一种基于LSTM神经网络的钻井泵电机状态在线监测方法技术

本发明专利技术公开了一种基于LSTM神经网络的钻井泵电机状态在线监测方法，属于钻井泵电机状态监测技术领域，包括以下步骤：S1、通过传感器，获取电机的转速、电压和电流参数；S2、通过获取的参数，计算功率因数；S3、通过功率因数进而计算电机的输入功率；S4、对电机转速信号、输入功率信号进行特征提取；S5、将特征代入改进的基于超参数优化的LSTM网络，进而得出电机运行状态。通过上述方式，本发明专利技术可在线监测钻井现场作业过程中钻井泵电机的运行状态，能够及时的对异常状态作出警示，为现场的作业人员提供判断与维修保养依据，提高了钻井的生产效率，降低生产生产成本，最大限度的保障生产进度。度。度。

【技术实现步骤摘要】
一种基于LSTM神经网络的钻井泵电机状态在线监测方法


[0001]本专利技术涉及钻井泵电机状态监测
，具体涉及一种基于LSTM神经网络的钻井泵电机状态在线监测方法。

技术介绍

[0002]钻井自动化是石油行业发展的必然趋势，自动化电机作业流程复杂，现场环境恶劣，安全隐患和设备发生故障的诱因多。而钻井泵作为钻井过程中输送钻井液的关键设备，是石油勘探开发过程中的流体循环心脏。
[0003]当前，随着石油开采工艺的不断进步和发展，现场施工人员与科研人员针对往复式钻井泥浆泵的状态在线监测技术及应对技术有所提高。但是，由于钻井泵的工作现场环境十分恶劣、运行不间断，并且钻井泵本身的内部元器件组成十分复杂，导致其在工作期间存在着诸多不稳定的激励源，造成了钻井泵的故障信息属性复杂，并且在钻井泵状态的在线监测时，其准确率也较低，从而未能及时避免故障的发生，致使现场发生钻井泵故障而严重影响生产效率与生产进度。
[0004]电机作为电动式钻井泵的驱动，其运行状态的正常与否关系着整个生产过程中流体往复输送的正常与否。其电机的正常运转也是保障生产效率和生产进度所需要的。在对电机泵电机状态进行在线监测常见的几种方法中，利用钻井泵电机的运行数据对其进行数理统计分析，该方法不仅需要人力对其进行数理分析，而且其结果不具备实时性，无法高效的对运行状态进行监测。其次是利用振动与温度传感器，获取钻井泵电机的振动与温度数据，进行远程监测。但是这类方法无法实现钻进泵事故预警，仅为事后维修提供依据。因此，在线监测方法无法快速地、高效地、准确地去判别钻井泵的状态，并对其进行在线监测，从而造成钻井泵事故频发，对生产效率与生产进度造成了严重的影响。
[0005]基于此，本专利技术设计了一种基于LSTM神经网络的钻井泵电机状态在线监测方法以解决上述问题。

