基于邊際譜熵的鉆井振動篩故障診斷

，

(1.川慶鉆探工程有限公司 長慶鉆井總公司，西安 710021 ；2.川慶鉆探工程有限公司 國際工程公司，成都 610056)①

石油鉆井生產環境復雜惡劣，長期承受高強度負荷，安全生產一直是國家安全部門密切關注的問題。振動篩是鉆井石油勘探開發中重要的設備之一，是第一級鉆井液固相控制設備，對鉆井砂礫的清除起著重要作用，并盡最大限度回收高成本的鉆井液。振動篩類型主要分為單軸振動篩、多軸振動篩及雙振型振動篩[1-2]，可以實現圓振型、直線振型、橢圓振型、變直線、變橢圓或雙振型等振型。我國振動篩發展數十年，已取得一定成就，但是與國際先進水平比還有很大的進步空間。

振動篩的工作原理是通過激振器偏心旋轉使振篩振動來清除固相顆粒，一般工作在超共振點。在設備啟動階段，振動篩隨著電機轉速加大，振動頻率也逐漸加大，極易給固定設備造成磨損。在停機后設備存在慣性，振動篩逐漸減速后最后停止振動。在減速中達到共振頻率時，振動篩會發生劇烈振動，釋放巨大的沖擊力，振動篩本體和振動機構在強烈沖擊力作用下極易發生故障，增加維修費用甚至更換振動篩。此外，振動電機的啟動電壓是工頻電壓，較大的啟動電流會損害電氣設備。實際工程中，通常是多臺振動篩同時工作，啟停過程會產生較大電流沖擊電網。

目前，對鉆井振動篩的故障研究停留在技術改進、設備維修方法上，沒有針對性的診斷技術應用于振動篩的故障診斷[3]。本文將邊際譜熵理論應用于振動篩的故障中，提取振動篩的故障信號，計算信號的邊際譜熵作為特征量，送入到BP神經網絡進行樣本訓練，得到診斷結果，對及時發現振動篩的故障及解除安全隱患具有重要意義。

1 振動篩常見故障

本文以S250系列平動橢圓振動篩為例進行分析[4-5]。

1.1 篩網使用壽命短

1) 篩網與篩框貼合不緊。支撐篩網的膠條磨損，篩網不能繃緊以至不能與之可靠接觸。

2) 粘土堆積。當振動篩振幅很小時,鉆屑(粘土)的粘性力相對很大,聚合物難以通過鉆井液篩分,篩網上會有鉆屑堆積導致篩網加速損壞。

3) 電動機轉向錯誤。現場調試時容易將單軸振動篩或直線篩的使用經驗用于判別平動橢圓振動篩。單軸振動篩或直線篩的電動機轉向看鉆屑是否往前走，平動橢圓振動篩的電機轉向卻不適用。

4) 篩網質量差。當篩網下部受力層繃緊時，篩網上部的篩分層不能拉緊，鉆屑投擲力極大削弱，影響篩分和排屑。

1.2 跑漿

1) 鉆井液中固相含量高、黏度大、鉆屑分散。

2) 振動篩的振動力小、篩網目數高、篩網面積小。

3) 振動篩的進液口方向、位置安裝不正確。

1.3 電動機固定螺栓斷裂

螺栓預緊力不足導致振動過程中松動,或者緊固件強度不足、電動機底面和座板面之間有雜物所致。

1.4 電氣控制故障

1) 振動電動機的進線接口處電纜線擺動幅度大,內部的電纜線很容易斷,從外側看不到,用萬用表測電阻也由于虛接很難發現問題。

2) 電控箱過熱繼電器設置不合適,也會造成振動電動機雖啟動但經常跳閘。

3) 機械問題也會造成過熱繼電器動作,如電動機固定螺栓松動導致載荷不均衡、振動電動機的軸承出現故障。

1.5 篩箱側板開裂

電動機的旋轉方向和偏心塊的安裝方式不正確都有可能造成側板開裂。以正確方式運轉時,篩箱側板承受的力并不大,補焊開裂的部位便可以正常使用。

2 邊際譜熵理論

邊際譜理論來自希爾伯特黃變換(HHT)，具有處理非線性信號的能力，彌補了傅里葉變換的不足。邊際譜熵具有物理意義，這是其他信號處理方法不具有的優勢。HHT算法由經驗模態分解(EMD)和Hilbert變換組成。首先將非線性非平穩信號經驗模態EMD分解成固有模態函數(IMF)，IMF是一組表征信號特征時間尺度的函數；其次對各個IMF分量做Hilbert變換，計算瞬時頻率和瞬時幅值，進而得到Hilbert幅值譜和Hilbert邊際譜[6]。具體算法如下：

4) Hilbert譜。

5) 將H(fi，t)對時間積分得邊際譜。

3 BP神經網絡模型

BP神經網絡是人工神經網絡的一種，是目前應用最為廣泛、發展最為成熟、運算規則最為簡單、最易實現的一種人工神經網絡。有正向、反向兩個傳播過程，對非線性過程可微的多層前饋傳遞網絡[7-8]。

