基于1D-CNN的油田注水泵振動故障智能診斷及應用

摘 要 針對油田無人值守站點注水泵故障智能診斷的問題，提出了一種基于一維卷積神經網絡（1D-CNN）的振動信號故障診斷模型。利用1D-CNN對時域信號特征進行提取和重組，將重組信號作為故障診斷模型的輸入并進行故障分類。研究結果表明，基于1D-CNN的故障診斷模型對現場故障信號的識別精確率達97.00%，表明該模型能有效診斷注水泵關鍵部件的故障，保障油田生產安全和經濟效益。

關鍵詞 振動故障 故障診斷 1D-CNN 注水泵 油田

中圖分類號 TP18" "文獻標志碼 B" "文章編號 1000-3932（2024）06-1095-06

為了保持油層壓力并降低原油遞減率，需要對油田進行注水驅油，其中注水泵是油田注水的關鍵設備，其穩定性和可靠性對油田的生產效率及安全運營具有重要影響。在役的高壓往復式注水泵易受到介質腐蝕、磨損和振動沖擊的作用而逐漸失效。故障發源地主要集中在柱塞、十字頭和軸承部件，關鍵的故障模式包括缸套及閥座刺漏、齒輪斷裂、主螺栓斷裂和零部件磨損間隙過大［1］。對注水泵進行故障診斷具有重要意義和應用價值［2］。

傳統的故障診斷方法，如振動分析、聲發射技術及紅外熱成像等，已被廣泛應用于各種工業設備的維護和故障預測中［3］。然而，這些傳統方法往往存在一些局限性，如對專業知識要求高、診斷效率不足及無法實現實時監測等［4］。近年來，隨著人工智能和大數據技術的飛速發展，機器學習，尤其是深度學習技術在故障診斷領域得到了廣泛應用［5］。卷積神經網絡（CNN）作為深度學習的一種重要算法，因其在圖像處理、語音識別等領域的卓越表現而備受關注。近期的研究表明，CNN也可以有效應用于機械設備的振動數據分析和故障診斷中，并顯示出比傳統方法更高的診斷精度和效率［6，7］。根據處理信號的維度，CNN分為1D-CNN、2D-CNN和3D-CNN，其中1D-CNN主要用于處理序列類的數據，2D-CNN常應用于識別圖像類文件，3D-CNN主要用于醫學領域內的圖像識別。

在注水泵機組系統中，注水泵的軸承和柱塞振動部件是振動監測和故障識別的重點。筆者提出一種基于1D-CNN的注水泵振動故障智能診斷模型，并在工程振動信號診斷中進行了應用。與傳統的故障診斷方法相比，基于1D-CNN的故障診斷模型能夠更有效地處理和分析大量含高頻噪聲的振動數據，實現對注水泵故障的快速、準確診斷，顯著提高故障預測的時效性和準確性。

1 基于1D-CNN的振動信號故障診斷模型

1.1 卷積神經網絡

卷積神經網絡一般由輸入層、卷積層、池化層、全連接層和輸出層組成，其內部通過梯度下降算法最小化損失函數對網絡的權重進行反向調節，同時不斷迭代訓練來提高網絡的精度。其中輸入層是輸入信號，輸出層是結果輸出。

卷積層由多個卷積核組成，卷積核的數量根據數據特點和模型結構進行人為設定或優化確定。卷積核運算是將核函數與局部序列數據進行運算，從而實現系列數據的特征提取與降維處理，數學公式如下［8］：

X■■=b■■+■X■■？鄢w■■" " " （1）

其中，X■■是第l層的第j個特征輸出，M■是第l層第j個卷積區域，w■■是第l層第i個卷積核的第j個權重值，b■■是第l-1層的第j個偏置，？鄢代表卷積運算。

在卷積層后一般需設置池化層，它由多個特征面組成，且一一對應于上一卷積層輸出的特征面。通過人為設定的“窗口”大小對局部池化層進行下采樣，池化層不改變特征面的數量，但會根據“窗口”大小縮小特征面的大小。常用的池化方法有最大池化、均值池化等，最大池化運算的數學描述為［8］：

