辛宏，楊海濤，魏韋，張巖，呼蘇娟

(中國石油長慶油田油氣工藝研究院 低滲透油氣藏國家工程實驗室，陜西 西安 710021)

基于小波包和BP神經(jīng)網(wǎng)絡的潛油直驅(qū)螺桿泵系統(tǒng)故障診斷

辛宏，楊海濤，魏韋，張巖，呼蘇娟

(中國石油長慶油田油氣工藝研究院 低滲透油氣藏國家工程實驗室，陜西 西安 710021)

為準確診斷潛油直驅(qū)螺桿泵系統(tǒng)故障，提出了一種基于小波包和BP神經(jīng)網(wǎng)絡的螺桿泵系統(tǒng)故障診斷方法。對螺桿泵在不同工況下有功功率進行3層小波包分解，提取小波包特征能量，然后構造小波包特征能量向量，并以該向量作為故障樣本對3層BP神經(jīng)網(wǎng)絡進行訓練，實現(xiàn)了智能化故障診斷。仿真結果表明： 訓練的BP網(wǎng)絡能很好地診斷潛油直驅(qū)螺桿泵系統(tǒng)的故障。

故障診斷 小波包 BP神經(jīng)網(wǎng)絡 螺桿泵

潛油直驅(qū)螺桿泵采油技術利用動力電纜將電力傳送給井下潛油電機，電機通過柔性聯(lián)軸器直接驅(qū)動螺桿泵轉(zhuǎn)子轉(zhuǎn)動，井液經(jīng)過螺桿泵增壓后，被舉升到地面。潛油直驅(qū)螺桿泵采油技術解決了有桿泵的桿管偏磨問題，螺桿泵采油系統(tǒng)安全可靠、運行平穩(wěn)、結構簡單、操作方便，具有廣泛的應用前景[1]。然而潛油直驅(qū)螺桿泵機組部件多且關聯(lián)性強，再加上復雜多變的地質(zhì)結構和井況條件，導致使用過程中故障率較高。潛油直驅(qū)螺桿泵系統(tǒng)一旦出現(xiàn)故障，不僅需要花費高昂的作業(yè)費和修理費，而且會造成油層工作失調(diào)，給油田開發(fā)、生產(chǎn)帶來嚴重影響。因此，開展?jié)撚椭彬?qū)螺桿泵系統(tǒng)的故障診斷研究，具有重要的理論研究價值和工程實踐意義。

在螺桿泵系統(tǒng)的故障診斷研究中，主要問題是如何確定診斷方法以及故障特征的提取。目前，故障診斷方法已趨向于智能化方向發(fā)展，人工神經(jīng)網(wǎng)絡以其并行分布存儲、快速識別、非線性映射能力、較強的容錯性能等優(yōu)點在故障診斷系統(tǒng)得到了廣泛的應用[2]。但該方法診斷的準確性在很大程度上依賴于樣本的質(zhì)量，需要大量樣本數(shù)據(jù)的支持。小波包變換將頻帶進行多層次劃分，對小波變換沒有細分到的高頻部分進行進一步分解，從而提高了時頻分辨率。由于小波包在時域和頻域的良好局部特性和對信號有較強的特征提取功能[3]，因而可以將待分析的信號利用小波包細分到不同頻段，求出各頻段內(nèi)對應的故障特征。文中利用小波包在特征提取上的優(yōu)勢和神經(jīng)網(wǎng)絡的優(yōu)點，提出一種基于小波包和BP神經(jīng)網(wǎng)絡的螺桿泵系統(tǒng)故障診斷方法。利用小波包提取有功功率的各頻段特征能量之后，建立基于小波包特征能量的3層BP神經(jīng)網(wǎng)絡分類器，能很好地診斷潛油直驅(qū)螺桿泵系統(tǒng)的故障。

