一种往复泵液力端泄漏的智能诊断系统技术方案

本发明专利技术涉及往复泵检测技术领域，尤其涉及一种往复泵液力端泄漏的智能诊断系统，包括数采模块、诊断模块和呈现模块；数采模块采集往复泵在工作过程中的振动和转速数据，并存储在工控机。诊断模块植入在工控机中，可提取多个维度特征，并通过已训练的机器学习模型，智能诊断往复泵的运行状态。应用结果表明，本发明专利技术与人工诊断的相似度可达93％以上，相对于人工诊断往复泵液力端泄漏故障，具备实时诊断和准确率高的特点，能够为客户实现隐形的值方式是：提前维护柱塞泵，提高设备的使用寿命；减少因非计划性停机而产生的时间成本消耗，提高井场作业效率；及时处理泵的异常工作状态，保障井场的安全作业。井场的安全作业。井场的安全作业。

【技术实现步骤摘要】
一种往复泵液力端泄漏的智能诊断系统


[0001]本专利技术涉及往复泵检测
，尤其涉及一种往复泵液力端泄漏的智能诊断系统。

技术介绍

[0002]目前，柱塞泵的阀泄漏往往发生在泵的泄漏后期，泄漏严重到会引起排量压力的剧烈波动。当检测到严重泄漏时，通常的定位方法是在泵运行时，通过听诊器(通常是木棒或螺丝刀)手动听流体模块。即使这样，也很难唯一地定位泄漏并区分吸入阀泄漏和排出阀泄漏。
[0003]阀门泄漏的速度往往会加快，因此人工检测往往没有多少时间来准备在检测到泄漏后更换有缺陷的阀门。如果泄漏源不确定，查找有缺陷的阀门也会耗费时间和成本。人工定位的另一个缺点是人类暴露在危险中。泥浆泵是一种能转换大量能量的机器，因此它们本身就有噪音。在泵房内，这种噪声压力等级有时会超过100dba，会造成听力损害，特别是当操作员在不戴耳罩的情况下听泵振动时。
[0004]所有这些缺点都需要远程系统来检测和定位泵泄漏。National Oilwell Varco申请专利并深入探索的一种泄漏检测概念是通过监测排放压力的变化来检测泄漏。他们的想法是，如果计算机不断地分析排放压力，它应该能够比操作员更早地检测到泄漏引起的压力变化。在实验室测试中，当使用节流器来产生排出压力时，这一概念工作得相当好。压力变化的相位信息，加上模拟泄漏流量变化的主动泵测试，甚至可以提供泄漏源的信息。然而，该系统在现场测试时失败。原因是，当流动回路包括较长的管柱时，循环泄漏流的压力响应要比实验室装置弱得多。压力波在立管和钻柱内几何不连续点的反射也是一个复杂的因素，使得第一谐波压力分量的幅值和相位随着泵速和排量压力的变化而迅速变化。虽然计算机可以比操作员更早地检测到泄漏引起的压力变化，但该方法无法定位泄漏源。
[0005]往复泵的故障诊断通常采用提取振动信号进行处理与分析的方法，如时域统计分析、频域分析、时频分析等。尽管国内外对往复泵的故障诊断开展了一些研究工作，也有这方面的设备问世，但在现场应用方面，尤其对于液力端故障，还没有比较完善的诊断系统。为此，我们提出一种往复泵液力端泄漏的智能诊断系统。