P■■（j）=■{q■■（t）}" " "（2）

其中，q■■（t）是第l層第i個特征中第t個神經元的值；W是池化區域的池化尺寸；P■■（j）是池化后第l+1層神經元的值。

全連接層一般位于池化層后，用于特征的再次提取與匯總，該層的每一個神經元均與上一層的所有神經元連接并對提取的特征進行組合，然后映射到樣本標記空間，最后使用softmax分類器輸出最終分類結果。softmax分類過程的數學模型為［8］：

y■=softmax（Z■）=■" " " （3）

其中，M是類別總數；y■是樣本的分類值；Z■是第j個神經元的節點值。

1.2 基于1D-CNN的振動信號故障診斷模型

針對采集的含噪聲振動信號，建立一種包含6層且每層包括卷積、激活、池化和正則化的卷積層網絡結構，用于提取振動時域信號的特征，如圖1所示。其中卷積層能夠捕捉到局部特征，而池化層則用于降低特征維度，提高計算效率，通過這些層的疊加，模型能夠學習到振動信號中的復雜模式，并用于故障診斷。為了提高模型的泛化能力和減少過擬合的風險，特在訓練過程中采用了Dropout［9］正則化，以便提高模型的魯棒性，使模型在面對未知的故障數據時，仍能保持穩定和高效的診斷性能。

利用現場采集的振動信號對模型進行訓練。在訓練過程中，采用了交叉驗證的方法來優化模型參數。模型預測的結果可以分為以下4種情況：

a. 將真實的正例預測為正例，被稱為真正例（True Positive，TP）；

b. 將真實的正例預測為反例，被稱為假反例（False Negative，FN）；

c. 將真實的反例預測為正例，被稱為假正例（False Positive，FP）；

d. 將真實的反例預測為反例，被稱為真反例（True Negative，TN）。

基于這4種情況的案例數量，計算出精確率、召回率和F1分數來評估模型的性能，方法如下：

精確率 P=■" " " "（4）

召回率 R=■" " " （5）

綜合判斷指標 F-Measure=■" （6）

當參數a=1時即為F1分數。

2 油田注水泵振動監測及故障診斷

油田注水泵的故障模式復雜，目前基于振動的故障診斷技術還不成熟。基于頻譜分析的故障診斷技術更適用于回轉設備，對液力端的柱塞子系統故障診斷不起作用。因此，在現有的振動監測及故障診斷系統的基礎上，增加基于1D-CNN的故障智能診斷模塊，可以彌補現場故障診斷能力的不足，也為后續人工智能故障診斷技術推廣應用提供參考。

2.1 油田注水泵振動監測及故障診斷系統

某采油廠化6轉油站內共有6臺注水泵機組，在1#注水泵上安裝了振動監測及故障診斷系統，系統結構示意圖如圖2所示。系統包括硬件子系統（振動監測模塊）和軟件子系統（數據存儲與預處理、人工智能分析、故障預警及SCADA上報）兩大部分。

振動監測模塊主要對振動信號進行采集、放大和數模轉換，轉換成數字信號數據存入InfluxDB數據庫中，可以調用傳統的頻譜分析方法對振動信號進行預診斷，初步評判是否進入故障狀態。對于復雜的故障，利用人工智能模塊（1D-CNN診斷模型）進行故障識別，確認故障后進行預警，通過SCADA接口將預警信號傳輸到遠程控制室，為后續維修和應急提供支撐。

基于減少信號衰減、盡可能避免各測點之間信號干擾以及測點盡可能貼近待測部件的原則，將5個加速度傳感器安裝到往復注水泵的缸蓋上，將其余3個加速度傳感器安裝于曲軸箱主軸處相互垂直的3個方向上，振動探頭布置位置如圖3所示。振動探頭全部采用壓電式加速度傳感器，監測頻率范圍為0.5～9 000 Hz（±1 dB），振幅非線性在±1%之間；橫向靈敏度比不大于5%。采用8通道的數據采集器匯總加速度傳感器的數據，其最大采樣頻率256 kHz，動態測量范圍為±80g。在本文研究中，振動采樣頻率為5 120 Hz。

2.2 振動信號故障分析

2023年10月中旬監測系統發現注水泵缸蓋上某些探頭回傳振動信號異常，其時域、頻域信號和正常工況下的信號有明顯區別，如圖4所示。可以看出，振動異常信號在低頻處有明顯的振動分量（圖4d），加速度最大幅值明顯升高（圖4b），在一個往復周期內，振動信號具有前半程劇烈、后半程衰減的特點（圖4b）。結合回注壓力的變化，初步判定故障與柱塞注入過程有關。

經過現場專家評判后認為該注水泵進入故障狀態，需要進行拆修，拆修結果表明是2#排液閥閥蓋出現貫穿性裂紋（圖5），導致柱塞過程液體發生泄漏引起劇烈振動。

當前未見公開的注水泵振動故障數據集，故利用振動監測系統采集到的故障數據和正常振動作為1D-CNN智能診斷模型的訓練集，訓練好的模型可用于后續同類型故障診斷。隨著注水泵故障次數增多，數據集還可以持續擴大，可實現診斷的故障類型也越多。

