駱學(xué)理，金藝，張易，賈登，陳冰鄧，吳昌亮

（1.中國(guó)石油集團(tuán)工程技術(shù)研究院有限公司；2.北京康布爾石油技術(shù)發(fā)展有限公司，北京 102206）

隨著《中國(guó)制造2025》的提出，工業(yè)智能制造技術(shù)得到空前的發(fā)展。鉆井設(shè)備作為石油開(kāi)采的主力軍，若發(fā)生故障將會(huì)造成嚴(yán)重的安全事故以及巨大的經(jīng)濟(jì)損失。絞車(chē)是鉆井核心設(shè)備，對(duì)絞車(chē)進(jìn)行故障預(yù)警，保證絞車(chē)處于健康狀態(tài)對(duì)于石油鉆探生產(chǎn)安全、可靠的開(kāi)展具有重大作用。但絞車(chē)在實(shí)際工作過(guò)程中，不僅基座高度高、晃動(dòng)大，還受到隨機(jī)的橫向風(fēng)載，同時(shí)在運(yùn)行的各個(gè)階段絞車(chē)負(fù)載不斷變化，在起放鉆具時(shí)還會(huì)受到巨大的外部沖擊，導(dǎo)致故障信號(hào)被強(qiáng)噪聲干擾成分淹沒(méi)，使得故障特征微弱，嚴(yán)重影響故障預(yù)警結(jié)果的穩(wěn)定性和準(zhǔn)確性。

國(guó)內(nèi)外學(xué)者在機(jī)械設(shè)備故障預(yù)警領(lǐng)域進(jìn)行了大量研究。肖黎等人提出通過(guò)聚類(lèi)算法處理磨煤機(jī)的歷史數(shù)據(jù)，用隨機(jī)森林算法標(biāo)記不同的故障發(fā)展階段，建立故障預(yù)警模型。但該方法對(duì)于噪聲較大的分類(lèi)問(wèn)題存在過(guò)擬合現(xiàn)象，造成預(yù)警結(jié)果不準(zhǔn)確。徐圓等人提出構(gòu)建復(fù)雜系統(tǒng)多元時(shí)滯序列符號(hào)有向圖，通過(guò)ELM 和獨(dú)立成分分析法進(jìn)行故障預(yù)測(cè)。但該模型在運(yùn)行環(huán)境稍有變化時(shí)，信號(hào)噪聲干擾導(dǎo)致系統(tǒng)特性和拓?fù)浣Y(jié)構(gòu)發(fā)生巨大變化，預(yù)警結(jié)果穩(wěn)定性差。郭艷平等人研發(fā)了風(fēng)力發(fā)電機(jī)組在線(xiàn)故障預(yù)警和診斷系統(tǒng)，通過(guò)計(jì)算傳感器信號(hào)的期望值繪制動(dòng)態(tài)變化帶。當(dāng)傳感器的實(shí)測(cè)值超過(guò)變化帶上下限時(shí)發(fā)出預(yù)警信息。但該系統(tǒng)僅側(cè)重于判斷單個(gè)傳感器信號(hào)的異常，難以采取多參數(shù)共同作用，導(dǎo)致特征波動(dòng)較大，易出現(xiàn)漏報(bào)、誤報(bào)的現(xiàn)象。

