毛仲?gòu)?qiáng)，秦天飛，柳 楠，段禮祥

（1.中國(guó)石油塔里木油田分公司，新疆庫(kù)爾勒 841000；2.中國(guó)石油大學(xué)（北京）安全與海洋工程學(xué)院，北京 102249）

0 引言

油田現(xiàn)場(chǎng)離心泵內(nèi)部零部件種類繁多，關(guān)系復(fù)雜，每種零部件都有其特定的失效方式。目前針對(duì)離心泵退化的研究多是集中在零部件方面[1-2]，而對(duì)離心泵整體退化特征的研究較少。正因?yàn)殡x心泵的退化特征具有復(fù)雜性，單一零部件的特征指標(biāo)或單一特性參數(shù)并不能完整地反映離心泵運(yùn)行過(guò)程中的退化情況。因此，構(gòu)建能夠表征離心泵整體健康狀態(tài)的退化指標(biāo)是十分必要的。

目前通用的離心泵大修標(biāo)準(zhǔn)設(shè)定方法，都是根據(jù)維保規(guī)程或經(jīng)驗(yàn)設(shè)置為固定的靜態(tài)時(shí)間閾值，沒(méi)有考慮到實(shí)際運(yùn)行情況，使得大修標(biāo)準(zhǔn)閾值與狀態(tài)變化無(wú)關(guān)[3-4]。然而離心泵運(yùn)行狀態(tài)是受多種因素影響的，若采用相同的判定標(biāo)準(zhǔn)判斷是否應(yīng)該進(jìn)行大修顯然是盲目的。

針對(duì)上述問(wèn)題，本文提出了基于KPCA（Kernel Principal Component Analysis，核主成分分析）和GA-PSO-PNN 的離心泵大修閾值模型。將離心泵振動(dòng)指標(biāo)和特性參數(shù)指標(biāo)組成多源特征集，利用KPCA 進(jìn)行特征融合得到離心泵退化指標(biāo)，通過(guò)KPCA 降維優(yōu)化PNN（Probabilistic Neural Network，概率神經(jīng)網(wǎng)絡(luò)）結(jié)構(gòu)，通過(guò)GA-PSO（Genetic Algorithm-Particle Swarm Optimization，遺傳粒子群算法）優(yōu)化PNN 平滑因子，基于優(yōu)化PNN建立離心泵大修閾值模型，進(jìn)而建立動(dòng)態(tài)大修閾值曲線，能夠及時(shí)判斷離心泵是否應(yīng)該進(jìn)行大修。

1 退化指標(biāo)構(gòu)建

1.1 故障統(tǒng)計(jì)分析

對(duì)某油田注水站離心注水泵機(jī)組統(tǒng)計(jì)歷史故障監(jiān)測(cè)詳情如表1 所示，從中可以總結(jié)得出：

表1 歷史故障匯總

（1）離心泵泵體故障約占故障總數(shù)的89.5%，且故障部位為泵自由端的約占故障總數(shù)的73.7%（由此看出，離心泵自由端為故障多發(fā)的敏感部位）。

（2）離心泵故障部件為泵軸、葉輪、軸承等關(guān)鍵零部件，這些零部件之間的安裝方式、連接形式、相互作用機(jī)制等會(huì)影響退化過(guò)程和失效模式，共同決定了離心泵的健康狀態(tài)和剩余壽命。

這些關(guān)鍵零部件之間的安裝方式、連接形式、相互作用機(jī)制等會(huì)影響退化過(guò)程和失效模式，共同決定了離心泵的健康狀態(tài)和剩余壽命。

1.2 特征指標(biāo)提取

根據(jù)國(guó)際標(biāo)準(zhǔn)及我國(guó)振動(dòng)標(biāo)準(zhǔn)，選取振動(dòng)速度有效值和振動(dòng)位移峰峰值分別作為評(píng)估離心泵軸承和泵軸退化狀態(tài)的振動(dòng)指標(biāo)。

對(duì)于離心泵葉輪葉片在故障狀態(tài)下的損壞，葉片在相應(yīng)側(cè)的通過(guò)頻率就會(huì)顯示出來(lái)。因此，葉片通過(guò)頻率幅值可以有效評(píng)估離心泵葉輪的退化狀態(tài)。

