復雜工況下油田機械設備運行狀態監測方法

摘 要 提出一種復雜工況下的油田機械設備運行狀態監測方法，采用EMD方法對油田機械設備的振動信號進行去噪處理，結合ITD算法提取油田機械設備振動信號幅頻特征，輸入Teager能量算子獲得振動信號幅頻特征，運用SOFM網絡分析該信號的幅頻特性，得到特征聚類結果，在此基礎上建立二叉樹支持向量機，將特征聚類結果輸入進去，完成油田機械設備運行狀態的監測識別。實驗結果表明，所提方法的監測性能良好，具有較高的監測效率。

關鍵詞 油田機械設備 運行狀態監測 振動信號幅頻特征 聚類分析 二叉樹支持向量機

中圖分類號 TE9? ?文獻標識碼 A? ?文章編號 0254?6094（2023）02?0169?06

為了提高石油資源的利用率，確保油田機械設備的安全穩定運行，需要加強油田機械設備的日常保養和狀態監測工作［1］。對機械設備進行狀態監測，可以獲得機械設備在運行狀態下的相關信息，歸類對比狀態監測數據，通過一定的技術手段，可以實現工程項目的利益最大化。同時，通過分析油田機械設備的狀態監測數據，了解機械設備的運行狀態，可以提前找出設備的故障原因［2，3］，從而制定解決方案并逐步排查安全隱患，從多個角度和層面保障油田機械設備的安全穩定運行。

胡杰等通過監測機械設備的運行狀態，獲取實時動態數據信息，用于分析當前設備狀態，同時利用k?means聚類算法構造獲取機械設備的健康矩陣，根據健康矩陣完成機械設備的運行狀態監測［4］，但是該方法存在監測準確率低的問題。張聰等通過多變量數據構建機械設備的耦合網絡關系，在此基礎上，建立自主性異常監測模型，提取機械設備運行狀態特征，將運行狀態特征輸入到多變量耦合網絡中，獲取機械設備的重建概率，并將其作為機械設備運行異常指標，完成機械設備的運行狀態監測，但是該方法存在監測狀態識別率低的問題［5］。劉偉鵬等通過奇異值分解方法獲取機械設備運行狀態的特征量，利用降維處理優化特征量構建特征矩陣，將該特征矩陣輸入到支持向量機中，分類處理機械設備運行狀態，實現監測，但是該方法存在監測檢索時間長的問題［6］。

為此，筆者提出復雜工況下油田機械設備運行狀態監測方法。其創新點是通過經驗模態分解（Empirical Mode Decomposition，EMD）方法對油田機械設備振動信號進行去噪處理，提取油田機械設備振動信號幅頻特征；然后運用自組織特征映射（Self?Organizing Feature Mapping，SOFM）網絡分析振動信號幅頻特性，得到特征聚類結果；最后建立二叉樹支持向量機，得到特征聚類結果，完成油田機械設備運行狀態的監測識別。

1 機械設備運行振動特征提取

油田機械設備的運行振動信號中存在大量噪聲，為了準確提取振動信號特征，需要對機械設備的振動信號進行去噪處理。采用EMD方法作為復雜工況下油田機械設備運行狀態監測方法，具體過程如下。

第1步。通過EMD非線性非平穩信號分解方法，將油田機械設備的振動信號u（t）分解成h個分量。

第2步。計算振動信號u（t）分量的Hurst指數，當分量對應的Hurst指數在0.5附近波動時，表明該分量為油田機械設備振動信號中存在的噪聲干擾，表示為：

由圖2可知，處于正常狀態時，油田機械設備振動信號的頻率較為平穩；處于早期故障時，油田機械設備信號的頻率有較小波動且不規律；處于嚴重故障時，油田機械設備振動信號的頻率起伏波動較大，振動也更為明顯。

將識別率作為運行設備監測指標，采用筆者所提方法、文獻［4］方法和文獻［5］方法展開狀態監測測試，得到識別率測試結果如圖3所示。

由圖3可知，筆者所提方法在3種運行狀態下識別率均在80%以上，明顯高于文獻［4］方法、文獻［5］方法的識別率，表明采用筆者所提方法得到的監測設備振動信號幅頻特征具有很好的監測識別功能。

采用筆者所提方法、文獻［4］方法和文獻［5］方法展開監測準確率測試，結果如圖4所示。

由圖4可知，文獻［4］方法與文獻［5］方法在機械設備運行狀態監測過程中的準確率較低，筆者所提方法與這兩種方法相比具有較高的準確率，這是因為筆者所提方法提取了油田機械設備振動信號的幅頻特征，并以此為依據對其狀態進行監測，從而大幅提升了監測結果的準確率，可見筆者所提方法具有很好的監測性能且適用于各類油田機械設備運行狀態的監測。

