石油矿场注水柱塞泵故障诊断方法技术

本发明专利技术涉及石油矿场注水柱塞泵故障诊断方法。首先预定义石油矿场注水柱塞泵各类已知故障类型的故障模式，并通过加速度传感器采集各个已知故障类型的一维原始振动信号；其次对一维原始振动信号做最小熵解卷积滤波处理，并依据滤波后的一维振动信号，通过直接截断处理，建立二维矩阵，继而利用卷积神经网络对建立的二维矩阵进行卷积和下采样操作，从而获得已知故障模式的最小熵解卷积增强的卷积神经网络诊断模型；最后利用该模型实现对需要监测的石油矿场注水柱塞泵未知故障类型的模式识别。本发明专利技术可以实现石油矿场注水柱塞泵中多故障的自动识别，有效地避免了对于指标及特征选取等依赖的问题，可广泛应用于多种石油矿场注水柱塞泵的故障诊断。

Fault diagnosis method of plunger pump for water injection in oil field

The invention relates to a fault diagnosis method for an oil field water injection plunger pump. Firstly, the fault modes of various known fault types of water injection plunger pumps in oil field are predefined, and the one-dimensional original vibration signals of each known fault type are collected by acceleration sensors; secondly, the one-dimensional original vibration signals are processed by minimum entropy deconvolution filtering, and then the filtered one-dimensional vibration signals are directly intercepted according to the filtered one-dimensional vibration signals. The convolution neural network is used to convolute and downsample the two-dimensional matrix, and then the convolution neural network diagnosis model of the minimum entropy deconvolution enhancement of the known fault mode is obtained. Finally, the model is used to realize the unknown fault of the water injection plunger pump in the oil field which needs to be monitored. Type recognition. The invention can realize automatic identification of multiple faults in water injection plunger pumps in petroleum mines, effectively avoid the problem of dependence on index and feature selection, and can be widely used in fault diagnosis of water injection plunger pumps in various petroleum mines.