BP神經網絡是由輸入層、隱含層、輸出層構成。訓練過程包括前饋訓練、誤差反向修正。從輸入層開始依次向隱含層、輸出層計算，各層通過傳遞函數和權值連接，根據一定的學習規則，到達輸出層，輸出層會輸出一個誤差，沿原路依次修正各層權值，得到更為精確的輸出值。BP神經網絡原理如圖1所示。

圖1 BP神經網絡原理

數學模型為：

(1)

權值調節式為：

(2)

(3)

4 建模分析

振動篩的故障診斷流程如圖2所示。

圖2 振動篩故障診斷流程

特征值對于BP人工神經網絡模型的識別精度具有關鍵作用，本文將振動篩的加速度故障信號進行邊際譜熵分析[9-10]，求得所有樣本數據的邊際譜熵。訓練樣本集的大小影響BP神經網絡模型的識別能力，本文選取3種振動篩的加速度故障邊際譜熵數據[11]，每種故障數據樣本40組，每種類型選取20種作為訓練樣本，另外20組作為測試樣本。

BP神經網絡模型采用3層網絡，分別是輸入層、隱含層、輸出層，輸入層共計12個節點，每個節點對應一個振動篩的加速度。隱含層節點數取輸出層神經單元個數的3倍，本文輸出層神經單元取3，隱含層節點取9，故障類型歸為3類，因此輸出層選為9。正常狀態(0,0,0)，故障1(1,0,0)，故障2(0,1,0)，故障3(0,0,1)。隱含層傳遞函數選Tansig，輸出層傳遞函數選為Logsig，循環速率0.05，訓練次數5 000，訓練目標誤差0.000 01。訓練誤差如圖3所示。

圖3 訓練誤差曲線

對3種故障加速度信號20組樣本數據分別進行測試，故障1正確診斷17例，識別率達到85%；故障2正確診斷18例，識別率達到90%；故障3正確診斷19例，識別率高達95%。圖4是故障2的振動信號。部分訓練樣本、測試樣本的結果如表1所示。

圖4 故障2振動信號

由圖3～4識別結果分析，故障1振動篩加速度信號的邊際譜熵相對較低，振動信號信息相對簡單，說明機械損壞程度較輕；又因故障譜熵較小，有3例誤識別成正常信號。故障2振動篩加速度信號的邊際譜熵相對高，振動信號較為復雜，說明機械損壞程度較重；故障2的邊際譜熵均值較大所含范圍也較大，故障識別正確率有所提高。故障3振動篩加速度信號的邊際譜熵最高，振動信號最復雜，說明機械損壞程度最重；故障3的邊際譜熵最大，參數范圍均值在0.958 55，波動較小，識別率最高。

表1 部分訓練樣本、測試樣本識別結果

5 結論

信號處理方法診斷故障具有實時、準確的特性，邊際譜熵相比其他信號處理方法更具有物理意義。用邊際譜熵作為特征量，用人工神經網絡作為智能識別工具，成功實現了鉆井振動篩的故障診斷。故障準確率分別達到85%，90%，95%，總識別率為90%。是一種準確率較高，可靠性較高，簡單易于應用的振動篩故障診斷新方法。

診斷出振動篩的故障后，同時要做好預防措施。保證電路連接正確、調整合適的篩箱角度、設置合理的振動幅度、安裝篩網時保證適當的張緊力、振動篩累計工作60 d后對振動電動機上的軸承進行潤滑、振動電動機損壞后正確地更換。這樣就可以使振動篩達到最佳工作狀態,延長振動篩的使用壽命,從而提高固相控制水平。

[1] 王宏偉,劉軍,劉繼亮.國外新型鉆井振動篩研究進展[J].石油礦場機械,2011,40(3):72-76.

[2] 徐倩,鄧嶸,李艷萍,等.2種新型鉆井振動篩[J].石油礦場機械,2010,39(8):53-56.

[3] 朱曉梅, 洪黎, 田昌文, 等. 自適應振動篩自學習機理研究[J]. 石油礦場機械, 2011, 40(12): 16-20.

[4] 牟長青,王濤,侯召坡,等.振動篩現場問題及解決方法[J].石油機械,2009,37(4):67-69.

[5] 趙宣銘. 振動篩故障診斷技術的研究狀況探析[J]. 新技術新工藝, 2015 (2): 142-145.

[6] 尹洪梅.基于熵分析棒束通道氣液兩相流型識別及動力學特性分析[D].吉林： 東北電力大學,2017.

[7] 秦太龍, 時建峰, 程珩. BP 神經網絡在振動篩故障診斷中的應用[J]. 煤礦機電, 2008 (2): 42-43.

[8] 張鳳蕊, 王志奎. 基于小波遺傳神經網絡的大型直線振動篩故障診斷[J]. 煤礦機械, 2012, 33(9): 259-261.

[9] 魏文菲, 張春元, 常緒濤, 等. FTA 法在圓振動篩故障診斷中的應用研究[J]. 礦山機械, 2016, 44(7): 58-61.

[10] 李東, 周可法, 孫衛東, 等. BP 神經網絡和 SVM 在礦山環境評價中的應用分析[J]. 干旱區地理, 2015, 38(1): 128-134.

[11] 朱維兵,徐昌學,王進榮,等.鉆井液振動篩性能參數的虛擬測試系統[J].天然氣工業,2007(10):82-84.