離心泵流量和壓力性能的退化是離心泵固有的退化特性，流量不變時(shí)離心泵的失效形式具體表現(xiàn)為出口壓力降低，因此可以將離心泵出口壓力作為一項(xiàng)重要的退化性能指標(biāo)。

1.3 多源特征融合

KPCA 是對(duì)線性PCA（Principal Component Analysis，主成分分析）進(jìn)行擴(kuò)展，利用非線性方法提取主成分，常用來(lái)進(jìn)行特征提取和降維，在模式識(shí)別領(lǐng)域中應(yīng)用廣泛（圖1）。

圖1 KPCA 原理

振動(dòng)速度有效值、振動(dòng)位移峰峰值、葉片通過(guò)頻率幅值表征離心泵的振動(dòng)，出口壓力值表征離心泵的性能，經(jīng)KPCA 多源特征融合后得到第一核主成分作為離心泵退化指標(biāo)，用來(lái)定量表征離心泵整體的退化狀態(tài)。

2 大修閾值研究

2.1 概率神經(jīng)網(wǎng)絡(luò)

概率神經(jīng)網(wǎng)絡(luò)PNN 是由概率統(tǒng)計(jì)理論和基于貝葉斯的分類網(wǎng)絡(luò)兩部分組合而成[5]，具有結(jié)構(gòu)簡(jiǎn)單、訓(xùn)練快速的優(yōu)點(diǎn)。PNN結(jié)構(gòu)有4 層，分別為輸入層、模式層、求和層、輸出層。

2.2 結(jié)構(gòu)優(yōu)化

使用樣本數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練，首先需要估算條件概率P（X∣fi），其估計(jì)函數(shù)表達(dá)式為：

其中，m 表示向量維數(shù)，X 和xi分別表示識(shí)別樣本以及模式樣本向量，σ 為平滑因子，為分類模式的數(shù)量。

經(jīng)KPCA 特征融合后得到的退化指標(biāo)是一維向量，將維數(shù)m=1 代入式（1）中得到：

其中，xi是第i 個(gè)樣本值，N 是樣本總數(shù)，x 是待識(shí)別的樣本指標(biāo)。

KPCA 特征融合降低了PNN 網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜度，優(yōu)化后得到的PNN 結(jié)構(gòu)簡(jiǎn)單。起始層執(zhí)行設(shè)備數(shù)據(jù)預(yù)處理，模式層則不會(huì)改變其中的樣本點(diǎn)，僅需要估計(jì)激活函數(shù)的平滑因子，然后樣本層中依據(jù)式（2）計(jì)算每一樣本點(diǎn)下的條件概率，求和層將其累加起來(lái)，根據(jù)求和層得到的結(jié)果建立設(shè)備的狀態(tài)概率模型。

2.3 平滑因子優(yōu)化

PNN 的平滑因子即為標(biāo)準(zhǔn)差。如果其樣本層節(jié)點(diǎn)不變，則平滑因子與整個(gè)概率密度分布函數(shù)的變化有關(guān)。若平滑系數(shù)過(guò)小，則只能當(dāng)成訓(xùn)練樣本的隔離函數(shù)，此時(shí)PNN 等效于最近鄰域分類器；若平滑系數(shù)過(guò)大，PNN 此時(shí)不能完全區(qū)分細(xì)節(jié)，其作用更像是線性分類器。因此，為提高PNN 模型的有效性和容錯(cuò)能力，需要優(yōu)化平滑因子。

本文采用結(jié)合遺傳算法及粒子群算法而成的遺傳粒子群算法（GA-PSO）優(yōu)化PNN 的平滑因子。GA-PSO 算法的核心思想是將GA 算法中的變異操作引入到PSO 中，通過(guò)對(duì)PSO 算法中的慣性權(quán)重與加速因子進(jìn)行改進(jìn)，使其具有更好的優(yōu)化性能和更強(qiáng)的抗干擾能力[6]。

2.4 大修閾值確定

本文采用格拉布斯準(zhǔn)則作為大修閾值的確定準(zhǔn)則，置信概率設(shè)定為90%，根據(jù)正常及故障數(shù)據(jù)建立狀態(tài)概率模型，將概率累計(jì)分布函數(shù)值達(dá)到90%處的閾值作為故障報(bào)警閾值，在此基礎(chǔ)上進(jìn)一步將大修閾值設(shè)定為：