1 小波包及特征提取

1.1 小波包

小波變換可以對信號進行有效的時頻分解，由于其在高頻頻帶的頻率分辨率較差，而在低頻頻帶的時間分辨率較差，因而出現(xiàn)了小波包分解方法。小波包是繼小波分析之后提出的一種新型的多尺度分析方法，它不僅對低頻部分進行分解，而且對高頻部分也進行了分解。因此，小波包分解是一種比小波分解更精細的分解方法。以3層小波包分解為例說明小波包分解過程，如圖1所示，其中節(jié)點(i,j)表示第i層第j個節(jié)點(i=0, 1, 2, 3;j=0, 1, 2, 3, 4, 5, 6, 7)，每個節(jié)點代表一定的信號特征，如節(jié)點(0, 0)代表原始信號，節(jié)點(1, 0)代表小波包分解的第1層低頻系數(shù)，節(jié)點(1, 1)代表小波包分解的第1層高頻系數(shù)，其他依次類推。

圖1 3層小波包分解結構示意

不加證明地給出小波包分解與重構公式[4]如下：

1) 小波包分解公式：

(1)

2) 小波包重構公式：

(2)

式中：h，g——均為濾波器系數(shù)；d[k],d[l]——均為小波包系數(shù)；i——層數(shù)；j——節(jié)點數(shù)。

1.2 能量特征提取

不同的信號其特征不同，區(qū)別表現(xiàn)為特征矢量之間的差別，因而信號區(qū)分的首要任務是進行特征提取[5]。將能夠充分表現(xiàn)信號特性的物理量提取出來，組成特征矢量，每一組特征矢量就是對一種信號模式的數(shù)字描述。表征信號特征的物理量有多種，諸如信號的幅值、能量、平均值、方差、峭度等，文中選用能量表征信號特征。

在潛油直驅(qū)螺桿泵系統(tǒng)故障診斷技術中，有功功率信號可全面反映螺桿泵系統(tǒng)的泵況，因而可以通過計算不同工況下各頻段有功功率信號的能量來構造螺桿泵系統(tǒng)的故障特征向量[6]。頻帶能量可以由小波包分解系數(shù)來求取，具體步驟如下：

1) 信號分解。利用式(1)及在時域和頻域都有良好特性的Daubenchies小波中的db4小波對有功功率信號進行3層小波包分解。

2) 信號重構。對經(jīng)過步驟1)之后得到的8個頻帶系數(shù)利用式(2)進行重構，得到8個小波包重構信號，求各頻帶信號的總能量。設Ej(j=0, 1, …, 7)為第j個重構信號對應的能量，則：

(3)

式中：xj k——重構信號Sj在第k個離散點處的幅值，j=0, 1, 2, …, 7;k=1, 2, …,m)；m——采樣點數(shù)。

3) 以步驟2)中得到的各重構信號的能量為元素，構造能量特征向量：

E=[E0E1E2E3E4E5E6E7]

(4)

為避免BP神經(jīng)網(wǎng)絡的輸入向量過大而導致飽和，要對式(4)構造的特征向量進行歸一化處理。將輸入的樣本數(shù)據(jù)變換到區(qū)間[0, 1]后，節(jié)點反應敏感，BP神經(jīng)網(wǎng)絡收斂的速度也比較快。對特征向量進行歸一化的公式如下：

(5)

歸一化后的能量特征向量：

(6)

2 BP神經(jīng)網(wǎng)絡和故障診斷

2.1 BP神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡，又稱誤差反向傳播網(wǎng)絡，它是一種反向傳遞并能修正誤差的多層映射網(wǎng)絡。由輸入層、輸出層和若干隱含層組成，相鄰2層的神經(jīng)元之間形成全互連接，同層各神經(jīng)元互不連接。1個3層BP神經(jīng)網(wǎng)絡能以任意精度逼近任何連續(xù)函數(shù)，因而常用的BP神經(jīng)網(wǎng)絡是3層的前饋階層網(wǎng)絡，由輸入層、隱含層和輸出層組成，結構如圖2所示。