【技术实现步骤摘要】
石油矿场注水柱塞泵故障诊断方法
本专利技术属于机械设备故障诊断领域，涉及一种基于最小熵解卷积增强卷积神经网络的石油矿场注水柱塞泵故障诊断方法。
技术介绍
随着我国国民经济的快速发展，石油的需求量与日俱增，开采地下原油，提高石油产量迫在眉睫。油田注水是采油过程的重要环节之一，作为注水过程中的关键设备--石油矿场注水柱塞泵，其工况恶劣，工作回注污水水质差、水温高，极易对阀体、柱塞、轴承和密封填料等造成腐蚀，严重缩短零件的使用寿命，带来重大的经济损失甚至酿成恶性事故。因此，迫切需要研究注水柱塞泵的故障诊断技术，对其开展实时监测和有针对性地维修，避免突发事故，提高生产效率。注水柱塞泵服役于机电液压的耦合系统中，其振动信号为多种激励源综合作用的结果，从中分离出故障激励源异常困难。此外，由于石油矿场注水柱塞泵本身工作环境的复杂性，导致其故障类型多样，故障起因复杂，许多故障类型的故障机理不明确。加之，机组出现故障时，同一种故障特征频率对应于几种不同的故障类型，故障诊断困难。卷积神经网络(Convoutionalneuralnetwork,CNN)是一种数据驱动的深度学习网络，可以自动学习数据中的特征，通过卷积(convolution)和下采样(sub-sampling)交替操作，保留数据中的特征成分，减少高维干扰，最后由全连接层重新生成数据特征，从而实现数据的分布式特征表达。然而，由于石油矿场注水柱塞泵特殊的服役环境，其振动信号无可避免遭受机电液各路传递路径的干扰以及背景噪声的污染，严重影响了数据特征自动学习的效果。
技术实现思路
本专利技术的目的是为了克服现有技术存在的缺点和不足，而提供一种基于最小熵解卷积增强卷积神经网络的石油矿场注水柱塞泵故障诊断方法。为实现上述目的，本专利技术的技术方案是包括以下步骤：S1：预定义石油矿场注水柱塞泵中各类已知故障类型的故障模式，并采集各个故障类型的一维原始振动信号；S2:对原始振动信号做最小熵解卷积滤波处理，并对滤波后的信号建立二维矩阵，作为模型的训练样本；S3:利用卷积神经网络对二维矩阵进行卷积和下采样操作，完整地保留表征信号特征的部分，降低信号中的高维干扰成分，解决故障信号的特征自动学习问题，获得已知故障模式的基于最小熵解卷积增强的卷积神经网络诊断模型；S4:对需要监测的故障信号进行最小熵解卷积滤波，建立二维矩阵，构造测试样本，输入已知诊断模型，最终确定出故障类型。进一步设置是所述的步骤S1通过加速度传感器采集各个已知故障类型的一维原始振动信号。进一步设置是所述的步骤S2包括有：(1)选择输出信号y的峭度作为滤波过程的目标函数：(2)构造y与f之间的关系，可以归纳为：式中，x(n)(n＝1,2,…,N)是输入信号x经过数据采样之后的输入序列，f(l)(l＝1,2,…,L)是滤波器的第l个权重系数，输出序列与滤波器权重的函数关系可以表达为：(3)最大化f(l)的目标函数，可以得到：(4)通过f(l)不断迭代求解，更新滤波器权重f：(5)通过式(9)得到的最佳滤波器权重f，并代入式(6)，计算得到冲击性增强的的输出信号y，并利用其构建二维矩阵。进一步设置是将步骤S3所构建二维矩阵作为卷积神经网络的输入图片，所述的步骤S3中的卷积操作包括有：保持卷积后的图片的特征维度与原始图片的一致的卷积操作为：经过一次卷积操作后的图片大小为：式(10)中，inputmaplength表示卷积层的输入图片的长度，inputmapwidth表示卷积层的输入图片的宽度；stridelength表示卷积核移动步长的长度，stridewidth表示卷积核移动步长的宽度；outputmaplength表示经过一次卷积操作后的输出图片长度，其大小为inputmaplength/stridelength，并向上取整；outputmapwidth表示经过一次卷积操作后的输出图片宽度，其大小为inputmapwidth/stridewidth，并向上取整；本设置是还可以是所述的步骤S3中的卷积操作包括有：不必保持卷积后的图片的特征维度与原始图片的一致的卷积操作为：，如果，经过一次卷积操作后的图片大小为：outputmapwidth＝[(inputmapwidth-filterwidth)+1/stridewidth]式(11)中，filter表示卷积核，filterlength表示卷积核的长度，filterwidth表示卷积核的宽度。进一步设置是所述的步骤S3中的采用最大值或采用平均值进行下采样操作，以缩小图片的尺寸。进一步设置是在卷积操作和下采样操作完成之后，通过全连接层的Dropout随机地删除卷积神经网络中的一些隐藏神经元，并保持输入输出神经元个数不变，全连接层将其上一层的输出图片连接成一个一维向量，通过损失函数计算出损失值，从而对网络不断迭代更新，最终得到卷积神经网络理想的权重值W和偏置b，即获得已知故障模式的最小熵解卷积增强的卷积神经网络诊断模型，所述的损失函数是对于模型输出结果与实际结果进行评价的函数，选择为均方误差函数：式(12)中，z是期望的输出；f(wq+b)为模型的实际输出，q为神经元的输入，w为权重值，b为偏置，f(·)为激活函数。进一步设置是所述的步骤S4为：对石油矿场注水柱塞泵未知故障类型的一维原始振动信号，进行最小熵解卷积滤波处理，并依据滤波后的一维振动信号，通过直接截断处理，建立二维矩阵，作为测试样本，输入所述已知故障模式的最小熵解卷积增强的卷积神经网络诊断模型，最终确定出故障类型。本专利技术旨在为石油矿场注水柱塞泵提供一种多故障类型的诊断方法，以解决其故障诊断中出现的上述难题。为此，本专利技术提出了一种石油矿场注水柱塞泵故障诊断的最小熵解卷积增强卷积神经网络方法，利用最小熵解卷积(MinimumEntropyDeconvolution,MED)自适应寻找滤波器权重，对原始柱塞泵故障信号进行消噪，提高信噪比，同时利用卷积神经网络实现数据特征自动学习，解决故障机理不明确等难题，取得了非常满意的故障分类结果，有关这方面研究，目前尚无报道。本专利技术的优点是：本专利技术方法一方面利用最小熵解卷积对原始故障信号进行自适应滤波，消除每一类故障模式原信号的传递路径干扰、噪声背景污染等，提高故障原信号的信噪比，并能够较完整地保留信号中的关键信息；另一方面，利用卷积神经网络卓越的特征学习能力，完美地表征了经过最小熵解卷积滤波后的故障模式的特征，并成功识别出各个故障类型。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本专利技术的范畴。图1本专利技术的方法流程图；图2本专利技术的方法示意图；图3本专利技术的最小熵解卷积滤波过程图；图4本专利技术实施例案例一石油矿场注水柱塞泵故障信号波形图；图5本专利技术实施例案例一石油矿场注水柱塞泵故障特征学习结果对比图；图6本专利技术实施例案例一石油矿场注水柱塞泵多故障分类结果对比图图7本专利技术实施例案例二石油矿场注水柱塞泵故障信号波形图；图8本专利技术实施例案例二石油矿场注水柱塞泵故障特征学习结果对比本文档来自技高网...

