基于改進模糊貼近度算法的鉆井平臺泵系統(tǒng)故障診斷

溫娜，楊奕飛

（江蘇科技大學 電子信息學院，江蘇 鎮(zhèn)江　212003）

基于改進模糊貼近度算法的鉆井平臺泵系統(tǒng)故障診斷

溫娜，楊奕飛

（江蘇科技大學 電子信息學院，江蘇 鎮(zhèn)江212003）

針對深水鉆井平臺監(jiān)控環(huán)境復雜的特點，為了提高鉆井平臺泵系統(tǒng)故障診斷的準確性和有效性，本文研究一種基于改進模糊貼近度算法的故障診斷方法，對傳統(tǒng)的模糊貼進度公式做了一定的改進。以模糊貼近度原理為基礎(chǔ)，再結(jié)合模糊數(shù)學隸屬度的概念，搭建出了一種新的模糊貼近度函數(shù)模型。通過實驗數(shù)據(jù)的驗證，經(jīng)過改進后的模糊貼近度算法比傳統(tǒng)的模糊貼近度算法更加有優(yōu)勢，能夠很好的進行深水鉆井平臺上鉆井泵機系統(tǒng)的設備故障診斷任務。

模糊數(shù)學；貼近度；鉆井泵系統(tǒng)；故障診斷

隨著海洋油氣資源的持續(xù)開發(fā)，深水鉆井平臺得到了越來越多的應用，鉆井泵作為鉆機的心臟，起著關(guān)鍵的作用。鉆井泵一般處于較差的環(huán)境、有著較高沖擊負荷的地方，所以其上的設備零部件要有很高的強度和精準的裝配精度［1］。如果發(fā)生故障，不僅影響鉆井生產(chǎn)，更會造成鉆井平臺的整體故障，因此對于泵系統(tǒng)的實時監(jiān)測與故障診斷具有非常重要的意義［2］。

一般現(xiàn)有的故障診斷有3種方法：第一，基于數(shù)學建模的方法；第二，基于信號處理的方法；第三：基于人工智能的方法。較為常用的是第三種方法，且是基于神經(jīng)網(wǎng)絡的人工智能法。但是這種方法在診斷之前必須使用一定量的故障樣本來訓練對神經(jīng)網(wǎng)絡，而大量的故障樣本很難得到，為此文獻［3］提出一種貼近度的模糊模式識別方法，該方法使用模糊貼近度理論把已經(jīng)診斷的故障數(shù)據(jù)和從系統(tǒng)中測得的需要診斷的故障樣本進行一個模糊貼近度的對比，經(jīng)過比對后查明故障起因，這樣可以有效地對設備的各方面進行故障診斷。但是這種方法會對于一部分的故障可能會出現(xiàn)錯誤診斷的現(xiàn)象。

針對以上幾種方法的缺點，文中研究一種基于改進模糊貼近度算法的鉆井泵系統(tǒng)故障診斷，以模糊貼近度原理為基礎(chǔ)，再結(jié)合模糊數(shù)學隸屬度的概念，搭建出了一種新的模糊貼近度函數(shù)模型，并結(jié)合深水鉆井泵的特點實現(xiàn)泵系統(tǒng)診斷的準確性和有效性。

1　模糊貼近度原理

1.1貼近度的概念

貼近度就是衡量兩個模糊集合間密切程度的方式，其值的范圍在［0，1］之間。如果其值接近0，說明這兩個集合間的距離遠，兩者之間的關(guān)系比較疏遠；而當值接近1的話，說明它們之間距離小，兩者間的關(guān)系就會更加密切［4］。用數(shù)學語言表述為：設論域U，映射n：F（U）。F（U）→［0，1］滿足條件：

1）n（A，A）=1，n（φ，U）=0

2）n（A，B）=n（B，A）

3）A?B?C→n（A，C）≤n（A，B）∩n（B，C）

則稱n（A，B）為A與B的貼近度。

1.2傳統(tǒng)貼近度

常見貼近度求取公式如下：

最小最大貼近度：

式（1）中：j為樣本中的特征值個數(shù)，j=1，2，…，m

Xaj是需要測試的故障樣本a中的數(shù)據(jù)，Xbj則是標準故障樣本b中的數(shù)據(jù)，∧是取小運算，∨則是取大運算。

使用傳統(tǒng)的貼近度求取公式能夠獲得模糊集合的貼近程度如何，但在計算的過程中會有一些不足之處：利用式（1）在有的情況下得不到預想的結(jié)果，下面用兩組泵轉(zhuǎn)速標準故障數(shù)據(jù)舉例說明：

