際采集的潛油電泵振動數據進行分析，測試現場如圖5所示。采樣頻率為5120 Hz，每種電泵狀態采集了50個信號樣本，樣本長度為1024點，從每種狀態的樣本集中隨機選取10個樣本用于訓練，另外40個作為測試樣本進行測試，信號樣本的具體描述如表1所示，電泵的10種工作狀態分別用序號C1～C10表示。

電潛泵井故障診斷的基礎和關鍵核心問題是一個模式識別問題，它的研究內容是對模式（識別對象）的特征的描述。模式識別的主要依據是特征量，因此首先對各個信號樣本進行RSGWPT處理，本文設定的處理層數為2層，因此每個樣本經分解重構后得到4個子帶信號分量。利用RSGWPT對各個樣本處理后，計算樣本分解重構所得子帶分量的MSE，并構造相應的特征向量。由于本文選取的MSE尺度因子τ為10，因此每個信號樣本經過RSGWPT、MSE提取特征后，得到一個由4×10=40個元素組成的特征向量。

特征向量某些尺度對應的樣本熵值可以很好地將電泵不同狀態區分開來，但是某些尺度上對應的樣本熵值存在彼此接近的情況，由此表明信號樣本在不同尺度上樣本熵值的可區分性強弱不同，存在一定差異。潛油電泵10種不同狀態共有50×10=500個樣本，如表1所示，每種狀態隨機選取10個樣本用于訓練PNN網絡，構成一個包含10×10=100個樣本的訓練集，剩余的40×10=400個樣本則組成測試集。為了驗證本文所述特征提取方法的可行性及優勢，利用3種方法分別提取信號樣本的特征。其中:方法一是本文提出的RSGWPT結合MSE的方法;方法二直接計算樣本的MSE作為特征參量;方法三采用EMD結合MSE的方法。

利用3種方法分別提取樣本特征并構造相應的特征向量后，將訓練集的特征向量輸入到PNN中進行網絡訓練，利用測試集的特征向量對訓練好的網絡進行檢驗，表2給出了3種特征提取方法的識別結果。其中，本文所述特征提取方法識別精度最高，整體識別精度為96.25%，除了C4狀態（泵抽空）和C7狀態（電泵延時太短）外，其它狀態類別均無錯分情況，由此表明本文所述方法能夠得到一個較為滿意的識別結果。方法二的整體識別準確率最低，為88.5%，且C7狀態（電泵延時太短）的識別精度極低，僅為42.5%，大部分C7狀態樣本被誤判為C6狀態頻繁運行，說明直接以MSE為特征難以區分電泵的不同狀態，而將RSGWPT與MSE相結合則可以更好地刻畫信號樣本的本質特征，這也驗證了RSGWPT預處理的必要性。方法三的整體識別精度為91.79%，除了C1狀態（正常泵況）外，其它狀態類別均存在錯分情況，與本文所述特征提取方法相比，識別精度存在很大差距。究其原因，主要由于EMD屬于一種自適應信號處理手段，作為預處理方法在分解原始信號樣本時表現得不夠穩定，從而對后續分類效果造成不利影響。上述對比結果表明，RSGWPT結合MSE的方法能更好地實現信號樣本特征信息的提取，并且本文提出的診斷新方法能夠實現潛油電泵運行狀態的準確判定。

為進一步驗證PNN作為分類器的優越性，在訓練樣本集和測試樣本集完全相同的情況下，利用MSE提取樣本特征并構造特征向量后，訓練傳統的反向傳播神經網絡（BPNN）分類器并進行測試，識別結果如表3所示。與PNN訓練過程相比，BPNN的耗時更長，除此以外，樣本整體識別準確率也低于PNN分類器，由此表明無論在網絡訓練速度還是分類準確率方面，PNN分類器均比傳統BPNN分類器更具優勢。

表2 不同特征提取方法識別結果對比

6 結 論

表3 PNN和BPNN分類器識別結果對比

本文提出了一種基于RSGWPT-MSE和PNN的潛油電泵故障診斷方法，通過RSGWPT對信號樣本進行分解重構處理，得到若干子帶信號分量，利用MSE來刻畫各子帶信號分量的狀態特征，并構造相應的特征向量，通過PNN來識別電泵的不同工作狀態。實際數據對比分析結果表明，與直接MSE方法以及EMD結合MSE的方法相比，RSGWPT結合MSE的方法能更好地實現信號樣本特征信息的提取，與傳統BPNN分類器相比，PNN分類器在訓練速度及分類精度上優勢明顯，本文提出的診斷方法能夠有效區分潛油電泵的狀態類型，得到可靠、準確的故障識別結果，從而能夠為實際工程應用提供一定的參考，減少電潛泵在不正常工況下的工作時間，有效提高電潛泵井的經濟效益。

[1] 馮定.朱宏武.薛敦松.基于系統分析的潛油電泵機組綜合診斷模型廠[J].石油學報,2007,28(1):127-130.

[2] 李莉,朱永利,宋亞奇.多尺度熵在變壓器振動信號特征提取中的應用[J].振動.測試與診斷,2015,35(4):757-762.

[3] COSTA M,GOLDBERGER A L,PENG C K.Multiscale entropy analysis of biological signals.[J].Physical Review E Statistical Nonlinear&Soft Matter Physics,2005,71(1):021906.

[4] 張龍,張磊,熊國良,等.基于多尺度熵的滾動軸承Elman神經網絡故障診斷方法[J].機械科學與技術,2014,33(12):1854-1858.

[5] 秦喜文,高中華,董小剛,等.利用經驗模態分解和多尺度熵的滾動軸承故障診斷研究[J].制造業自動化,2015,37(11):67-70.

[6] 羅榮,田福慶,馮昌林,等.改進的冗余第二代小波包及其故障診斷應用[J].華中科技大學學報,2014,42(5):40-46.

[7] 楊凌霄,朱亞麗.基于概率神經網絡的高壓斷路器故障診斷[J].電力系統保護與控制,2015,43(10):62-67.

[8] ANTONI J,BONNARDOT F,RAAD A,et al.Cyclostationary modelling of rotating machine vibration signals[J].Mechanical Systems&Signal Processing,2004,18(6):1285-1314.

（編輯昊 天）

A Diagnosis Method for Electrical Submersible Pump Based on RSGWPT-MSE and PNN

WANG Yakun
（DaqingOilfield Powerlift Pump IndustryCompany,Daqing163311,China）

Aiming at solving the problems of feature extraction and condition judgment for electrical submersible pumps,this paper proposes a diagnosis method based on redundant second generation wavelet package transformation（RSGWPT）,multiscale entropy and probabilistic neural network （PNN）.Firstly,the acquired signal samples are processed using redundant second generation wavelet package,and the corresponding subband signal components can be obtained.Then,the multiscale entropy of each obtained subband signal components is calculated,and the feature vectors which could characterize the conditions of the electrical submersible pumps are constructed.Finally,the feature vectors are input into the probabilistic neural network,and the different fault types of the electrical submersible pumps can be identified automatically.The analysis results of the measured data show that the proposed method could effectively identify the work condition of the electrical submersible pumps,and has a certain value for engineering application.

RSGWPT;multiscale entropy;PNN;electrical submersible pump;fault diagnosis

TE 933.307

A

1002－2333（2018）01－0167－05

王亞昆（1983—），男，工程師，從事潛油電泵油田現場的應用以及維護管理工作。

2017-04-01