技术实现思路

[0006]针对现有技术所存在的上述缺点，本专利技术提供了一种基于LSTM神经网络的钻井泵电机状态在线监测方法。
[0007]为实现以上目的，本专利技术通过以下技术方案予以实现：
[0008]一种基于LSTM神经网络的钻井泵电机状态在线监测方法，包括以下步骤：
[0009]S1、通过传感器，获取电机的转速、电压和电流参数；
[0010]S2、通过获取的参数，计算功率因数；
[0011]S3、通过功率因数进而计算电机的输入功率；
[0012]S4、对电机转速信号、输入功率信号进行特征提取；其中，对转速在时域与频域内进行特征提取，对功率信号仅在时域内进行特征提取；
[0013]S5、将特征代入改进的基于超参数优化的LSTM网络，进而得出电机运行状态。
[0014]更进一步的，S2具体包括以下步骤：
[0015]A、利用电压与电流数据计算视在功率值；
[0016]电机的功率计算与电压值，电流值，以及功率因数相关，功率因数的计算公式为：
[0017][0018]其中，P为输入有功功率，S为视在功率；
[0019]根据视在功率的有效值算法，计算公式如下：
[0020]S＝UI
[0021]并且
[0022]其中，I为电流信号，U为电压信号，I1为基波电流，U1为基波电压，I
k
为谐波电流，U
k
为谐波电压，n为谐波的最大次数，h＝2,3,
······
,n；
[0023]则视在功率的有效值的计算公式如下：
[0024][0025]代入谐波，简化计算公式为：
[0026][0027]其中，i,j＝1,2,
······
,n且i≠j；
[0028]B、对无功功率进行计算，无功功率的计算利用快速傅里叶变换进行真无功功率计算；计算公式如下：
[0029]或者
[0030]其中，Q为无功功率，h为谐波次数，h＝1表示基波，i1为基波电流，u1为基波电压，i
k
为谐波电流，u
k
为谐波电压，h为谐波次数，h＝1,2,
······
,n，h＝1表示基波，φ
h
表示h次谐波的电压与谐波电流之间的夹角；
[0031]C、利用三角形算法计算有功功率，根据视在功率与有功功率、无功功率之间的三角关系，当视在功率与无功功率确定时，通过计算便可得出有功功率；计算公式为：
[0032][0033]D、利用有功功率与视在功率的关系计算功率因数；计算公式如下：
[0034][0035]其中，为功率因数，为电压与电流之间的相位差，P为有功功率，S为无功功率。
[0036]更进一步的，利用功率因数计算电机的输入功率，计算公式为：
[0037][0038]更进一步的，S4具体包括以下步骤：
[0039]A、对于连续的转速时域信号进行时域、频域特征提取；
[0040]B、对于连续的功率时域信号进行时域特征提取，在时域中利用小波分析对时域信号进行特征提取；
[0041]C、对于连续的功率时域信号进行时域特征提取，功率的时域特征主要提取其均方根值、标准差以及峰值因子。
[0042]更进一步的，步骤A、对于连续的转速时域信号进行时域、频域特征提取；具体步骤为：
[0043](1)对于连续的转速时域信号进行频域特征提取，首先，对于连续的转速时域，进行连续的傅里叶变换处理：
[0044][0045]其中，CFT(x(t))表示对连续信号x(t)进行连续的傅里叶变换，x(t)为时域上的连续信号，X(ω)为信号x(t)的连续频谱，ω为频率，ω＝2πf，f为采样频率，t为时间，j为虚数；
[0046]傅里叶逆变换为：
[0047][0048]其中，将X(ω)转变为其中，将X(ω)转变为为相频特性，则信号x(t)的幅频特性计算公式为：
[0049][0050]相频特性：
[0051][0052](2)对信号进行离散化处理，利用离散傅里叶变换对x(t)进行处理，处理方式公式为：
[0053][0054]在经过离散傅里叶逆变换后，得：
[0055][0056](3)将时域信号转变为频域信号后，提取转速信号的频率方差以及均方频率作为转速频域特征，频率方差计算公式为：
[0057][0058]其中，f
i
为频率，f
c
为频率均值，p
i
为频率相应的幅值；
[0059]均方频率计算公式为：
[0060][0061]其中，f
i
为频率，p
i
为频率相应的幅值。
[0062]更进一步的，步骤B、对于连续的功率时域信号进行时域特征提取，在时域中利用小波分析对时域信号进行特征提取，具体步骤为：
[0063](1)选择母小波函数，设ψ(t)∈L2(R)且满足：
[0064][0065]则，选择ψ(t)作为母小波函数；...