轉(zhuǎn)子不平衡振動 A=（1，0.8023，－0.027，0.5493，0.5556，0.4，－0.7059，0.631）；

轉(zhuǎn)子間不對中振動B=（－0.504，－0.6279，－0.9243，－0.5493，－0.5556，－1，1，－0.93）。

由貼近度的求取公式算得的兩組數(shù)據(jù)的貼近度是－1.18036，其結(jié)果不在貼近度的合理取值范圍內(nèi)，不能夠正確的診斷故障。所以為了減小傳統(tǒng)貼近度算法的失誤率，在本文中以模糊貼近度的原理為依據(jù)，再其基礎(chǔ)上結(jié)合了模糊數(shù)學的隸屬度概念，對以往的貼近度公式的不足之處做了相關(guān)修改，使得改進后的模糊貼近度對故障能夠達到更好的識別效果。

2　改進的貼近度

2.1隸屬函數(shù)的定義

隸屬函數(shù)的定義為：如果集合U的任一元素都有集合A中的1個數(shù)且元素唯一，即A（x）∈［0，1］和之相對應，那么集合A就稱之為集合U上的模糊集合，其中A（x）就是元素x對集合A的隸屬度［5］。當x在集合U中改變時，相應的A（x）也會改變，兩者之間就對應了一種函數(shù)關(guān)系，這種函數(shù)關(guān)系就稱為集合A的隸屬函數(shù)。A（x）越靠近1的時候，表明元素x是U元素的程可能性越大；相反，如果A（x）靠近0時，說明x為U中元素的可能性越小。所以其是用取值和區(qū)間［0，1］的隸屬度函數(shù)A（x）來表示x屬于集合U的程度高低。

2.2歸一化

隸屬度函數(shù)的選取好壞會直接關(guān)系到系統(tǒng)故障診斷時的準確性和穩(wěn)定性［6］。在故障診斷系統(tǒng)中，很多的潛在故障都是一些會在系統(tǒng)運行時，直接決定整個系統(tǒng)安全可靠運行的，其都會具有報警閥值，所以在進行隸屬度函數(shù)換算前要對潛在征兆數(shù)據(jù)做歸一化處理，即是對

樣本進行標準化，

在公式（2）中：x代表的是征兆數(shù)據(jù)偏離正常值的程度大小；v0是運行過程中不會導致報警的正常值，是經(jīng)運行過程所得；va是在運行過程中獲得的故障數(shù)據(jù)；vb則是參照標準值，是已經(jīng)經(jīng)過診斷的標準故障樣本值。

2.3隸屬度函數(shù)構(gòu)造

因為在鉆井平臺的故障診斷系統(tǒng)中，故障會存在偏離正常狀態(tài)值較大范圍或僅在正常值附近范圍變動，而且不同的故障對相應的征兆的密切程度也不相同，因此在本文中依據(jù)以上的條件和隸屬度函數(shù)的普遍適用性，再結(jié)合鉆井平臺上故障的特點，構(gòu)造了更加精確的隸屬度函數(shù)：

新構(gòu)造的隸屬度函數(shù)擁有兩個新的特點：第一點就是在x=0和x=1的時候函數(shù)的變化很小，而當x=0.5時函數(shù)變化程度很大，這就表示當故障征兆和正常值靠近時或者等于某個故障值的時候，其變化程度都比較小，函數(shù)的這種變化趨勢表明了鉆井平臺上設備的各部分故障征兆的波動情況，基于此，第一個特點對模糊模式的識別非常有利。另一個特點就是若x=0，u（x）=0，而x=1時，u（x）=1，構(gòu)造這種特點是使故障征兆能夠在正常值附近進行浮動變化。所以使用公式（3）的隸屬度函數(shù)轉(zhuǎn)換以后，可以使用不同的值來表示偏離正常值不同范圍的故障征兆［7］。

改進后的貼近度公式是根據(jù)距離型的模糊貼近度得到的，貼近程度是通過計算比較待測故障數(shù)據(jù)值與已知明確原因的故障數(shù)據(jù)值來確定的，在原則上采用了擇近原則，公式如下：

公式（4）中，n代表的是特征值的個數(shù)，u（j）代表第j個特征值的隸屬度值。

3　算例分析

轉(zhuǎn)子振動波形可以很好的表示鉆井泵機系統(tǒng)的工作情況，此外因為轉(zhuǎn)子振動波形的重要信號都可以從其波形上獲得，所以就直接的從波形圖上獲得其特征值為例計算其貼近度。如下的特征參數(shù)［8］：振幅（x0）、振動頻率（x1）、轉(zhuǎn)子相位角（x2）、上升沿寬度（x3）、波形寬度（x4）、最大余波寬度（x5）、波形面積（x6）、轉(zhuǎn)子轉(zhuǎn)速（x7），這些參數(shù)可以非常好的表明空氣壓力波形的特征，將這幾個特征值組合一個集合，即X（x0，x1，x2，x3，x4，x5，x6，x7）。

