基于ISVD-GMM 的絞車故障預警方法探索

駱學理，金藝，張易，賈登，陳冰鄧，吳昌亮

（1.中國石油集團工程技術研究院有限公司；2.北京康布爾石油技術發(fā)展有限公司，北京 102206）

隨著《中國制造2025》的提出，工業(yè)智能制造技術得到空前的發(fā)展。鉆井設備作為石油開采的主力軍，若發(fā)生故障將會造成嚴重的安全事故以及巨大的經(jīng)濟損失。絞車是鉆井核心設備，對絞車進行故障預警，保證絞車處于健康狀態(tài)對于石油鉆探生產(chǎn)安全、可靠的開展具有重大作用。但絞車在實際工作過程中，不僅基座高度高、晃動大，還受到隨機的橫向風載，同時在運行的各個階段絞車負載不斷變化，在起放鉆具時還會受到巨大的外部沖擊，導致故障信號被強噪聲干擾成分淹沒，使得故障特征微弱，嚴重影響故障預警結(jié)果的穩(wěn)定性和準確性。

國內(nèi)外學者在機械設備故障預警領域進行了大量研究。肖黎等人提出通過聚類算法處理磨煤機的歷史數(shù)據(jù)，用隨機森林算法標記不同的故障發(fā)展階段，建立故障預警模型。但該方法對于噪聲較大的分類問題存在過擬合現(xiàn)象，造成預警結(jié)果不準確。徐圓等人提出構(gòu)建復雜系統(tǒng)多元時滯序列符號有向圖，通過ELM 和獨立成分分析法進行故障預測。但該模型在運行環(huán)境稍有變化時，信號噪聲干擾導致系統(tǒng)特性和拓撲結(jié)構(gòu)發(fā)生巨大變化，預警結(jié)果穩(wěn)定性差。郭艷平等人研發(fā)了風力發(fā)電機組在線故障預警和診斷系統(tǒng)，通過計算傳感器信號的期望值繪制動態(tài)變化帶。當傳感器的實測值超過變化帶上下限時發(fā)出預警信息。但該系統(tǒng)僅側(cè)重于判斷單個傳感器信號的異常，難以采取多參數(shù)共同作用，導致特征波動較大，易出現(xiàn)漏報、誤報的現(xiàn)象。

綜上所述，現(xiàn)有的故障預警方法無法有效解決工況環(huán)境復雜及信號噪聲干擾嚴重導致故障預警困難的問題。本文提出一種基于ISVD-GMM 的絞車故障預警方法，首先利用ISVD 與WPT 對信號進行復合降噪處理，ISVD 通過設置合適的奇異值閾值，濾除奇異值較小的噪聲成分，WPT通過最大方差最優(yōu)子帶選取方法選取沖擊成分明顯的子帶重構(gòu)信號實現(xiàn)降噪。然后利用GMM 混合數(shù)充足可以逼近任意分布的特性，建立GMM 基準模型描述絞車狀態(tài)特征的分布情況。同時自學習報警閾值，利用KL 距離度量正常狀態(tài)與當前狀態(tài)的差異，實現(xiàn)絞車的故障預警。最后通過實驗對所提方法的可行性與有效性進行驗證。

1 理論基礎

1.1 ISVD 方法

ISVD 降噪不同于依據(jù)頻譜特性的方法，而是基于隨機噪聲與光滑系統(tǒng)信號對相空間軌道矩陣奇異值的不同影響。具體步驟如下：

保留較突出的前k 個奇異值，通過奇異值分解的逆過程還原真實的局放信號，得到系統(tǒng)信號矩陣。將矩陣的各列對應取平均相加，即可得到降噪后的信號。僅進行1 次迭代不能完全剔除噪聲，需重復上述步驟至達到降噪要求。

1.2 GMM 原理

GMM 是一種基于貝葉斯概率統(tǒng)計的混合密度函數(shù)分布模型，矢量特征在概率空間的分布狀況通過多個高斯概率密度函數(shù)的加權(quán)和表示。M 個混合數(shù)即由M 個單高斯分布線性組合，即：

式中，D 為描述系統(tǒng)狀態(tài)特征的維數(shù)。

為了準確反映設備的運行狀態(tài)，本文作者采用KL 距離度量當前狀態(tài)與正常狀態(tài)間的差異。KL 距離又稱KL 散度，在信息論中用于衡量2 個概率密度分布函數(shù)的相近程度。2 個分布函數(shù)的差異化越小，KL 距離越小，其定義如式5：

2 ISVD-GMM 智能預警方法

基于ISVD-GMM 的絞車故障預警方法包括信號預處理、敏感特征提取、基準模型訓練及實時故障預警4 部分，其具體流程如圖1 所示。

圖1 基于ISVD-GMM 的絞車故障預警方法流程圖

2.1 信號預處理

首先將信號進行迭代奇異值分解降低噪聲干擾成分，并檢驗是否達到一次降噪精度要求。利用小波包變換將信號分解為層級的子帶，冗余的分解層數(shù)會引起計算量倍增和信號失真，而過少的分解層數(shù)會導致降噪不充分，通過式6 計算選取合理的分解層數(shù)。

通過計算對比各節(jié)點小波子帶的方差，選擇噪聲混雜較少同時包含最大有效信息量的最優(yōu)子帶組合重構(gòu)信號，實現(xiàn)信號的二次降噪。

2.2 敏感特征提取

為了實現(xiàn)絞車的狀態(tài)監(jiān)測與故障預警，需從大量振動波形數(shù)據(jù)中提取具有代表性的特征，計算多個時域和頻域中的特征參數(shù)，通過特征選取技術得出反映絞車狀態(tài)變化的特征參數(shù)，構(gòu)建故障敏感特征集。