【技术保护点】

【技术特征摘要】
1.一种基于LSTM神经网络的钻井泵电机状态在线监测方法，其特征在于，包括以下步骤：S1、通过传感器，获取电机的转速、电压和电流参数；S2、通过获取的参数，计算功率因数；S3、通过功率因数进而计算电机的输入功率；S4、对电机转速信号、输入功率信号进行特征提取；其中，对转速在时域与频域内进行特征提取，对功率信号仅在时域内进行特征提取；S5、将特征代入改进的基于超参数优化的LSTM网络，进而得出电机运行状态。2.根据权利要求1所述的基于LSTM神经网络的钻井泵电机状态在线监测方法，其特征在于，S2具体包括以下步骤：A、利用电压与电流数据计算视在功率值；电机的功率计算与电压值，电流值，以及功率因数相关，功率因数的计算公式为：其中，P为输入有功功率，S为视在功率；根据视在功率的有效值算法，计算公式如下：S＝UI并且其中，I为电流信号，U为电压信号，I1为基波电流，U1为基波电压，I
k
为谐波电流，U
k
为谐波电压，n为谐波的最大次数，h＝2,3,
……
,n；则视在功率的有效值的计算公式如下：代入谐波，简化计算公式为：其中，i,j＝1,2,
……
,n且i≠j；B、对无功功率进行计算，无功功率的计算利用快速傅里叶变换进行真无功功率计算；计算公式如下：或者其中，Q为无功功率，h为谐波次数，h＝1表示基波，i1为基波电流，u1为基波电压，i
k
为谐波电流，u
k
为谐波电压，h为谐波次数，h＝1,2,
……
,n，h＝1表示基波，φ
h
表示h次谐波的电压与谐波电流之间的夹角；C、利用三角形算法计算有功功率，根据视在功率与有功功率、无功功率之间的三角关系，当视在功率与无功功率确定时，通过计算便可得出有功功率；计算公式为：
D、利用有功功率与视在功率的关系计算功率因数；计算公式如下：其中，为功率因数，为电压与电流之间的相位差，P为有功功率，S为无功功率。3.根据权利要求2所述的基于LSTM神经网络的钻井泵电机状态在线监测方法，其特征在于，利用功率因数计算电机的输入功率，计算公式为：4.根据权利要求3所述的基于LSTM神经网络的钻井泵电机状态在线监测方法，其特征在于，S4具体包括以下步骤：A、对于连续的转速时域信号进行时域、频域特征提取；B、对于连续的功率时域信号进行时域特征提取，在时域中利用小波分析对时域信号进行特征提取；C、对于连续的功率时域信号进行时域特征提取，功率的时域特征主要提取其均方根值、标准差以及峰值因子。5.根据权利要求4所述的基于LSTM神经网络的钻井泵电机状态在线监测方法，其特征在于，步骤A、对于连续的转速时域信号进行时域、频域特征提取；具体步骤为：(1)对于连续的转速时域信号进行频域特征提取，首先，对于连续的转速时域，进行连续的傅里叶变换处理：其中，CFT(x(t))表示对连续信号x(t)进行连续的傅里叶变换，x(t)为时域上的连续信号，X(ω)为信号x(t)的连续频谱，ω为频率，ω＝2πf，f为采样频率，t为时间，j为虚数；傅里叶逆变换为：其中，将X(ω)转变为其中，将X(ω)转变为为相频特性，则信号x(t)的幅频特性计算公式为：相频特性：(2)对信号进行离散化处理，利用离散傅里叶变换对x(t)进行处理，处理方式公式为：在经过离散傅里叶逆变换后，得：
(3)将时域信号转变为频域信号后，提取转速信号的频率方差以及均方频率作为转速频域特征，频率方差计算公式为：其中，f
i
为频率，f
c
为频率均值，p
i
为频率相应的幅值；均方频率计算公式为：其中，f
i
为频率，p
i
为频率相应的幅值。6.根据权利要求5所述的基于LSTM神经网络的钻井泵电机状态在线监测方法，其特征在于，步骤B、对于连续的功率时域信号进行时域特征提取，在时域中利用小波分析对时域信号进行特征提取，具体步骤为：(1)选择母小波函数，设ψ(t)∈L2(R)且满足：则，选择ψ(t)作为母小波函数；(2)对母小波函数进行伸缩变换获得基函数，变换过程如下：其中，ψ
a,τ
(t)为ψ(t)经过伸缩变换得到的小波基函数，a,τ分别为伸缩因子和平移因子；(3)对时域信号进行重构，计算公式为：其中，W
f
(a,τ)为小波变换系数，C
ψ
为常数；不同频带的信号能量值为：E(j,n)＝∑[P
s
]2其中，P
s
为小波系数，j为分解层数，n为频率；在特征提取时，首先提取所有频带的能量比P
E
(j)：
其中，j为频带的位置，E(j)为j频带处的能量...

【专利技术属性】
技术研发人员：梁海波，张磊，张禾，张毅，杨海，邹佳玲，
申请(专利权)人：西南石油大学，
类型：发明
国别省市：