3.1診斷流程

在深水鉆井平臺上的故障診斷流程是在開始的時間段內(nèi)沒有故障數(shù)據(jù)出現(xiàn)的時候，工作人員在出現(xiàn)故障情況以后排查獲得故障原因后和故障特征值相對應，當生產(chǎn)過程中產(chǎn)生一定量的故障樣本以后，再使用模糊貼近度模型對生產(chǎn)設備的故障征兆進行判斷。

所以使用改進后的模糊貼近度診斷故障的流程圖如圖1。

3.2新舊貼近度比較

表1列出的是鉆井系統(tǒng)中泵機系統(tǒng)中的幾種普遍故障及其各自的特征值［8］，把采集到的潛在故障數(shù)據(jù)和這些特征值做貼近度的對比，能夠很好的對潛在的故障進行判斷。使用這5種樣本數(shù)據(jù)，分別通過傳統(tǒng)貼近度和改進后的貼近度公式計算，比較各自診斷的結(jié)果。

圖1　診斷流程圖Fig.1　Diagnostic flowchart

樣本1：轉(zhuǎn)子不平衡振動（1，1，－0.0703，0.7324，0.1111，0.8，－0.8824，0.5998）；

樣本2：轉(zhuǎn)子間不對中振動（1，－0.5698，－0.8595，0.7746，－0.3333，0.6，－0.4706，－0.0649）；

樣本3：泵轉(zhuǎn)子滑動軸承渦動（－0.632，－0.5349，－0.8811，－0.6761，－0.7778，－1，1，－0.93）；

樣本4：電機軸承磨損（0.232，－1，0.2216，0.1831，－0.1111，－0.2，－1，－0.3672）；

表1　故障及各特征各參數(shù)Tab.1　Faults and each characteristic parameters

樣本5：泵內(nèi)部轉(zhuǎn)子、定子之間相對摩擦（1，1，－0.3946，0.7465，－0.3333，0.6346，－0.8824，0.7532）；

在表2中貼近度1表達的是和轉(zhuǎn)子不平衡振動的相似度，貼近度2是與轉(zhuǎn)子間不對中振動的相似度，貼近度3，4，5類推。通過傳統(tǒng)和改進的兩個公式診斷的結(jié)果如下。

表2　傳統(tǒng)與改進貼近度計算結(jié)果Tab.2　Traditional and improved closeness calculation results

在表2中用下劃線標出了最大貼近度的數(shù)值，用來判斷故障類型。從表2中能夠得出，用傳統(tǒng)的方法沒辦法很好的診斷故障，其計算結(jié)果容易不在貼近度的取值范圍內(nèi)，有明顯的局限性，只可以得到一些變化小的數(shù)據(jù)。通過比較可以看出修改后的貼近度模型可以比較好地避開這種問題，可以對這些故障征兆數(shù)據(jù)進行比較好地分別，并且所得的結(jié)果和實際相符。在實際應用的過程中，除了對同一種故障進行識別還需要對不同類別的故障進行識別。下面對不同故障的識別進行分析。

轉(zhuǎn)子不平衡振動A=（1，1，－0.5243，0.6901，－0.1111，0.8，－0.7059，0.6736）；

轉(zhuǎn)子間不對中振動B=（－0.504，－0.6279，－0.9243，－0.549 3，－0.5556，－1，1，－0.93）：

通過傳統(tǒng)公式（1）算得貼近度δ=－1.28017不能正確辨別故障類型；

通過改進后公式（4）算得貼近度δ=0.30066，可以準確辨別故障類型。

而比較同一種故障兩組數(shù)據(jù)的貼近度如下：

轉(zhuǎn)子不平衡振動A=（1，1，－0.5243，0.6901，－0.1111，0.8，－0.7059，0.6736）；

轉(zhuǎn)子不平衡振動 B=（1，1，－0.0703，0.7324，0.1111，0.8，－0.882 4，0.5998）；

通過傳統(tǒng)公式（1）算得δ=0.726397，

通過改進后公式（4）算得δ=0.876867。從算得結(jié)果可以看出改進后的貼近度公式可以更加準確的辨別故障類型。

所以由上面的兩組數(shù)據(jù)對比可以看出，改進后的貼近度公式可以很好地識別不同的故障類型，還可以更加準確地辨別相同的故障類型。

依據(jù)模糊理論［9］來計算生產(chǎn)過程中實時測得的鉆井泵機系統(tǒng)的故障征兆數(shù)據(jù)與故障標準值之間的模糊貼近度，本文采用Labview編程來實現(xiàn)這個算法。在驗證這個算法的可用性時，需要使用已經(jīng)發(fā)生故障的大量樣本數(shù)據(jù)進行驗證。下面對鉆井泵系統(tǒng)中常見的五種故障各選其中的3組樣本進行驗證，計算結(jié)果如表3。