2.3 基準模型訓練

將正常狀態(tài)特征集分為模型訓練和閾值訓練2 部分，通過模型訓練特征集L1 訓練GMM 模型得到正常運行狀態(tài)下的基準模型。再將閾值訓練特征集L2 輸入GMM 基準模型，根據(jù)準則自學習得到報警閾值T。

2.4 實時故障預警

將待測特征集L3 以時間窗口長度輸入到已訓練的GMM 模型中，計算當前狀態(tài)與正常狀態(tài)的KL 距離。若KL超過報警閾值T，則判斷系統(tǒng)故障并報警，若KL 小于報警閾值T，則滑動時間窗口持續(xù)監(jiān)測。

3 實驗驗證

3.1 實驗數(shù)據(jù)

搭建絞車滾動軸承故障模擬實驗臺驗證所提方法在不同故障狀態(tài)下的預警效果，故障模擬實驗臺左右兩側(cè)為不可拆卸的正常軸承及可更換的故障軸承，實驗臺的基本結(jié)構(gòu)及傳感器測點布置如圖2 所示。

圖2 設備運行實驗臺示意圖

通過線切割在軸承內(nèi)圈、外圈表面加工溝槽，加工缺陷如圖3 所示，實驗軸承故障信息如表1 所示，實驗基本參數(shù)如表2 所示。

表1 軸承缺陷參數(shù)

表2 軸承故障實驗基本參數(shù)

圖3 軸承缺陷示意圖

實驗數(shù)據(jù)詳細信息如表3 所示。

表3 軸承實驗數(shù)據(jù)集

3.2 方法驗證

3.2.1 數(shù)據(jù)處理

使用ISVD-WPT 方法對各數(shù)據(jù)集信號進行處理，信號原始波形如圖4 所示。

圖4 原始波形圖

通過迭代奇異值分解分析得到一次降噪后的信號，實驗中循環(huán)迭代次數(shù)選取3 時達到所需降噪精度，一次降噪后的信號波形如圖5 所示。

圖5 ISVD 一次降噪后波形圖

利用小波包變換對一次降噪后的信號進行分解重構(gòu)，通過公式6 計算取分解層數(shù)m 為3 層。通過公式7 計算各小波子帶方差如圖6 所示。從圖中可以看出，子帶1的方差為5.86×10-4，與其他子帶方差相比高出1～3 個量級，較為突出。根據(jù)最大方差原則選取子帶1 重構(gòu)信號。

圖6 各小波子帶方差分布圖

小波子帶重構(gòu)得到小波包變換二次降噪后的信號，波形如圖7 所示。

圖7 WPT 二次降噪后波形圖

由圖（4、5、7）對比可知，本文方法處理復雜噪聲環(huán)境下的信號降噪效果明顯，原始信號經(jīng)迭代奇異值分解一次降噪后噪聲干擾成分被大幅消除，包含軸承狀態(tài)信息的有效成分得以保留，經(jīng)過小波包變換二次降噪后信號波形中沖擊特性顯著增加，有效增強了微弱故障信號特征，信號質(zhì)量得到顯著提高。

3.2.2 特征提取

通過時域、頻域分析方法提取特征，選取7 個在不同軸承狀態(tài)間有斷崖式突變，且特征改變量與軸承狀態(tài)變化量成正相關的故障敏感特征如表4 所示。

表4 特征提取

3.2.3 模型訓練及故障預警

測試GMM 模型的預警效果，預警的效果如圖8 所示。

圖8 基于GMM 的故障預警效果圖

從圖8 中可以看出，當GMM 預警的KL 距離超過報警線T 時立即報警，基于3σ 準則自學習的報警線T 為4，正常軸承GMM 預警的KL 值在0 附近一較小范圍內(nèi)浮動，實驗中于第69 組實驗發(fā)出報警且之后持續(xù)報警。當軸承故障嚴重程度加大時，KL 距離也隨之有明顯上升，明顯超過預警閾值，并且GMM 預警模型對軸承故障感知敏感，計算預警的準確率為95.54%，有效實現(xiàn)了絞車軸承的故障預警。

上述實驗結(jié)果及分析表明：ISVD 與WPT 復合降噪方法的去噪效果顯著，微弱故障特征明顯增強，適應性較強。GMM 與KL 距離結(jié)合的預警模型對軸承的狀態(tài)變化感知靈敏，不同狀態(tài)劃分明顯。報警及時且不存在反復穿越報警線的現(xiàn)象，顯著降低了漏報和誤報的次數(shù)，預警結(jié)果具有較高的準確性、穩(wěn)定性和可靠性。本文提出的基于ISVD-GMM 的絞車故障預警方法的有效性和可行性得以驗證。

4 結(jié)語

針對絞車運行工況復雜，采集信號伴隨大量噪聲干擾，故障預警穩(wěn)定性差、準確度低的問題，本文提出一種基于ISVD-GMM 的絞車故障預警方法。該方法采用ISVDWPT 復合降噪，結(jié)合最大方差最優(yōu)子帶選擇方法提取信號的沖擊成分，去除噪聲干擾，同時利用GMM 結(jié)合KL 距離建立絞車故障預警模型監(jiān)測絞車的運行狀態(tài)。實驗結(jié)果表明該方法能及時感知絞車故障實時報警，預警準確率達到95.54%，對于其他機械設備的狀態(tài)監(jiān)測與故障預警具有一定參考價值。