【技术保护点】
1.一种石油矿场注水柱塞泵故障诊断方法，其特征在于包括：S1：预定义石油矿场注水柱塞泵中各类已知故障类型的故障模式，并采集各个故障类型的一维原始振动信号；S2:对原始振动信号做最小熵解卷积滤波处理，并对滤波后的信号建立二维矩阵，作为模型的训练样本；S3:利用卷积神经网络对二维矩阵进行卷积和下采样操作，完整地保留表征信号特征的部分，降低信号中的高维干扰成分，解决故障信号的特征自动学习问题，获得已知故障模式的基于最小熵解卷积增强的卷积神经网络诊断模型；S4:对需要监测的故障信号进行最小熵解卷积滤波，建立二维矩阵，构造测试样本，输入已知诊断模型，最终确定出故障类型。

【技术特征摘要】
1.一种石油矿场注水柱塞泵故障诊断方法，其特征在于包括：S1：预定义石油矿场注水柱塞泵中各类已知故障类型的故障模式，并采集各个故障类型的一维原始振动信号；S2:对原始振动信号做最小熵解卷积滤波处理，并对滤波后的信号建立二维矩阵，作为模型的训练样本；S3:利用卷积神经网络对二维矩阵进行卷积和下采样操作，完整地保留表征信号特征的部分，降低信号中的高维干扰成分，解决故障信号的特征自动学习问题，获得已知故障模式的基于最小熵解卷积增强的卷积神经网络诊断模型；S4:对需要监测的故障信号进行最小熵解卷积滤波，建立二维矩阵，构造测试样本，输入已知诊断模型，最终确定出故障类型。2.根据权利要求1所述的石油矿场注水柱塞泵故障诊断方法，其特征在于：所述的步骤S1通过加速度传感器采集各个已知故障类型的一维原始振动信号。3.根据权利要求1所述的石油矿场注水柱塞泵故障诊断方法，其特征在于：所述的步骤S2包括有：(1)选择输出信号y的峭度作为滤波过程的目标函数：(2)构造y与f之间的关系，可以归纳为：式中，x(n)(n＝1,2,…,N)是输入信号x经过数据采样之后的输入序列，f(l)(l＝1,2,…,L)是滤波器的第l个权重系数，输出序列与滤波器权重的函数关系可以表达为：(3)最大化f(l)的目标函数，可以得到：(4)通过f(l)不断迭代求解，更新滤波器权重f：(5)通过式(9)得到的最佳滤波器权重f，并代入式(6)，计算得到冲击性增强的的输出信号y，并利用其构建二维矩阵。4.根据权利要求3所述的石油矿场注水柱塞泵故障诊断方法，其特征在于：将步骤S3所构建二维矩阵作为卷积神经网络的输入图片，所述的步骤S3中的卷积操作包括有：保持卷积后的图片的特征维度与原始图片的一致的卷积操作为：经过一次卷积操作后的图片大小为：式(10)中，inputmaplength表示卷积层的输入图片的长度，inputmapwidth表示卷积层的输入图片的宽度；stridelength表示卷积核移动步长的长度，stridewidth表示卷积核移动步长的宽度；outputmaplength表示经过一次卷积操作后的输出图片长度，...

【专利技术属性】
技术研发人员：向家伟，王淑慧，蒋勇英，钟永腾，
申请(专利权)人：温州大学，
类型：发明
国别省市：浙江,33