綜上所述，現(xiàn)有的故障預(yù)警方法無(wú)法有效解決工況環(huán)境復(fù)雜及信號(hào)噪聲干擾嚴(yán)重導(dǎo)致故障預(yù)警困難的問(wèn)題。本文提出一種基于ISVD-GMM 的絞車(chē)故障預(yù)警方法，首先利用ISVD 與WPT 對(duì)信號(hào)進(jìn)行復(fù)合降噪處理，ISVD 通過(guò)設(shè)置合適的奇異值閾值，濾除奇異值較小的噪聲成分，WPT通過(guò)最大方差最優(yōu)子帶選取方法選取沖擊成分明顯的子帶重構(gòu)信號(hào)實(shí)現(xiàn)降噪。然后利用GMM 混合數(shù)充足可以逼近任意分布的特性，建立GMM 基準(zhǔn)模型描述絞車(chē)狀態(tài)特征的分布情況。同時(shí)自學(xué)習(xí)報(bào)警閾值，利用KL 距離度量正常狀態(tài)與當(dāng)前狀態(tài)的差異，實(shí)現(xiàn)絞車(chē)的故障預(yù)警。最后通過(guò)實(shí)驗(yàn)對(duì)所提方法的可行性與有效性進(jìn)行驗(yàn)證。

1 理論基礎(chǔ)

1.1 ISVD 方法

ISVD 降噪不同于依據(jù)頻譜特性的方法，而是基于隨機(jī)噪聲與光滑系統(tǒng)信號(hào)對(duì)相空間軌道矩陣奇異值的不同影響。具體步驟如下：

保留較突出的前k 個(gè)奇異值，通過(guò)奇異值分解的逆過(guò)程還原真實(shí)的局放信號(hào)，得到系統(tǒng)信號(hào)矩陣。將矩陣的各列對(duì)應(yīng)取平均相加，即可得到降噪后的信號(hào)。僅進(jìn)行1 次迭代不能完全剔除噪聲，需重復(fù)上述步驟至達(dá)到降噪要求。

1.2 GMM 原理

GMM 是一種基于貝葉斯概率統(tǒng)計(jì)的混合密度函數(shù)分布模型，矢量特征在概率空間的分布狀況通過(guò)多個(gè)高斯概率密度函數(shù)的加權(quán)和表示。M 個(gè)混合數(shù)即由M 個(gè)單高斯分布線(xiàn)性組合，即：

式中，D 為描述系統(tǒng)狀態(tài)特征的維數(shù)。

為了準(zhǔn)確反映設(shè)備的運(yùn)行狀態(tài)，本文作者采用KL 距離度量當(dāng)前狀態(tài)與正常狀態(tài)間的差異。KL 距離又稱(chēng)KL 散度，在信息論中用于衡量2 個(gè)概率密度分布函數(shù)的相近程度。2 個(gè)分布函數(shù)的差異化越小，KL 距離越小，其定義如式5：

2 ISVD-GMM 智能預(yù)警方法

基于ISVD-GMM 的絞車(chē)故障預(yù)警方法包括信號(hào)預(yù)處理、敏感特征提取、基準(zhǔn)模型訓(xùn)練及實(shí)時(shí)故障預(yù)警4 部分，其具體流程如圖1 所示。

圖1 基于ISVD-GMM 的絞車(chē)故障預(yù)警方法流程圖

2.1 信號(hào)預(yù)處理

首先將信號(hào)進(jìn)行迭代奇異值分解降低噪聲干擾成分，并檢驗(yàn)是否達(dá)到一次降噪精度要求。利用小波包變換將信號(hào)分解為層級(jí)的子帶，冗余的分解層數(shù)會(huì)引起計(jì)算量倍增和信號(hào)失真，而過(guò)少的分解層數(shù)會(huì)導(dǎo)致降噪不充分，通過(guò)式6 計(jì)算選取合理的分解層數(shù)。

通過(guò)計(jì)算對(duì)比各節(jié)點(diǎn)小波子帶的方差，選擇噪聲混雜較少同時(shí)包含最大有效信息量的最優(yōu)子帶組合重構(gòu)信號(hào)，實(shí)現(xiàn)信號(hào)的二次降噪。

2.2 敏感特征提取

為了實(shí)現(xiàn)絞車(chē)的狀態(tài)監(jiān)測(cè)與故障預(yù)警，需從大量振動(dòng)波形數(shù)據(jù)中提取具有代表性的特征，計(jì)算多個(gè)時(shí)域和頻域中的特征參數(shù)，通過(guò)特征選取技術(shù)得出反映絞車(chē)狀態(tài)變化的特征參數(shù)，構(gòu)建故障敏感特征集。