技术实现思路

[0006]基于
技术介绍
存在的技术问题，本专利技术提出了一种往复泵液力端泄漏的智能诊断系统，该系统能够提前维护柱塞泵，提高设备的使用寿命；减少因非计划性停机而产生的时间成本消耗，提高井场作业效率；及时处理泵的异常工作状态，保障井场的安全作业。
[0007]本专利技术提供如下技术方案：一种往复泵液力端泄漏的智能诊断系统，包括数采模块、诊断模块和呈现模块；
[0008]所述数采模块往复泵在工作过程中的振动数据和转速数据，并存储在工控机；
[0009]所述诊断模块包括特征提取模块和智能预警模块，所述诊断模块内置于工控机之
中，所述特征提取模块用于根据多个振动数据和转速数据，提取多个维度特征数据，作为智能预警模块的输入参数；
[0010]所述智能预警模块嵌入有机器学习模型，根据特征提取模块提取的特征数据智能决策往复泵的泄漏状态和诊断系统自身的工作状态中的至少一种。
[0011]优选的，所述往复泵的泄漏状态机器学习模型，其训练输入集是由根据振动数据和转速数据提取的多维特征，其训练输出集是对应的往复泵泄漏状态与否。
[0012]优选的，所述诊断系统自身的工作状态机器学习模型，其训练输入集是由根据振动数据提取的多维特征，其训练输出集是对应的系统工作状态良好与否。
[0013]优选的，所述诊断模块的分析判断过程如下：
[0014]设置阈值，将转速信号转化为电平信号；
[0015]对电平信号进行差分，并计算转速；
[0016]根据现场的实际条件，确定往复泵正常工作的最低转速；
[0017]当差分计算的转速小于最低转速，则当前采集的样本不做分析；
[0018]当差分计算的转速不低于最低转速，对振动信号进行时域和频域分析。
[0019]优选的，所述诊断模块的预警过程如下：
[0020]根据时域分析结果，提取振动传感器的状态特征参数；
[0021]将提取的振动传感器的状态特征参数输入振动传感器状态诊断模型，获取振动传感器的工作状态；
[0022]当振动传感器处于非正常工作状态，则结束当前样本诊断；
[0023]当振动传感器处于正常工作状态，则根据振动信号的时域和频域分析结果，提取往复泵的泄漏状态特征参数；
[0024]将提取的往复泵的泄漏状态特征参数输入泵状态诊断模型，获取泵的泄漏状态；
[0025]多个振动传感器对应多个泵的诊断状态，综合决策往复泵的当前泄漏状态。
[0026]优选的，所述机器学习模型的训练过程如下：
[0027]现场采集往复泵在工作过程中的振动数据和转速数据；
[0028]根据往复泵的工作状态，对采集的每组振动和转速数据打标签，进行样本分类；
[0029]对每组振动和转速数据，进行时域和频域分析，提取特征参数；
[0030]以特征参数和分类标签为整体，按照一定比例，随机构造训练集和测试集；
[0031]以训练集作为输入，采用机器学习算法自动训练模型；
[0032]将测试集带入训练模型，校验模型的准确率；
[0033]模型准确率不合适则重新训练模型，合适则保存模型。
[0034]优选的，所述呈现模块支持本地呈现、云端呈现和APP中的至少一种呈现方式。
[0035]优选的，所述本地呈现的方式是直接从工控机获取数据，呈现诊断模块的输出参数和传感器的波形分析；云端呈现的方式是通过网关连接工控机和云端，呈现诊断模块的输出参数和关键参数的历史信息；APP呈现的方式是通过云端，发送至各移动端的APP。
[0036]本专利技术提供了一种往复泵液力端泄漏的智能诊断系统，通过数采模块采集往复泵在工作过程中的振动数据和转速数据，并存储在工控机。诊断模块植入在工控机中，可提取多个维度特征，并通过已训练的机器学习模型，智能诊断往复泵的运行状态。诊断模块内置于工控机之中，具有实时分析和预警的功能。智能诊断系统相比人工诊断的相似度可达
93％以上。相对于人工诊断往复泵液力端泄漏故障，具备实时诊断和准确率高的特点，能够为客户实现隐形的值方式是：提前维护柱塞泵，提高设备的使用寿命；减少因非计划性停机而产生的时间成本消耗，提高井场作业效率；及时处理泵的异常工作状态，保障井场的安全作业。
附图说明
[0037]图1为本专利技术系统结构原理图；
[0038]图2为本专利技术数采模块的结构图；
[0039]图3为本专利技术诊断模块的流程图；
[0040]图4为本专利技术诊断模型的训练流程图；
[0041]图5为本专利技术诊断模块输出级联结构图；
[0042]图6为本专利技术呈现模块结构图。
具体实施方式
[0043]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种往复泵液力端泄漏的智能诊断系统，其特征在于：包括数采模块、诊断模块和呈现模块；所述数采模块往复泵在工作过程中的振动数据和转速数据，并存储在工控机；所述诊断模块包括特征提取模块和智能预警模块，所述诊断模块内置于工控机之中，所述特征提取模块用于根据多个振动数据和转速数据，提取多个维度特征数据，作为智能预警模块的输入参数；所述智能预警模块嵌入有机器学习模型，根据特征提取模块提取的特征数据智能决策往复泵的泄漏状态和诊断系统自身的工作状态中的至少一种。2.根据权利要求1所述的一种往复泵液力端泄漏的智能诊断系统，其特征在于：所述往复泵的泄漏状态机器学习模型，其训练输入集是由根据振动数据和转速数据提取的多维特征，其训练输出集是对应的往复泵泄漏状态与否。3.根据权利要求1所述的一种往复泵液力端泄漏的智能诊断系统，其特征在于：所述诊断系统自身的工作状态机器学习模型，其训练输入集是由根据振动数据提取的多维特征，其训练输出集是对应的系统工作状态良好与否。4.根据权利要求1所述的一种往复泵液力端泄漏的智能诊断系统，其特征在于：所述诊断模块的分析判断过程如下：设置阈值，将转速信号转化为电平信号；对电平信号进行差分，并计算转速；根据现场的实际条件，确定往复泵正常工作的最低转速；当差分计算的转速小于最低转速，则当前采集的样本不做分析；当差分计算的转速不低于最低转速，对振动信号进行时域和频域分析。5.根据权利要求4所述的一种往复泵液力端泄漏的智能诊断系统，其特征在于：所述诊断模块的预警过程如下：根据时域分析结果，提取振动传感器...

【专利技术属性】
技术研发人员：王传鸿，左国勇，冉翔，祝帆，吴畔州，汪政，张勇，邹伟，李备鑫，
申请(专利权)人：四机赛瓦石油钻采设备有限公司，
类型：发明
国别省市：