一种基于深度玻耳兹曼机的旋转设备振动信号预测系统技术方案

本发明专利技术公开了一种基于深度玻耳兹曼机的旋转设备振动信号预测系统，属于石油开采设备技术领域，具体包括位移传感器、数据采集仪、在线预测系统。本发明专利技术还提供了一种基于深度玻耳兹曼机的旋转设备振动信号预测方法。本发明专利技术的技术方案装置可内置顶驱关键部件内，也可外置于壳体，体积小，易于安装拆卸和现场操作，该预测方法能够准确学习并拟合受测样本的数据规律，并直接预测数据的未来趋势，达到对顶驱电机等其他关键旋转部件未来状态预测的目的，根据预测信息及时维护，减少顶驱等旋转设备的故障发生率，避免人员伤亡和经济损失，提高钻井效率。对所有旋转设备的关键部件具有普遍适用性。性。性。

【技术实现步骤摘要】
一种基于深度玻耳兹曼机的旋转设备振动信号预测系统


[0001]本专利技术涉及石油开采设备
，特别涉及一种基于深度玻耳兹曼机的旋转设备振动信号预测系统。

技术介绍

[0002]顶部驱动钻井装置(以下简称“顶驱”)作为石油开采的重要旋转设备，是一种石油钻井中放置在钻具顶部替代转盘直接驱动钻具旋转进行钻井施工的动力装置。其动力一般是液压马达或电动机。电动顶驱又有直流、交流、交流变频等形式。能够有效地减少和防止井下复杂情况的发生，在发生轻度坍垮时，可以进行倒划眼；在起下钻过程中，必要时可以不断旋转钻柱和循环泥浆。其运行状态是否良好对钻井作业有着巨大的影响，若不能及时预估顶驱状态，措施最佳维护时间，则会带来重大的现场事故，对人员和经济都会带来损害。目前，对顶驱的故障预测方法研究较为薄弱，仍基本依赖现场人员的经验预判，对人员依赖性大，主观性强，缺乏技术支持，故障的预测准确率较低。
[0003]顶驱运行状态的影响因素众多，而预测的准确度也取决于长时域内顶驱的数据信息，因此数据的海量性，多样性特征的分析处理就要求借助于领先的大数据技术来实现。基于大数据模型深度玻尔兹曼机对顶驱旋转设备进行状态预测，能够从多层的机器学习中获得数据的特征信息，能够更加信息化、准确化地实现对顶驱预期工作状态的预知，更加可靠的保障顶驱的健康、长周期运行，更加合理的优化维修资源，为工业生产创造最优的经济效益。

