基于小波包和BP神經網絡的潛油直驅螺桿泵系統故障診斷

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)

基于小波包和BP神經網絡的潛油直驅螺桿泵系統故障診斷

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螺桿泵系統故障，提出了一種基于小波包和BP神經網絡的螺桿泵系統故障診斷方法。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神經網絡進行訓練，實現了智能化故障診斷。仿真結果表明： 訓練的BP網絡能很好地診斷潛油直驅螺桿泵系統的故障。

故障診斷 小波包 BP神經網絡 螺桿泵

潛油直驅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，電機通過柔性聯軸器直接驅動螺桿泵轉子轉動，井液經過螺桿泵增壓后，被舉升到地面。潛油直驅螺桿泵采油技術解決了有桿泵的桿管偏磨問題，螺桿泵采油系統安全可靠、運行平穩、結構簡單、操作方便，具有廣泛的應用前景[1]。然而潛油直驅螺桿泵機組部件多且關聯性強，再加上復雜多變的地質結構和井況條件，導致使用過程中故障率較高。潛油直驅螺桿泵系統一旦出現故障，不僅需要花費高昂的作業費和修理費，而且會造成油層工作失調，給油田開發、生產帶來嚴重影響。因此，開展潛油直驅螺桿泵系統的故障診斷研究，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展，人工神經網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點在故障診斷系統得到了廣泛的應用[2]。但該方法診斷的準確性在很大程度上依賴于樣本的質量，需要大量樣本數據的支持。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，求出各頻段內對應的故障特征。文中利用小波包在特征提取上的優勢和神經網絡的優點，提出一種基于小波包和BP神經網絡的螺桿泵系統故障診斷方法。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神經網絡分類器，能很好地診斷潛油直驅螺桿泵系統的故障。

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，其中節點(i,j)表示第i層第j個節點(i=0, 1, 2, 3;j=0, 1, 2, 3, 4, 5, 6, 7)，每個節點代表一定的信號特征，如節點(0, 0)代表原始信號，節點(1, 0)代表小波包分解的第1層低頻系數，節點(1, 1)代表小波包分解的第1層高頻系數，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；d[k],d[l]——均為小波包系數；i——層數；j——節點數。

1.2 能量特征提取

不同的信號其特征不同，區別表現為特征矢量之間的差別，因而信號區分的首要任務是進行特征提取[5]。將能夠充分表現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。

在潛油直驅螺桿泵系統故障診斷技術中，有功功率信號可全面反映螺桿泵系統的泵況，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的故障特征向量[6]。頻帶能量可以由小波包分解系數來求取，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。對經過步驟1)之后得到的8個頻帶系數利用式(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。

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神經網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。將輸入的樣本數據變換到區間[0, 1]后，節點反應敏感，BP神經網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神經網絡和故障診斷

2.1 BP神經網絡

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

圖2 BP網絡結構示意

BP網絡算法的基本工作原理： 將輸入樣本從輸入層輸入，經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，再按使網絡輸出層的誤差平方和達到最小的目標，通過連續不斷地在相對于誤差函數斜率下降的方向上計算網絡的連接權值和閾值而逐漸逼近目標。經過訓練的BP神經網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神經網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神經網絡的輸入樣本，同時給出相應的期望輸出。

2) 網絡結構的確定。文中選用3層BP神經網絡中的隱含層、輸入層和輸出層神經元個數有近似關系：

(7)

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

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神經網絡，調整網絡結構和訓練參數，求收斂速度與所得誤差性能相對滿意的網絡。

4) 利用建立的神經網絡進行故障診斷。

3 仿真實驗

對潛油直驅螺桿泵系統主要故障形式進行統計，確定其6種工作狀態編碼，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神經網絡的輸出層節點數為6。

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

按照2.2節中所述步驟利用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神經網絡，同時儲存訓練好的網絡，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神經網絡。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。結果證明： 利用小波包分析能夠有效提取故障特征向量，并且經過訓練的BP神經網絡確實能夠對潛油直驅螺桿泵系統故障狀態做出準確的診斷分類。經過多次試驗，正確率達91.47%。

4 結束語

針對潛油直驅螺桿泵系統故障診斷問題，筆者從小波包變換和神經網絡的角度出發，提出了一種較為新穎的基于小波包及BP神經網絡潛油直驅螺桿泵系統故障診斷方法。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神經網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神經網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[M].北京： 電子工業出版社，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.基于小波包和神經網絡的電力輸電線故障診斷研究[J].數據采集與處理，2004，19(04)： 411-416.

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

[7] 李增亮，王慶楠，李成平，等.BP網絡在液壓驅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機械振動測試系統[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神經網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年畢業于中國石油大學(北京)油氣田開發專業，獲碩士學位，現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。