淺談頂部驅動裝置智能故障診斷的現實意義與方法

朱磊

摘要：中東鉆機施工合同多采用日費制。面臨高溫干燥、頻繁拆裝、接地不良等不利條件，頂部驅動裝置出現故障的幾率比國內大大增多，這勢必會增大承包商經濟損失，同時給井下安全帶來巨大威脅。本文通過對現代故障診斷相關理論的深入學習，提出頂部驅動裝置智能故障診斷的方法。

關鍵詞：頂部驅動裝置；智能；故障診斷

1.頂部驅動裝置智能故障診斷的現實意義

作為近30年來鉆井設備的突破性機電成果之一的頂部驅動裝置在提高鉆井時效、保證井控安全、處理復雜情況、降低勞動強度等方面都明顯優于常規鉆井設備，它越來越來受到國內外石油公司廣泛認可，并已成為海外石油鉆探承包服務合同的必要條件。當前在全世界范圍內已有上千臺頂驅投入生產施工[1]。

國際鉆井技術承包服務合同可分為日費制、大包制、進尺制以及混合制四種。其中日費制所占比重最大。所謂日費制合同就是鉆井承包商只需提供符合要求的鉆機平臺和施工人員，勘探公司按雙方合同規定的日費標準乘以鉆機在工區作業天數向鉆井承包商支付工程費用。在這種方式中，勘探公司承擔幾乎所有的地質和工程風險，但因設備故障暫停作業的直接和間接損失由承包商承擔[2]。盡管承包商已建立并實施了多種設備管理維修制度，這些制度的執行為安全高效運行奠定了重要基礎，但是要保證設備不間地運行是不現實的。尤其在中東沙漠地區頻繁拆裝、高溫干燥、接地不良等不利環境條件下，鉆機出現故障的幾率成倍增加。這其中因頂部驅動裝置故障導致的平臺停工尤為突出。頂部驅動裝置的故障診斷對現場工程師知識廣度、綜合能力和維修經驗都提出更高要求，目前施工現場頂驅裝置故障判斷的方法：1）現場工程師查明故障。但對機、電、液都比較熟悉的工程師非常稀缺。2）與設備主管部門或其他鉆機管理人員聯系會診處置。3）與廠方溝通，等待廠方維修人員。所以一旦發生故障，往往不能迅速查明故障原因，并做出相應處置措施，這勢必會增大承包商經濟損失，同時給井下安全帶來巨大威脅。因此，通過智能診斷相關技術研究，幫助現場工程師加快故障原因查找并給出處置建議是非常有意義的。

2.頂部驅動裝置智能故障診斷的方法

隨著工業自動化技術水平的不斷提高，各系統工程呈現出功能層次復雜、多學科交叉、故障征兆隨機等特點。正是在如何提高系統安全性、可靠性和快速維修性這一巨大需求的推動下，故障診斷技術先后經歷人工檢測、傳感器在線監測和智能故障診斷三個階段[3]。所謂智能故障診斷就是依靠智能控制、計算機和信號處理技術的迅猛發展，通過知識處理，對無法精確建立數學模型的復雜設備進行故障診斷。就針對頂部驅動裝置來說，其智能故障診斷的方法如下：

（1）基于知識規則專家系統的頂驅故障診斷技術

與頂驅領域專家交流，從中獲得專家的故障診斷經驗和學問，并轉化為可被計算機存儲的現象與原因的聯系規則。當出現故障信息時，計算機可利用已知事實數據，綜合運用這些規則經驗進行一系列推理，并輸出最終故障原因或最可能故障點。專家系統的推理過程本質就是模擬頂驅專家處理故障的思維活動。大多數基于規則專家系統由知識庫、推理機、解釋機、數據庫、人機接口五個部分組成[10]。

（2）基于案例推理的頂驅故障診斷技術

案例推理是類比推理的一種，在案例推理中領域知識就是過去頂驅的大量故障實例，系統通過抽取待解決故障現象的特征值與案例庫中案例的特征值做相似性比較，得出待解決問題的原因診斷。案例推理的實質就是運用舊的經驗引導求解新的問題。案例推理的關鍵包括案例索引和組織、案例檢索和類比轉換等。由于案例推理不需要提取規則，是一種快速數據勘探技術[4]。

