關于頂驅智能診斷的方法探討與趨勢分析＊

王洋紳，高 瀚，程騰飛，劉 增，任仲瑛

（北京石油機械有限公司，北京 102200）

頂驅對鉆井作業和井下安全起著至關重要的作用，由于鉆井狀況不可預測性和頂驅自身結構的復雜性，頂驅在作業時不可避免地會出現故障，輕則影響生產效率和鉆井工程的質量，重則可能造成鉆井事故和工作人員傷亡。頂驅造價高，維修費用動輒在幾萬甚至上百萬。另外，從鉆井行業的發展趨勢來看，頂驅已逐漸由單一產品銷售模式向產品、租賃、服務于一體的裝備可靠性銷售模式轉變，因此制定科學的頂驅維護策略，對頂驅的使用、維修管理等進行指導具有重要的意義[1]。

目前，頂驅的前期維護方式包括2大類：其一為出現故障后采取的事后維護，是一種無計劃性的被動維修方式；另一方式為保持頂驅良好運轉狀態的預防性維護。預防維護是目前頂驅采用的主要維護方式，主要依靠專業人員的經驗制定維護策略[2-8]，該方式對專業人員的要求高，維護模式定制化強而適用性范圍低，且容易使頂驅欠維護或過度維護，增加不必要的維護成本。

因此，通過分析頂驅部件，如電機、齒輪箱、軸承等的狀況或監測其運行指標，獲取其運行狀況的各類信息，結合一定的診斷方法判斷頂驅部件是否正常，以確定是否檢修并安排合理的檢修計劃。這樣不僅能及時安排修理，減少突發性故障停機造成的經濟損失，還能降低過剩維修產生的不必要的維護費用。

自故障診斷技術概念被提出以來，已經產生了許多卓有成效的狀態監測和故障診斷方法，但頂驅的狀態監測與故障診斷技術卻尚未成熟，技術應用較少。本文在總結已有研究成果的基礎上，以頂驅及其部件為故障診斷對象，較為詳細地闡述了各類診斷方法的研究現狀及其優缺點，并結合當前現狀探討了頂驅故障診斷技術的發展趨勢。頂驅故障診斷方法如圖1所示。

圖1 頂驅故障診斷方法

1 頂驅定性故障診斷方法

基于定性經驗的頂驅故障診斷是一種利用不完備先驗知識描述系統功能結構，并建立定性模型實現故障診斷過程的方法，包括故障樹分析（Fault TreeAnalysis，FTA）、專家系統（Expert System，ES）等[9]。

1.1 故障樹分析

FTA在系統設計過程中，通過對可能造成系統故障的各種因素進行分析，確定系統故障原因的各種組合方式及其發生概率，計算系統故障概率，以采取相應的糾正措施，提高系統可靠性。FTA是一種評價復雜系統可靠性與安全性的重要方法，它既可用于定性分析，又可以定量計算復雜系統發生事故的概率，為改善和評價系統可靠性提供了依據。

王永勤等[10-11]利用FAT方法原理，繪制出頂驅的故障樹，然后對故障樹進行了定性定量分析。張毅[12]通過頂驅故障樹的定性和定量分析，得出頂驅故障原因多為磨損、腐蝕、強度不夠或者過載等。蔣愛國[13]將頂驅故障分為機械故障、電氣故障和液壓故障3種，并繪制簡單的故障樹，用以鋪墊頂驅機械故障數字化監測診斷的重要性。

1.2 專家系統

運用專家在頂驅故障維護領域積累的有效經驗和專業知識建立知識庫，并通過計算機模擬專家思維過程，對信息知識進行推理和決策以得到診斷結果。

霍連才[14]通過建立專家系統的事實庫和各機構的規則庫，編制了頂驅故障診斷專家系統?；暨B才等[15]用產生式規則，對ⅤARCOTDS-11SA頂驅建立了規則庫，構建了專家系統的知識庫。