2.3 基于1D-CNN的振動信號故障診斷

直接采用頻譜分析對注水泵故障進行診斷，存在判據復雜、精確率低的問題，因此筆者采用1D-CNN對故障信號進行診斷，彌補現有監測系統故障診斷能力的不足。

首先，對正常和故障狀態下的注水泵振動數據按800 ms間隔取樣，建立包含2 400個樣本的數據集，對樣本進行狀態標記后，開始訓練1D-CNN診斷網絡，并按照5折交叉比例進行驗證，將訓練和測試結果與另一種序列數據分析方法（LSTM模型［10］）進行對比，兩種模型的預測精確率對比如圖6所示。可以看出，經過10個周期后，兩種模型在測試集上的預測精確率都達到0.8以上，性能優越，其中1D-CNN在訓練集和測試集上都有優良的表現，相較于LSTM模型具有更穩定的預測性能。

模型訓練結束后使用測試集數據對模型進行測試，預測結果見表1、2。

實驗結果表明，基于1D-CNN的故障診斷方法表現出優越的性能，精確率達97.00%，預測結果優于LSTM模型，可以用于油田注水泵振動故障診斷中。

3 結束語

圍繞油田注水泵故障診斷缺乏智能診斷方法的問題，提出了一種基于1D-CNN的振動信號故障診斷模型，并在工程中進行應用。注水泵的故障模式復雜，采用傳統的頻譜分析方法進行診斷，建立評判依據復雜，而且適應性差。采用基于1D-CNN的故障診斷模型能有效地提取故障特征，故障診斷和識別精確率高。在現場振動信號故障診斷中，基于1D-CNN的故障診斷模型預測精確率達97.00%，性能優越，可以支持無人值守轉油站注水泵的智能運維，保障油田的安全、高效生產。

參 考 文 獻

［1］ 李建鵬，盛擁軍，張艷秋，等.油田注水系統泵常見故障分類淺析［J］.石油和化工設備，2021，24（7）：120-121.

［2］ 李進.基于振動監測的石油平臺注水泵故障診斷分析［J］.北京石油化工學院學報，2017，25（2）：45-47.

［3］ 黃新波，許艷輝，朱永燦.基于混合分類器的高壓斷路器故障診斷［J］.高壓電器，2022，58（10）：149-157.

［4］ 林江剛，胡正新，李晶，等.基于AE信號與VMD的滾動軸承故障診斷研究［J］.燃氣輪機技術，2018，31（3）：34-38.

［5］ LEI Y G，YANG B，JIANG X W，et al.Applications of machine learning to machine fault diagnosis：A review and roadmap［J］.Mechanical Systems and Signal Processing，2020（138）：106587-106598.

［6］ 王應晨，段修生.深度學習融合模型在機械故障診斷中的應用［J］.振動.測試與診斷，2019，39（6）：1271-1276；1363-1364.

［7］ 李彥夫，韓特.基于深度學習的工業裝備PHM研究綜述［J］.振動.測試與診斷，2022，42（5）：835-847；1029.

［8］ 蔣麗英，劉桂金，崔建國，等.基于1D-CNN的齒輪3D振動信號故障診斷方法［J］.沈陽航空航天大學學報，2023，40（4）：25-31.

［9］ 陳偉，王復淞，郭婧，等.基于Dropout-多尺度空洞卷積神經網絡的軸承故障診斷［J］.機電工程，2023，40（5）：644-654.

［10］ 王子凡，張健飛.一種基于LSTM循環神經網絡和振動測試的結構損傷檢測方法［J］.噪聲與振動控制，2021，41（5）：127-133.

（收稿日期：2023-12-26，修回日期：2024-09-22）

Intelligent Vibration Signal Fault Diagnosis and Application of Oilfield Water Injection Pumps Based on 1D-CNN

WEI Cheng1， HU Zhi-cai1， LI Zhou-jian1， LI Zhi-wei1， CHEN Jian-gong1，ZHAO Yi-fan2， HU Hai-jun2

（1. No.4 Oil Production Plant of Changqing Oilfield； 2. School of Chemical Engineering and Technology， Xi’an Jiaotong University）

Abstract" "Aiming at the intelligent fault diagnosis of water injection pumps at unattended sites of the oilfield， a vibration signal fault diagnosis model based on one-dimensional convolutional neural network （1D-CNN） was proposed， including making use of 1D-CNN extract and recombine the time-domain signal features， and then having the recombined signal used as the input of the fault diagnosis model and having the fault classified. The research results show that， the fault diagnosis model based on 1D-CNN has an accuracy rate of 97.00 % on the field fault signal recognition， and it indicates that this model can effectively diagnose the fault of the key components of the injection pump and ensure both production safety and economic benefits of the oilfield.

Key words" "vibration signal fault， fault diagnosis， 1D-CNN， water injection pump， oilfield