其中，X 為大修閾值，x（P=90%）為概率累計(jì)分布函數(shù)值達(dá)到90%處的退化指標(biāo)閾值，閾值因子k=1.5，p 為比例系數(shù)，取20%。

基于KPCA 和GA-PSO-PNN 的離心泵大修閾值模型具體實(shí)現(xiàn)流程如下：

（1）利用KPCA 對(duì)離心泵多源特征集進(jìn)行特征融合，得到退化指標(biāo)作為PNN 的輸入數(shù)據(jù)。

（2）利用KPCA 降低原始數(shù)據(jù)維數(shù)，優(yōu)化PNN 網(wǎng)絡(luò)結(jié)構(gòu)。

（3）設(shè)置相關(guān)參數(shù)，采用GA-PSO 算法優(yōu)化PNN 的平滑因子。

（4）將退化指標(biāo)數(shù)據(jù)輸入到優(yōu)化PNN 模型中建立離心泵狀態(tài)概率模型。

（5）根據(jù)格拉布斯準(zhǔn)則確定離心泵大修閾值，形成自適應(yīng)的動(dòng)態(tài)大修閾值曲線。

3 實(shí)例分析

本文采用某油田注水站離心泵監(jiān)測(cè)數(shù)據(jù)進(jìn)行分析，監(jiān)測(cè)數(shù)據(jù)包括振動(dòng)數(shù)據(jù)和壓力數(shù)據(jù)，經(jīng)查詢和計(jì)算可得振動(dòng)速度有效值、振動(dòng)位移峰峰值、葉片通過(guò)頻率幅值以及出口壓力值4 種離心泵原始特征指標(biāo)數(shù)據(jù)（表2）。

表2 原始特征指標(biāo)值

首先以原始特征作為樣本數(shù)據(jù)采用GA-PSO 算法進(jìn)行PNN 平滑因子尋優(yōu)。原始數(shù)據(jù)按離心泵狀態(tài)可分為三類：正常、異常和故障。選取編號(hào)2、4、5 的數(shù)據(jù)作為測(cè)試樣本，其余作為訓(xùn)練樣本，建立的PNN 網(wǎng)絡(luò)結(jié)構(gòu)為4-10-3-3。其中，第一個(gè)數(shù)字表示原始特征維數(shù)是4；第二個(gè)數(shù)字表示訓(xùn)練樣本組數(shù)為10；最后兩個(gè)數(shù)字表示離心泵正常、異常、故障的3 種狀態(tài)。初始化GA-PSO 算法的參數(shù)，設(shè)定種群大小為20，加速因子為2，最大迭代次數(shù)為100，慣性權(quán)重為0.2，交叉概率為0.7，變異概率為0.3，加速因子和慣性權(quán)重隨迭代次數(shù)線性變化。

選取訓(xùn)練樣本均方誤差作為適應(yīng)度函數(shù)，采用GA-PSO 算法對(duì)平滑因子進(jìn)行優(yōu)化，經(jīng)過(guò)多次迭代后找出最佳適應(yīng)度下的平滑因子。為說(shuō)明其優(yōu)越性，將GA、PSO、GA-PSO 三種算法優(yōu)化下的均方誤差進(jìn)行對(duì)比分析，結(jié)果如圖2 所示。

圖2 均方誤差變化曲線對(duì)比

由圖2 可知，GA-PSO 算法不容易陷入局部最優(yōu)，能收斂于更小的最佳適應(yīng)度值0.219 4，其尋優(yōu)精度高于其他兩種算法，所以采用GA-PSO 算法優(yōu)化PNN 網(wǎng)絡(luò)能獲得比普通算法更好的結(jié)果。

GA-PSO 算法在最佳適應(yīng)度為0.219 4 的條件下得到最優(yōu)平滑因子為0.753 8。

確定最優(yōu)平滑因子后，采用KPCA 降維對(duì)PNN 網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化。將表2 所示的原始指標(biāo)數(shù)據(jù)進(jìn)行KPCA 特征融合，提取融合后的第一核主成分指標(biāo)作為無(wú)量綱的離心泵退化指標(biāo)，同時(shí)作為大修閾值模型的輸入數(shù)據(jù)。融合后得到的離心泵退化指標(biāo)趨勢(shì)如圖3 所示。