2.3 基準(zhǔn)模型訓(xùn)練

將正常狀態(tài)特征集分為模型訓(xùn)練和閾值訓(xùn)練2 部分，通過(guò)模型訓(xùn)練特征集L1 訓(xùn)練GMM 模型得到正常運(yùn)行狀態(tài)下的基準(zhǔn)模型。再將閾值訓(xùn)練特征集L2 輸入GMM 基準(zhǔn)模型，根據(jù)準(zhǔn)則自學(xué)習(xí)得到報(bào)警閾值T。

2.4 實(shí)時(shí)故障預(yù)警

將待測(cè)特征集L3 以時(shí)間窗口長(zhǎng)度輸入到已訓(xùn)練的GMM 模型中，計(jì)算當(dāng)前狀態(tài)與正常狀態(tài)的KL 距離。若KL超過(guò)報(bào)警閾值T，則判斷系統(tǒng)故障并報(bào)警，若KL 小于報(bào)警閾值T，則滑動(dòng)時(shí)間窗口持續(xù)監(jiān)測(cè)。

3 實(shí)驗(yàn)驗(yàn)證

3.1 實(shí)驗(yàn)數(shù)據(jù)

搭建絞車(chē)滾動(dòng)軸承故障模擬實(shí)驗(yàn)臺(tái)驗(yàn)證所提方法在不同故障狀態(tài)下的預(yù)警效果，故障模擬實(shí)驗(yàn)臺(tái)左右兩側(cè)為不可拆卸的正常軸承及可更換的故障軸承，實(shí)驗(yàn)臺(tái)的基本結(jié)構(gòu)及傳感器測(cè)點(diǎn)布置如圖2 所示。

圖2 設(shè)備運(yùn)行實(shí)驗(yàn)臺(tái)示意圖

通過(guò)線(xiàn)切割在軸承內(nèi)圈、外圈表面加工溝槽，加工缺陷如圖3 所示，實(shí)驗(yàn)軸承故障信息如表1 所示，實(shí)驗(yàn)基本參數(shù)如表2 所示。

表1 軸承缺陷參數(shù)

表2 軸承故障實(shí)驗(yàn)基本參數(shù)

圖3 軸承缺陷示意圖

實(shí)驗(yàn)數(shù)據(jù)詳細(xì)信息如表3 所示。

表3 軸承實(shí)驗(yàn)數(shù)據(jù)集

3.2 方法驗(yàn)證

3.2.1 數(shù)據(jù)處理

使用ISVD-WPT 方法對(duì)各數(shù)據(jù)集信號(hào)進(jìn)行處理，信號(hào)原始波形如圖4 所示。

圖4 原始波形圖

通過(guò)迭代奇異值分解分析得到一次降噪后的信號(hào)，實(shí)驗(yàn)中循環(huán)迭代次數(shù)選取3 時(shí)達(dá)到所需降噪精度，一次降噪后的信號(hào)波形如圖5 所示。

圖5 ISVD 一次降噪后波形圖

利用小波包變換對(duì)一次降噪后的信號(hào)進(jìn)行分解重構(gòu)，通過(guò)公式6 計(jì)算取分解層數(shù)m 為3 層。通過(guò)公式7 計(jì)算各小波子帶方差如圖6 所示。從圖中可以看出，子帶1的方差為5.86×10-4，與其他子帶方差相比高出1～3 個(gè)量級(jí)，較為突出。根據(jù)最大方差原則選取子帶1 重構(gòu)信號(hào)。