技术实现思路

[0004]本专利技术的目的在于提供一种基于深度玻耳兹曼机的旋转设备振动信号预测系统，通过选取适当的影响因素，对顶驱状态进行预测，对其预期工作状态做出正确的判断，从而及时制定一套合理且科学的维护策略，克服事后维修的难题，减少顶驱等旋转设备的故障发生率，避免人员伤亡和经济损失，提高钻井效率。
[0005]本专利技术提供了一种基于深度玻耳兹曼机的旋转设备振动信号预测系统，具体包括位移传感器1、数据采集仪2、在线预测系统3。所述位移传感器1在顶驱电机的驱动端、非驱动端轴承处的水平、垂直方向布置，其数量不少于4个。所述数据采集仪2可采用现有技术将采集的位移传感器1信号传输到在线预测系统3。所述在线检测系统3，采用基于深度玻耳兹曼机的预测模型对旋转设备故障信号进行分析预测，并对故障进行显示。数据采集仪2为数据采集仪S8000。
[0006]具体的，在旋转设备电动机的驱动端水平方向、驱动端垂直方向、非驱动端水平方向、非驱动端垂直方向4个测点。在齿轮箱的低速齿前端水平方向、前端垂直方向、后端水平方向、后端垂直方向4个测点；高速齿前端水平方向、前端垂直方向、后端水平方向、后端垂直方向4个测点。在测点处布置所述位移传感器1。
[0007]优选的，所述位移传感器为无线位移传感器。
[0008]进一步地，所述位移传感器采用内置安装或者外置安装于机壳。
[0009]所述数据采集仪2将采集到的数据保存在系统数据库中，根据数据库提供的振动指标数据找出需要分析的数据集。按照指定的数据清洗规则清洗每个设备在各个测点安置的振动传感器所采集到的监测数据，清洗完成后，将所得数据按照时间先后顺序重新排列，保存成统一的格式，按设备测点对数据制表保存，所获得的数据即为预测所需的建模数据。
[0010]所述在线预测系统3主要提供了一种基于深度玻耳兹曼机的旋转设备振动信号预测方法。所述在线预测系统3包括初级预测模型、模型优化模块、故障预测模型模块、故障显示模块。所述数据采集仪2采集形成的数据集分为训练数据集和预测数据集。所述在线预测系统3包括初级预测模型通过训练数据集形成初级训练模型；将优化的参数进入初级预测模型模块，得到故障预测模型模块。所述故障预测模型模块利用所述预测数据集，可单步或者多步迭代预测故障数据。所述故障显示模块将所述故障数据在人机界面显示。
[0011]所述在线预测系统3包括在线预测系统采集传感器实时数据，定时提取转速和总振值。
[0012]所述基于深度玻耳兹曼机的预测模型是把多个RBM堆叠，组成多层网络，网络模型中的前一层输出是后一层的输入。
[0013]利用构建的高斯深度玻尔兹曼机预测模型对相同的监测信号进行预测，能够在大量的数据集中自动学习，自动学习过程中能够实现对特征信息的海量性和多样性的表征，准确的捕获了数据分布规律，生成的预测模型得到的结果能够很好地反应振动信号的趋势。
[0014]所述的G
‑
DBM模型可以对不同模式下的输入信号进行直接的学习，在模型的学习过程中通过逐层的特征变换学习到信号本身的全部特征信息，从而得到故障识别结果。
[0015]具体的，所述初级预测模型流程：
[0016](1)假设采集到N个数据样本，按时间顺序排列的观测值为y
i
(i＝1，2，..，N
y
)，给定系统相空间的一串迭代序列(相空间迭代序列表示系统中轨道的演化过程)或一组观测的数值序列，构造非线性映射描述原动力学系统，该映射则可当做初级预测模型。
[0017]y
i
(i+h)＝[y(i)，y(i
‑
τ)，...，y(n
‑
(m
‑
1)τ)]T
ꢀꢀ
(1)
[0018]式中，τ为归一化嵌入时延宽度；
[0019]重构的条件是m≥2d1+1，d1是动力系统的关联维数；
[0020]h为预测步数。
[0021](2)为建立预测模型，是构造一个多输入、单输出的非线性系统模型f：R
q
→
R可作为单步预测或多步预测。即式中f为预测函数，此处对应的是为深度玻尔兹曼机预测模型，τ为延时，一般τ＝1。
[0022](3)对数据做迭代预测，理想输出为：
[0023][0024]通过迭代算法，可以得到的预测结果A。
[0025]具体的，所述模型优化模块流程为：
[0026]DBM模型是把多个RBM堆叠，组成多层网络，网络模型中的前一层输出是后一层的
输入。
[0027]定义可见层和隐层节点{v，h1，h2，h3}之间的能量表达式为：
[0028][0029]式中ψ＝{W1，W2，W3，B，A1，A2，A3}是参数模型，W1，W2，W3分别表示可见层到隐层节点和隐层到可见层节点的对称连接，B，A1，A2，A3分别为可见层节点和隐层节点的阈值。
[0030]可见单元向量V状态为1的概率分布为：
[0031][0032]隐单元j，m，l以及可见单元i在状态为1时候的条件概率分布为：
[0033][0034][0035][0036][0037][0038]对DBM模型进行极大似然学习，对式(8)取对数，W1求偏微分，获得参数更新规则如式(10)所示，根据该公式获得近似期望值。
[0039][0040]具体的，将优化的参数进入最初搭建的模型，形成所述故障预测模型：
[0041][0042]具体的，可以单步预测故障点：
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度玻耳兹曼机的旋转设备振动信号预测系统，其特征在于，其包括位移传感器(1)、数据采集仪(2)、在线预测系统(3)，所述位移传感器(1)在顶驱电机的驱动端、非驱动端轴承处的水平、垂直方向布置，其数量不少于4个，所述数据采集仪(2)将采集的位移传感器(1)信号传输到在线预测系统(3)，所述在线检测系统(3)，采用基于深度玻耳兹曼机的预测模型对旋转设备故障信号进行分析预测，并对故障进行显示。2.根据权利要求1所述的基于深度玻耳兹曼机的旋转设备振动信号预测系统，其特征在于，在旋转设备电机、齿轮传动系统处，采用内置安装或者外置安装方式布置所述位移传感...

【专利技术属性】
技术研发人员：王洋绅，李显义，刘勤志，王博，程腾飞，高瀚，齐建雄，雷宇，楚飞，米凯夫，赵春晖，刘增，周泽人，陈佳，陈鹏，李子良，
申请(专利权)人：中国石油集团工程技术研究院有限公司北京石油机械有限公司，
类型：发明
国别省市：