（3）基于故障樹的頂驅故障診斷技術

依據故障樹的故障診斷技術來源于分析產品可靠性和安全性的故障樹分析法，它以最不希望出現的頂驅故障現象做為頂事件，依據診斷對象的結構和特性逐層向下追溯可能導致故障發生的原因（中間事件），直到原因不可再分（底事件）為止。它們之間的因果關系用邏輯門來表示。這種倒樹性結構就形成一連串的故障傳播有向鏈[5]。

（4）基于神經網絡的頂驅故障診斷技術

神經網絡的結構和權值分布用來模擬人腦神經元信息處理的工作過程，它具有自適應、并行計算、自學習、聯系記憶（反饋）等特點，這些特點使神經網絡在故障診斷領域得到迅猛發展。基于神經網絡故障診斷技術的一般應用方式首先構建符合處理事物特征的神經網絡，建立學習樣本供網絡模型訓練。訓練過程結束后，該模型可直接從輸入故障現象得出輸出故障原因。對于復雜事務來說，學習樣本越大，模型得出的結果越正確，隨之必然帶來大量的時間消耗。另外網絡的“黑箱”性和無法融入經驗知識也使其具有一定局限性[6]。

（5）基于模糊集的頂驅故障診斷技術

語言描述、信息不確定和信息不完整造成故障診斷存在模糊屬性，同時有些故障與故障原因、故障與征兆之間也存在不確定關系，甚至于故障本身就是模糊的。誕生于上世紀六十年代中期的模糊集理論利用模糊關系矩陣和隸屬度函數提供了表達和處理不確定關系的方法。當前，模糊集在故障診斷應用主要有三種形式：

1）構造故障原因與征兆之間的模糊矩陣方程，再應用這個方程進行故障診斷。

2）構造知識庫開展模糊邏輯推理進行故障診斷，這個知識庫包含故障原因與征兆之間的模糊關系。

3）對數據進行模糊聚類處理，再利用評價劃分系數和分離系數進行故障診斷。

模糊理論類似于人的思維經驗活動，易于理解。但也存在隸屬函數曲線主觀性強、模糊邏輯推理效率低等不足[7]。

固然，故障診斷技術不管在產業應用還是在基礎研究都獲得了長足的進展，但仍然存在一些缺陷。目前國內外主要探尋方向分為混合智能故障診斷技術、機器自主學習、新的智能控制理論、故障遠程協同診斷技術、與計算機物聯網技術相結合和故障預測的故障檢測技術[8，9，11，12]。

參考文獻

[1] 陳朝達編：頂部驅動鉆井裝置（一）[J].北京：石油礦場機械，2000，29（3）：1-5.

[2] 任春醒. 國際石油鉆井工程承包計價模式分析[J].北京：中國礦業，2016，25（s1）：164-166.

[3] 閆永忠. 機器設備故障診斷的發展過程[J].北京：電子世界，2013（14）：100-100.

[4] 張琦，孫劭文，李文鴻，等. 基于案例推理的機械故障診斷方法探討[J]. 江蘇：解放軍理工大學自然科學版，2004，5（5）：42-45.

[5] 邵延峰，薛紅軍. 故障樹分析法在系統故障診斷中的應用[J].江蘇：機械設計與制造工程，2007，36（1）：72-74.

[6] 朱博，胡燕，趙永標. 人工神經網絡在故障診斷系統中的應用[J].湖北：艦船電子工程，2005，25（1）：91-95.

[7] 孫永. 模糊聚類分析在機械故障診斷中應用評述[J].云南：云南農業大學學報（自然科學），2008，23（5）：698-700.

[8] 韓國泰. 航空電子的故障預測與健康管理技術[J].上海：航空電子技術，2009，40（1）：30-38.

[9] 郭陽明，蔡小斌，張寶珍，等. 故障預測與健康狀態管理技術綜述[J].北京：計算機測量與控制，2008，16（9）：1213-1216.

[10]卞玉濤，李志華. 基于專家系統的故障診斷方法的研究與改進[J].陜西：電子設計工程，2013，21（16）：83-86.

[11]雷亞國，何正嘉. 混合智能故障診斷與預示技術的應用進展[J].上海：振動與沖擊，2011，30（9）：129-135.

[12]多麗華，楊擁民. 裝備遠程協同診斷服務共享框架及其關鍵技術研究[J].北京：設備管理與維修，2006（3）：35-37.

（作者單位：勝利工程公司黃河鉆井總公司）