一种压裂泵凡尔故障的诊断方法和装置制造方法及图纸

本发明专利技术公开了一种压裂泵凡尔故障的诊断方法和装置，属于深度学习和智能制造领域，所述方法包括：S1：采集压裂泵在不同凡尔故障过程中的振动信号和压力波动信号；S2：计算振动信号和压力波动信号对应的时域特征和频域特征，以构成初始样本向量；S3：利用主成分分析法对初始样本向量进行降维得到主要特征成分，获取主要特征成分对应的目标样本向量以构建凡尔故障样本库；S4：将凡尔故障样本库中的目标样本向量输入深度学习模型进行训练得到目标深度模型；利用目标深度模型进行压裂泵的凡尔故障诊断得到凡尔故障分类结果。本发明专利技术避免人工挑选特征的繁琐过程，能够快速提取凡尔故障特征并提高故障诊断正确率。

【技术实现步骤摘要】
一种压裂泵凡尔故障的诊断方法和装置
本专利技术属于深度学习和智能制造领域，更具体地，涉及一种压裂泵凡尔故障的诊断方法和装置。
技术介绍
压裂泵是油气田开发压裂装备的“心脏”，由于工作压力大、工作介质含砂石等因素，造成凡尔工作寿命相对较短且不稳定，给设备运行安全保障带来挑战，人工检泵成为保障设备运行的必须手段。而据不完全统计，有效检泵率不超过60％，存在显著人力资源浪费和设备运行安全难以保证等问题。若不能及时排查出故障，会进一步导致凡尔座损坏甚至损坏泵体本身。因此，针对压裂泵凡尔的故障诊断具有重要的研究意义和工程应用前景。目前，针对页岩气开采中使用的压裂泵凡尔故障诊断研究仍然处于探索阶段，与常规旋转机械设备故障诊断相似，基本原理是根据机械设备振动、功率、声音等信息来分析设备的健康状况。国内针对高压隔膜泵的单向阀故障诊断相关研究较多，熊鹏博等提出了一种基于多时域特征与SVM的单向阀故障诊断方法，但需要人工挑选特征且采用的模型为浅层模型；吴漫等提出基于VMD-SVD的单向阀微弱故障诊断方法，但是特征提取过程比较复杂，依赖于专家经验。总本文档来自技高网...

【技术保护点】
1.一种压裂泵凡尔故障的诊断方法，其特征在于，包括：/nS1：采集压裂泵在不同凡尔故障过程中的振动信号和压力波动信号；/nS2：计算所述振动信号和所述压力波动信号对应的时域特征和频域特征，以构成初始样本向量；/nS3：利用主成分分析法对所述初始样本向量进行降维得到主要特征成分，获取所述主要特征成分对应的目标样本向量，以构成凡尔故障样本库；/nS4：将所述凡尔故障样本库中的所述目标样本向量输入深度学习模型进行训练得到目标深度模型；利用所述目标深度模型进行所述压裂泵的凡尔故障诊断得到凡尔故障分类结果。/n

【技术特征摘要】
1.一种压裂泵凡尔故障的诊断方法，其特征在于，包括：
S1：采集压裂泵在不同凡尔故障过程中的振动信号和压力波动信号；
S2：计算所述振动信号和所述压力波动信号对应的时域特征和频域特征，以构成初始样本向量；
S3：利用主成分分析法对所述初始样本向量进行降维得到主要特征成分，获取所述主要特征成分对应的目标样本向量，以构成凡尔故障样本库；
S4：将所述凡尔故障样本库中的所述目标样本向量输入深度学习模型进行训练得到目标深度模型；利用所述目标深度模型进行所述压裂泵的凡尔故障诊断得到凡尔故障分类结果。


2.如权利要求1所述的压裂泵凡尔故障的诊断方法，其特征在于，所述S1包括：
S11：利用安装于多测点的加速度振动传感器采集所述振动信号；
S12：利用分别安装在吸入管和排出管的压力传感器采集所述压力波动信号。


3.如权利要求1所述的压裂泵凡尔故障的诊断方法，其特征在于，所述S2包括：
采用滑动窗方法截取所述振动信号和所述压力波动信号，再分别计算对应的时域特征和频域特征，以构成所述由多个初始值组成的初始样本向量。


4.如权利要求1所述的压裂泵凡尔故障的诊断方法，其特征在于，所述S3包括：
S31：将所述初始样本向量拼接成样本特征矩阵，并对所述样本特征矩阵进行标准化；
S32：利用主成分分析法对标准化后的样本特征矩阵进行分析得到特征值，从多个所述特征值中选取所述主要特征成分，并为其匹配对应的特征向量作为所述目标样本向量，并构成所述凡尔故障样本库。


5.如权利要求4所述的压裂泵凡尔故障的诊断方法，其特征在于，所述S31包括：
将n个所述初始样本向量拼接成n×m维的样本特征矩阵，每个所述初始样本向量包括m个特征数据；利用公式将所述样本特征矩阵进行标准化；
其中，m...

【专利技术属性】
技术研发人员：刘红奇，吴义轩，潘灵永，朱秋凝，刘涛，李哲，程荣竟，
申请(专利权)人：华中科技大学，中石化四机石油机械有限公司，武汉智能装备工业技术研究院有限公司，
类型：发明
国别省市：湖北;42