圖6 各小波子帶方差分布圖

小波子帶重構(gòu)得到小波包變換二次降噪后的信號(hào)，波形如圖7 所示。

圖7 WPT 二次降噪后波形圖

由圖（4、5、7）對(duì)比可知，本文方法處理復(fù)雜噪聲環(huán)境下的信號(hào)降噪效果明顯，原始信號(hào)經(jīng)迭代奇異值分解一次降噪后噪聲干擾成分被大幅消除，包含軸承狀態(tài)信息的有效成分得以保留，經(jīng)過(guò)小波包變換二次降噪后信號(hào)波形中沖擊特性顯著增加，有效增強(qiáng)了微弱故障信號(hào)特征，信號(hào)質(zhì)量得到顯著提高。

3.2.2 特征提取

通過(guò)時(shí)域、頻域分析方法提取特征，選取7 個(gè)在不同軸承狀態(tài)間有斷崖式突變，且特征改變量與軸承狀態(tài)變化量成正相關(guān)的故障敏感特征如表4 所示。

表4 特征提取

3.2.3 模型訓(xùn)練及故障預(yù)警

測(cè)試GMM 模型的預(yù)警效果，預(yù)警的效果如圖8 所示。

圖8 基于GMM 的故障預(yù)警效果圖

從圖8 中可以看出，當(dāng)GMM 預(yù)警的KL 距離超過(guò)報(bào)警線(xiàn)T 時(shí)立即報(bào)警，基于3σ 準(zhǔn)則自學(xué)習(xí)的報(bào)警線(xiàn)T 為4，正常軸承GMM 預(yù)警的KL 值在0 附近一較小范圍內(nèi)浮動(dòng)，實(shí)驗(yàn)中于第69 組實(shí)驗(yàn)發(fā)出報(bào)警且之后持續(xù)報(bào)警。當(dāng)軸承故障嚴(yán)重程度加大時(shí)，KL 距離也隨之有明顯上升，明顯超過(guò)預(yù)警閾值，并且GMM 預(yù)警模型對(duì)軸承故障感知敏感，計(jì)算預(yù)警的準(zhǔn)確率為95.54%，有效實(shí)現(xiàn)了絞車(chē)軸承的故障預(yù)警。

上述實(shí)驗(yàn)結(jié)果及分析表明：ISVD 與WPT 復(fù)合降噪方法的去噪效果顯著，微弱故障特征明顯增強(qiáng)，適應(yīng)性較強(qiáng)。GMM 與KL 距離結(jié)合的預(yù)警模型對(duì)軸承的狀態(tài)變化感知靈敏，不同狀態(tài)劃分明顯。報(bào)警及時(shí)且不存在反復(fù)穿越報(bào)警線(xiàn)的現(xiàn)象，顯著降低了漏報(bào)和誤報(bào)的次數(shù)，預(yù)警結(jié)果具有較高的準(zhǔn)確性、穩(wěn)定性和可靠性。本文提出的基于ISVD-GMM 的絞車(chē)故障預(yù)警方法的有效性和可行性得以驗(yàn)證。

4 結(jié)語(yǔ)

針對(duì)絞車(chē)運(yùn)行工況復(fù)雜，采集信號(hào)伴隨大量噪聲干擾，故障預(yù)警穩(wěn)定性差、準(zhǔn)確度低的問(wèn)題，本文提出一種基于ISVD-GMM 的絞車(chē)故障預(yù)警方法。該方法采用ISVDWPT 復(fù)合降噪，結(jié)合最大方差最優(yōu)子帶選擇方法提取信號(hào)的沖擊成分，去除噪聲干擾，同時(shí)利用GMM 結(jié)合KL 距離建立絞車(chē)故障預(yù)警模型監(jiān)測(cè)絞車(chē)的運(yùn)行狀態(tài)。實(shí)驗(yàn)結(jié)果表明該方法能及時(shí)感知絞車(chē)故障實(shí)時(shí)報(bào)警，預(yù)警準(zhǔn)確率達(dá)到95.54%，對(duì)于其他機(jī)械設(shè)備的狀態(tài)監(jiān)測(cè)與故障預(yù)警具有一定參考價(jià)值。