2 頂驅定量故障診斷方法

2.1 振動信號

設備發生故障的主要特征是伴有異常的振動和噪聲，頂驅齒輪箱齒輪、頂驅主軸、主軸承及頂驅電機振動加劇往往伴隨著機械部件工作狀態不正常乃至失效，有60%以上的機械故障都是振動反映出來的。振動檢測法有著其獨特的優勢，包括：①振動信號的變化能夠實時反映設備的運行狀況，具有時效性；②振動信號較容易獲取，信號采集設備的布置不會影響設備的結構設計；③振動信號的變化與設備狀態有著直接的聯系，同一故障模式引起的振動變化相對固定，易于在同一領域內進行推廣研究，其普適性較強。因此，通過一定的設備與技術對頂驅部件的振動信號進行監測和分析，自然就可以診斷出頂驅部件的故障[16]。

2.1.1 基于數據驅動的故障診斷

振動信號的時域、頻域、時頻域3類分析方法，均是從振動信號中提取出有效的特征向量用于故障診斷。

2.1.1.1 時域信號分析方法

時域信號分析方法是從原始振動信號中提取如周期、峰值、平均值和標準差等特征量，此外，還可提取高階時域特征，例如均方根、偏斜度、峰度、波峰因子、脈沖因子、裕度因子、峭度指標、均方根值等。

2.1.1.2 頻域信號分析方法

頻域信號分析方法是從原始信號中提取其頻譜來進行故障診斷，常用的方法有幅值譜、包絡譜、細化譜、倒頻譜、高階譜和全息譜分析等[17]。信號的頻譜能夠描述信號在頻率域內的分布情況，因此其能夠更加明確地反映原始信號中所包含的不同頻率信息。倒頻譜分析在信號頻譜圖出現多族邊頻時，可以識別出故障頻率[18]。

謝敬軍[16]和張堯等[19]通過對頂驅軸承進行實驗分析，得出了頂驅軸承故障信號具有變頻特征以及損傷點的沖擊呈現非周期性特點，軸承共振頻率和共振信號振幅會隨著傳動滾動軸承的轉速變化而變化的結論。管森森[20]則給出了齒輪箱的信號處理方法，并開發基于振動信號分析的齒輪箱故障診斷系統。

2.1.1.3 時頻域信號分析方法

將時域方法與頻域中時間的尺度變換相結合，可實現對信號的全面分析。因此，對于頂驅振動非線性與非平穩振動信號的分析和處理，需要通過時頻域分析方法，對非平穩振動信號進行描述。常見的頂驅時頻域分析方法有小波分析、經驗模態分解（EMD）、短時傅里葉變換和共振稀疏分解等。

小波分析利用其良好的時頻局部化特性，可以將分析的重點集中到信號的任意細節部分上，由于其多分辨率特性適合用于非線性和非平穩信號的分析，因此在旋轉機械故障診斷中有著突出的應用。EMD能夠將信號自適應分解成若干個本征模態函數，由于EMD方法具有良好的自適應性，因此在機械故障診斷領域獲得了廣泛的關注和應用。賀文杰[21]基于齒輪箱故障振動信號所表現的非線性非平穩特征對齒輪箱中采集的振動信號作小波包分解，同時選取特定頻帶的小波重構信號應用變換進行了分析，得到經驗模態分解過程和一系列本征模態函數，結合Hilbert變換，提取故障特征頻率，有效地識別了齒輪箱中齒輪裂紋的不同故障模式。蔣愛國[13]針對齒輪箱故障信號的持續振蕩性和軸承故障信號的瞬態性，采用共振稀疏分解對原始信號進行處理，利用最小熵反褶積變換加強沖擊分量，提取出軸承的頻率特征信息，完成齒輪箱中齒輪與軸承的診斷。原始振動信號經EEMD分解可以得到不同尺度下的本征模態分量，這些及其頻域信息的均值、方差、峰度、偏度等統計特征常被用來構造故障診斷模型的原始特征空間，進而實現對故障特征的分類[22]。