圖2 BP網(wǎng)絡結構示意

BP網(wǎng)絡算法的基本工作原理： 將輸入樣本從輸入層輸入，經(jīng)隱含層向輸出層傳遞，最終在輸出層得到實際輸出。如果輸出層得不到期望的輸出，再按使網(wǎng)絡輸出層的誤差平方和達到最小的目標，通過連續(xù)不斷地在相對于誤差函數(shù)斜率下降的方向上計算網(wǎng)絡的連接權值和閾值而逐漸逼近目標。經(jīng)過訓練的BP神經(jīng)網(wǎng)絡由于具有很強的非線性映射能力和柔韌性，因而能夠有效地將屬于訓練樣本范圍內(nèi)的測試樣本進行分類和識別[7]。

2.2 故障診斷

基于小波包和BP神經(jīng)網(wǎng)絡的螺桿泵故障診斷步驟如下：

1) 訓練樣本的選取。利用小波包提取有功功率的能量特征向量，并將其作為BP神經(jīng)網(wǎng)絡的輸入樣本，同時給出相應的期望輸出。

2) 網(wǎng)絡結構的確定。文中選用3層BP神經(jīng)網(wǎng)絡中的隱含層、輸入層和輸出層神經(jīng)元個數(shù)有近似關系：

(7)

式中：j1,j2,j3——分別為隱含層、輸入層和輸出層的節(jié)點數(shù)；α——1～10的常數(shù)。中間層神經(jīng)元選擇S型正切函數(shù)(tansig)為激活函數(shù)；輸出層神經(jīng)元選擇S型對數(shù)函數(shù)(logsig)為激活函數(shù)。

3) 樣本的訓練。利用小波包提取有功功率的特征向量訓練建立的BP神經(jīng)網(wǎng)絡，調(diào)整網(wǎng)絡結構和訓練參數(shù)，求收斂速度與所得誤差性能相對滿意的網(wǎng)絡。

4) 利用建立的神經(jīng)網(wǎng)絡進行故障診斷。

3 仿真實驗

對潛油直驅(qū)螺桿泵系統(tǒng)主要故障形式進行統(tǒng)計，確定其6種工作狀態(tài)編碼，分別為正常(1, 0, 0, 0, 0, 0)、柔性軸故障(0, 1, 0, 0, 0, 0)、結蠟(0, 0, 1, 0, 0, 0)、泵卡阻(0, 0, 0, 1, 0, 0)、間歇出液(0, 0, 0, 0, 1, 0)、泵管漏(0, 0, 0, 0, 0, 1)。因此，BP神經(jīng)網(wǎng)絡的輸出層節(jié)點數(shù)為6。

在試驗中，BP神經(jīng)網(wǎng)絡輸入層節(jié)點數(shù)為8，對應8個樣本模式；輸出層節(jié)點數(shù)為6，對應6種工況。由式(7)可得隱含層節(jié)點數(shù)為j1≈5～14。通過反復實驗，取隱含層節(jié)點數(shù)j1=9，訓練次數(shù)為1 000，訓練目標為0.001，學習速率為0.1。

按照2.2節(jié)中所述步驟利用Matlab編程，并對某采油廠測得的24組有功功率信號進行特征提取，分別得到24組樣本信號特征向量，將其作為輸入，訓練BP神經(jīng)網(wǎng)絡，同時儲存訓練好的網(wǎng)絡，用于下一步診斷。

將6組不同工況下采集的有功功率作為測試樣本，輸入到已訓練好的BP神經(jīng)網(wǎng)絡。實際輸出分別為正常(0.999 5, 0, 0, 0, 0, 0.000 1)、柔性軸故障(0, 0.999 7, 0, 0, 0.000 5, 0.000 1)、結蠟(0, 0, 0.978 6, 0.005 5, 0, 0)、泵卡阻(0, 0, 0.006 3, 0.998 9, 0.000 5, 0)、間歇出液(0.001 8, 0.000 1, 0, 0, 0.998 0, 0)、泵管漏(0.000 2, 0.000 7, 0, 0, 0, 1.000 0)，實際輸出符合測試信號對應的狀態(tài)。結果證明： 利用小波包分析能夠有效提取故障特征向量，并且經(jīng)過訓練的BP神經(jīng)網(wǎng)絡確實能夠?qū)撚椭彬?qū)螺桿泵系統(tǒng)故障狀態(tài)做出準確的診斷分類。經(jīng)過多次試驗，正確率達91.47%。