為進一步驗證筆者所提方法的有效性，對3種方法下的監測時間進行對比，結果如圖5所示。

由圖5可知，筆者所提方法每次迭代所用的監測時間都比前兩者短，表明筆者所提方法可在較短時間內完成油田機械設備的狀態監測，具有較高的監測效率。

4 結束語

針對現有油田機械設備運行狀態監測技術

手段及方法不夠完善的問題，筆者提出一種復雜工況下的油田機械設備運行狀態監測方法，該方法提取了振動信號的幅頻特征，展開分類識別，最終證實該方法具有準確率高、識別率高及監測效率高等優點，解決了傳統方法中的諸多問題，可以在復雜工況下開展機械運行設備的監測任務，對以后工程項目的運用提供了很好的設備基礎技術，保障了設備安全與工程安全。

參 考 文 獻

［1］ 穆錦標，穆繼亮，鄒杰，等.低功耗自供電機械設備狀態監測系統設計［J］.中北大學學報（自然科學版），2021，42（4）：355-360.

［2］ 何知義，邵海東，程軍圣，等.基于彈性核凸包張量機的機械設備熱成像故障診斷方法［J］.中國機械工程，2021，32（12）：1456-1461；1478.

［3］ 曹智軍.農業機械設備液壓元件故障診斷系統設計與應用［J］.農機化研究，2020，42（1）：255-260.

［4］ 胡杰，唐靜，謝仕義.基于實時動態基線的運行設備多元狀態估計方法［J］.熱力發電，2021，50（2）：125-131.

［5］ 張聰，朱永生，楊敏燕，等.采用多變量耦合網絡與變分圖自編碼器的機械設備異常檢測方法［J］.西安交通大學學報，2021，55（4）：20-28.

［6］ 劉偉鵬，張國鋼，劉亞魁，等.基于主成分分析和支持向量機的高壓斷路器機械狀態識別方法［J］.高壓電器，2020，56（9）：267-272；278.

［7］ 魯鐵定，錢文龍，賀小星，等.一種確定分界IMF分量的改進EMD方法［J］.大地測量與地球動力學，2020，40（7）：720-725.

［8］ 吳濤，熊新，吳建德，等.基于QH?ITD和AMCKD的滾動軸承故障診斷研究［J］.電子測量與儀器學報，2020，34（4）：79-89.

［9］ 楊小彬，裴艷宇，程虹銘，等.基于SOFM神經網絡模型的巖爆烈度等級預測方法［J］.巖石力學與工程學報，2021，40（S1）：2708-2715.

［10］ 李志明，唐永中.基于歐式距離的AES算法模板攻擊［J］.計算機工程與應用，2022，58（2）：110-115.

［11］ 鞏曉赟，張偉業，敬永杰，等.基于稀疏表示的軸承耦合故障振動特性分析及其特征提取［J］.機械傳動，2020，44（10）：38-43；54.

［12］ 黃豐喜，胡素黎，劉曉英.基于kmeans?SVM的二叉樹粗分類方法［J］.計算機與數字工程，2021，49（3）：506-509.

［13］ 趙紹東.基于機器學習的建筑能耗SVM模型降階分析與研究［J］.天津科技大學學報，2021，36（1）：56-61.

［14］ 聞輝，賈冬順，嚴濤，等.勢函數聚類的優化下采樣SVM分類方法［J］.計算機集成制造系統，2020，26（1）：152-160.

［15］ 李玉，宮學亮，趙泉華.基于張量徑向基核函數支持向量機的高光譜影像分類［J］.儀器儀表學報，2020，41（12）：253-262.

（收稿日期：2022-06-29，修回日期：2023-03-13）

Monitoring Method for Operating State of Oilfield?Machinery under Complex Working Conditions

DUAN Bing?hong

（SINOPEC Shengli Oilfield Company）

Abstract? ?A monitoring method for the operation status of oilfield machinery under complex working conditions was proposed， including having EMD method adopted to denoise vibration signals of oilfield machinery and the ITD algorithm combined to extract amplitude frequency characteristics of their vibration signals， and the Teager energy operator input to obtain amplitude frequency characteristics of the vibration signals as well as the SOFM network employed to analyze amplitude frequency characteristics of the signals so as to get feature clustering results. On this basis， the binary tree support vector machine was established and the feature clustering results were input to complete monitoring and identification of operating status. The experimental results show that， the method proposed has better monitoring performance and high efficiency.

Key words? ? oilfield machinery， operation status monitoring， vibration signal amplitude?frequency characteristics， cluster analysis， binary tree SVM

作者簡介：段秉紅（1981-），高級工程師，從事泛在油氣田設備智能化發展等相關方向的研究，duanbinghong.slyt@sinopec.com。

引用本文：段秉紅.復雜工況下油田機械設備運行狀態監測方法［J］.化工機械，2023，50（2）：169-174.