表3中5種故障樣本A，B，C，D，E分別對應的是轉(zhuǎn)子不平衡振動，轉(zhuǎn)子間不對中振動，泵轉(zhuǎn)子滑動軸承渦動，電機軸承磨損，泵內(nèi)部轉(zhuǎn)子、定子之間相對摩擦的故障樣本。在表中給出了經(jīng)過計算以后的最大貼近度值，經(jīng)過比較可以看到對故障的診斷結(jié)果和實際的泵系統(tǒng)故障情況相符度很接近，表明了改良以后的算法可以很好地辨別不同種類的故障，還可以更準確地辨別相同類別的故障。

表3　改進貼近度實例計算結(jié)果Tab.3　Improved nearness example calculation results

4　結(jié)　論

深水鉆井平臺具有系統(tǒng)復雜、功能多樣、工作環(huán)境惡劣等特點，容易導致設備出現(xiàn)故障，且故障診斷困難。本文針對平臺上重要設備鉆井泵機的特點，提出一種改進模糊貼近度算法并應用到深水鉆井泵系統(tǒng)故障診斷中，該方法對系統(tǒng)中實時監(jiān)測到的故障樣本可以準確快速的進行模糊模式的辨別，從試驗的結(jié)果可以得到，使用這種改進后的方法診斷故障得到的數(shù)據(jù)結(jié)果明顯優(yōu)于傳統(tǒng)的貼近度算法。同時，該方法可以方便的在基于Labview編寫的平臺上實現(xiàn)，所以在深水鉆井平臺上的故障診斷中有著很好的實用價值。

［1］爨瑩.基于灰色理論的抽油井泵功圖診斷技術(shù)研究［J］.微電子學與計算機，2005，22（3）：77-80.

［2］陳閣，馬云鵬，羅軍，等.鉆井泵主要故障診斷與分析［J］.甘肅科技，2009，25（17）：78-80.

［3］黃小龍，劉維亭.基于模糊貼近度的故障診斷［J］.科學技術(shù)與工程，2012，12（30）：8111-8115.

［4］Li Hongkun，Ma Xiaojiang，He Yong.Diesel Fault Diagnosis Technology Based on the theory of Fuzzy Neural Network Information Fusion，2003：1394-1410.

［5］眭志方，張冰，朱志宇，等.模糊聚類和模糊模式識別在目標識別中的應用［J］.電光與控制，2007（14）：35-38.

［6］R.Isermann，A.Schwarte.Fault Diagnosis of a Turbocharged Diesel Engine with Dynamic Neural Networks and Parity Methods.Intelligent Systems and Control.2004：446-451.

［7］黃勇.FFNN在柴油機燃油系統(tǒng)故障診斷中的應用［D］.大連：大連理工大學，2008.

［8］劉繼宗，時云霞.水泵故障檢測技術(shù)及應用實例研究［J］.中國科技博覽，2011（34）：99.

［9］王鵬，王婧，杜衛(wèi)東.減影提取焊縫缺陷算法［J］.西安工業(yè)大學學報，2013（10）：856-860.

Falut diagnosis of the deepwater drilling platform pump system based on improved fuzzy nearness algorithm

WEN Na，YANG Yi-fei
（School of Electronics and Information，Jiangsu University of Science and Technology，Zhenjiang 212003，China）

Becauase of the complex characteristics of the deep-water drilling platform monitoring environment in the deepwater，in order to improve the accuracy and effectiveness of rigs pumping system fault diagnosis，so this paper reseaches a method of fault diagnosis based on improved fuzzy nearness algorithm.The method improves the formula of the traditional fuzzy nearness.According to the principle of fuzzy nearness，combining fuzzy membership degree，this paper constructes a function model of fuzzy nearness.Experimental data showes that the improved algorithm is superior to the traditional algorithm of fuzzy nearness，and it can also achieve the fault diagnosis of the deepwater drilling pump system effectively.

fuzzy math；nearness；drilling pump；fault diagnosis

TN05

A

1674－6236（2016）03-0065-04

2015-03-18稿件編號：201503240

江蘇省產(chǎn)學研聯(lián)合創(chuàng)新資金資助項目（BY2013066-01）

溫 娜（1990—），女，江蘇睢寧人，碩士研究生。研究方向：海洋鉆井平臺系統(tǒng)監(jiān)測與控制，計算機控制與應用等。