4 結束語

針對潛油直驅(qū)螺桿泵系統(tǒng)故障診斷問題，筆者從小波包變換和神經(jīng)網(wǎng)絡的角度出發(fā)，提出了一種較為新穎的基于小波包及BP神經(jīng)網(wǎng)絡潛油直驅(qū)螺桿泵系統(tǒng)故障診斷方法。首先利用小波包變換的短時高分辨率特性，以達到在頻域進行細化、分析故障特征信息；其次利用BP神經(jīng)網(wǎng)絡對樣本進行分類和識別。仿真實驗結果證實文中所提出的方法是有效的。

[1] 張克巖.潛油直驅(qū)螺桿泵[J].油氣田地面工程，2011，30(07)： 99.

[2] 朱君，高宇，葉鑫銳.基于BP神經(jīng)網(wǎng)絡的螺桿泵井故障診斷方法[J].石油機械，2008，36(01)： 42-44.

[3] 飛思科技.小波分析理論與Matlab 7實現(xiàn)[M].北京： 電子工業(yè)出版社，2005.

[4] Mallat S.Singularity Detection and Processing With Wavelets[J]. IEEE Trans on Information Theory, 1992, 38(02)： 617-643.

[5] 李洪，王晟.基于小波包和神經(jīng)網(wǎng)絡的電力輸電線故障診斷研究[J].數(shù)據(jù)采集與處理，2004，19(04)： 411-416.

[6] 任偉建，路陽，肖闊憲，等.基于小波包和Elman神經(jīng)網(wǎng)絡的螺桿泵井故障診斷[J].系統(tǒng)仿真學報，2012，24(04)： 912-915.

[7] 李增亮，王慶楠，李成平，等.BP網(wǎng)絡在液壓驅(qū)動螺桿泵故障診斷中的應用[J].石油機械，2006，34(08)： 48-50.

[8] 于波，鄭聽.基于小波變換的旋轉(zhuǎn)機械振動測試系統(tǒng)[J].化工自動化及儀表，2015，42(08)： 863-865，888.

[9] 王忠峰，湯偉，黃俊梅，等.基于PLC的BP神經(jīng)網(wǎng)絡在軸承故障診斷中的研究與應用[J].化工自動化及儀表，2011，38(03)： 327-331.

Fault Diagnosis in Direct-drive Progressing Cavity Pump System Based on Wavelet Packets and BP Neural Network

Xin Hong, Yang Haitao, Wei Wei, Zhang Yan, Hu Sujuan

(National Engineering Laboratory of Low Permeability Oil & Gas Field, Oil&Gas Process Technology Research Institute, Changqing Oilfield Company PetroChina, Xi’an, 710021, China)

To diagnose fault of direct-drive progressing cavity pump accurately, a new method of fault diagnosis based on wavelet packet and BP neural network is presented. Active powers in different working conditions are decomposed using three-layer wavelet packet. Wavelet packet characteristic energy(WPCE) is extracted. WPCE vectors are constructed. The vector is used as fault samples to train three-layer BP neural network. Intelligent fault diagnosing is realized. The simulation results show the trained BP neural network can diagnose the fault of direct-drive progressing cavity pump well.

fault diagnosis; wavelet packets; BP neural network; progressing cavity pump

長慶姬塬油田特低滲透油藏綜合利用示范基地(國土資源部： 1301-4-3)。

辛宏(1980—)，女，甘肅武威人，2008年畢業(yè)于中國石油大學(北京)油氣田開發(fā)專業(yè)，獲碩士學位，現(xiàn)就職于中國石油長慶油田油氣工藝研究院，從事采油工藝技術、油田數(shù)字化建設、水平井采油技術方面的研究工作，任采油工程師。

TP273

B

1007-7324(2017)03-0005-03

稿件收到日期： 2017-02-03，修改稿收到日期： 2017-02-24。