2.1.2 基于人工智能的故障診斷

人工智能是通過模擬人的思維決策來實現人的行為的一種機器學習技術，人工智能算法僅依據歷史數據和實時數據，通過教計算機如何學習、推理和決策等，就可以判斷機械設備當前的狀態[23]。由于故障類型和故障征兆之間存在復雜的映射關系，所以基于人工智能的故障診斷技術較為適用[24]。目前，以神經網絡、支持向量機及其他機器學習為代表的人工智能算法得到了廣泛的關注和研究，并應用于機械設備的故障診斷。此外，深度學習方法作為深層機器學習模型，在機械故障的研究中應用越來越廣泛。

人工神經網絡是一種模擬人腦思維的分類模型，利用多個神經元及其邊的權值進行輸入到輸出的映射。MURUGANATHAM等[25]使用奇異值分解和前饋反向傳播神經網絡來診斷滾動軸承不同尺寸的不同故障，選取適當的奇異值作為單隱藏層BPNN的輸入特征集。SOUALHI等[26]結合Hilbert-Huang變換、SⅤM和支持向量回歸用于滾動軸承的退化檢測，實現故障識別和剩余使用壽命預測。SAIDI等[27]提出了一種新的結合高階光譜分析和SⅤM的滾動軸承故障診斷方法，得到原始特征向量集，結合PCA應用SⅤM模型實現滾動軸承的故障診斷。俞嘯[22]建立基于DBN的故障狀態識別模型，提高模式識別方法對特征空間的適應能力，形成了完整的基于數據驅動的滾動軸承故障特征分析。王宇等[28]利用混合蛙跳算法對BP神經網絡進行優化，應用于滾動軸承故障診斷并取得了較好的效果。

2.2 溫度分析法

頂驅的電機、齒輪箱、軸承等部件在強烈的沖擊和摩擦條件下工作，因此溫度也是反映其某些部位狀態變化的敏感因子。溫度監測對軸承負荷、速度和潤滑情況的變化反應比較敏感，尤其是對潤滑不良而引起的軸承過熱現象很敏感，所以用于這種場合比較有效。

2.3 電機電流分析法

電機電流分析法適用于電機作為動力源的頂驅，當頂驅發生機械故障時，其轉子上所感受到的機械故障信息會轉化為電信號反映到定子電流上來，使定子的電流波形產生畸變，對其進行包絡處理，剔除工頻信號，即可進行故障分析。楊明等[29]以定子電流作為齒輪故障診斷的切入點，降低了硬件方面的要求。

2.4 油液分析法

油液分析是從潤滑油中提取信息，從而對齒輪箱內磨損與潤滑情況進行監測，是一種比較理想的輔助手段，主要包括油品理化性能分析技術（監測潤滑油受污染和質量狀況）、潤滑油中所含磨粒的鐵譜分析技術以及潤滑油料中磨粒成分的光譜分析技術（監視各摩擦副的磨損狀況）。

3 優缺點分析

頂驅是集機、電、液為一體的復雜系統，且其回轉振動信號具有低頻、非線性和非平穩性等特點。根據頂驅自身的特性，分析各故障診斷方法應用于頂驅系統的優缺點，如表1所示。

表1 故障診斷方法應用于頂驅優缺點分析

4 結論

目前針對頂驅的故障診斷方法的應用較少，研究還未普遍且發展較為緩慢。本文對現有的頂驅及齒輪箱、軸承的故障診斷方法進行了歸納總結，在此基礎上，對其應用于頂驅的優缺點進行了分析比較，給出了應用于頂驅故障診斷方法的理論指導。

頂驅的故障診斷方法的應用及研究具有重要的意義。根據研究現狀分析可得其熱點和趨勢為：①多參數信息融合的故障診斷方向，頂驅的系統是多元化的復雜系統，需要研究故障診斷方法實現對耦合故障的診斷；②早期故障還未表現出癥狀，可通過故障診斷技術進行數據挖掘，預測信號演變趨勢，提前進行故障預測或剩余壽命評估，實現預失效分析；③遠程故障診斷是頂驅運行管理的一個必要趨勢，通過遠程的數據傳輸和診斷結果分析，指導現場頂驅的管理和維護。