圖3 離心泵退化指標(biāo)趨勢(shì)

對(duì)特征融合后的退化指標(biāo)進(jìn)行歸一化處理后，作為大修閾值模型的輸入數(shù)據(jù)送入概率神經(jīng)網(wǎng)絡(luò)，構(gòu)建離心泵運(yùn)行狀態(tài)概率模型，計(jì)算概率累計(jì)分布函數(shù)，并根據(jù)式（3）確定其大修閾值。離心泵狀態(tài)概率模型及概率累計(jì)分布函數(shù)如圖4、圖5 所示。

圖4 離心泵狀態(tài)概率模型

圖5 概率累計(jì)分布函數(shù)

由圖5 得到累計(jì)概率為90%時(shí)對(duì)應(yīng)的退化指標(biāo)值為0.508 8，計(jì)算得到大修閾值為0.658 7。已知從第4 組數(shù)據(jù)開(kāi)始離心泵狀態(tài)出現(xiàn)異常，因此以前4 組數(shù)據(jù)為基礎(chǔ)，每增加1 組數(shù)據(jù)重新構(gòu)建概率模型并計(jì)算大修閾值，便可以得到一條動(dòng)態(tài)變化的閾值曲線（圖6）。

圖6 大修閾值曲線

由表2 可知，編號(hào)1～13 數(shù)據(jù)為某油田作業(yè)區(qū)離心注水泵2014 年11 月—2016 年7 月監(jiān)測(cè)數(shù)據(jù)。已知2014 年11 月此臺(tái)設(shè)備完成大修工作，按作業(yè)區(qū)《離心注水泵修保規(guī)程》中的大修標(biāo)準(zhǔn)及現(xiàn)場(chǎng)設(shè)備啟停規(guī)律可得下次大修時(shí)間應(yīng)為2016 年7月—2016 年9 月。但由圖7 可得，2016 年5 月離心泵退化指標(biāo)已超過(guò)大修閾值，應(yīng)進(jìn)行再次大修。2016 年5 月17 日，現(xiàn)場(chǎng)監(jiān)測(cè)小組監(jiān)測(cè)發(fā)現(xiàn)此臺(tái)離心泵自由端出現(xiàn)軸承磨損，間隙增大的故障現(xiàn)象，上報(bào)站隊(duì)進(jìn)行拆檢維修。拆檢的過(guò)程中發(fā)現(xiàn)平衡盤折斷、軸套、鎖緊螺母腐蝕磨損等故障，其拆檢情況如圖7、圖8 所示。此時(shí)離心泵整體的損壞嚴(yán)重程度已達(dá)到大修標(biāo)準(zhǔn)。

圖7 平衡盤損壞

圖8 軸套、鎖緊螺母與泵軸抱死

因此，動(dòng)態(tài)大修閾值曲線可以用來(lái)反映離心泵真實(shí)的運(yùn)行情況，及時(shí)判斷是否進(jìn)入大修狀態(tài)，減少大修前異常停機(jī)事故的發(fā)生。

4 結(jié)論

本文提取離心泵振動(dòng)指標(biāo)和特性參數(shù)指標(biāo)組成多源特征集，利用KPCA 特征融合得到表征離心泵整體退化過(guò)程的退化指標(biāo)。通過(guò)KPCA 對(duì)原始數(shù)據(jù)進(jìn)行降維處理，優(yōu)化PNN 結(jié)構(gòu)；通過(guò)GA-PSO 算法優(yōu)化PNN 平滑因子，提高模型的有效性和容錯(cuò)能力，基于優(yōu)化PNN 使用退化指標(biāo)數(shù)據(jù)建立離心泵大修閾值模型，進(jìn)而建立了動(dòng)態(tài)大修閾值曲線?，F(xiàn)場(chǎng)大修案例分析表明，利用所建曲線能夠及時(shí)判斷離心泵是否應(yīng)該進(jìn)行大修，避免大修工作的盲目性，提高生產(chǎn)效率和經(jīng)濟(jì)效益。