特深井鉆機關鍵設備預測性維護探索與實踐

文章編號：1001-3482（2025）04-0001-08

Exploration and Practice of Predictive Maintenance for Key Equipment of DrillingRigsinUltra-DeepWells

ZHANG Zengnian 1，TAO Yun 2， JIANG Yuhong2， ZHANG Hong 1， XU Jiaxiong 1， MENG Jun'，GUO Maolei 2，WANG Junpu 1 （1.Chuanqing Drilling Engineering Co.， Ltd.， Chengdu 61Oo51， China; 2.Chuanxi Drilling Company，ChuanqingDrilling Co.，Ltd.，Chengdu 61oo51，China）

Abstract：To facilitate eficient exploration and development of deep and ultra -deep oil and gas resources，timely and effective equipment maintenance is essential to ensure the safetyand reliability of oil and gas extraction.Moreover，it is urgent to establish an online monitoring and predictive maintenance system for the automated drilling rig in ultra - deep well.By taking the automated drilling rig in the SDCK-1 ultra -deep well as the research objective，firstly，an equipment information system was established using the EISC platform to collect and statistically analyze the service life of vulnerable parts of the target equipment. Then，real-time operating status data collected from the status monitoring model， fault prediction model，and vulnerable parts were exchanged toachieve monitoring of wellhead load，winch operation，drilling pump operation，and top drive vibration.Through practical application in the SDCK-1 well， the equipment failure rate has decreased by 80% ，and theunplanned shutdown maintenance rateis O.The application effect is good，proving the effectiveness of the method.

Key words： drilling rig in ultra-deep well; predictive maintenance; online monitoring; preventive maintenance

我國深層超深層油氣資源豐富、潛力大，高效開發深層超深層油氣資源是實現我國能源接替戰略調整的必然選擇，也是未來油氣勘探增儲上產的重點和熱點[1-4]。特深井鉆機作深層超深層油氣開采的主力設備，其頂驅、鉆井泵等關鍵設備面臨著超大鉤載、超高泵壓、超大排量、高頻振動等挑戰，設備安全運行和維護保障問題矛盾突出，及時開展設備維護是確保鉆機運行連續性、安全性、可靠性的重要手段之一。

設備維保技術先后經歷事后維護、計劃維護、預防性維護、預測性維護等發展階段[5-9]。丁華等[10]利用數字孿生技術建立了采煤機預測性維護方法，并通過實驗驗證了方法的有效性。張偉等[1利用信息監測技術建立泵站機組故障診斷模型，實現了泵站組的預測性維護。欒孝馳等[12]通過Ceemdan將信號進行分析篩選，利用小波包變換進行數據處理識別，通過實驗驗證了方法的準確性。賈偉青等[3]建立儲能優化分配的選取方法，以風電并網功率變化值為約束，利用小波包分解理論進行多尺度分析，合理分配混合儲能的功率和容量，通過現場實驗證明有效。葡瑞管等[14]建立航空發動機故障預測與健康管理方法，利用LSTM分類器通過門控單元對長時間序列信息進行充分篩選，并利用C-Mapss數據集驗證了該模型的有效性。代富裕等[15采用哈默斯雷采樣方法，搭建IWOA-雙向LSTM模型對絞車滾筒可靠性預測平臺。陳冬梅等利用Ocsvm異常檢測算法聯合Fisher判別分析建立了柴油機狀態監測方法。

本文介紹了用于SDCK-1井的特深井自動化鉆機重點設備在線監測與預測性維護系統架構，實現鉆井設備健康狀態預測，降低維修成本，提高管理效率，極大減少設備非計劃停機時效，有效提高設備連續運轉效率。

1系統總體設計與流程

1.1 系統功能需求

油氣田現場作業工況惡劣，特深井鉆機設備配置及結構復雜，特別在鉆井參數強化后，井口工具、鉆井泵、頂驅等設備故障點增多、隨機性增強、易損件更換頻次增高，特深井自動化鉆機預測性維護系統的總體框架如圖1所示。

1）數據采集。數據采集是預測性維護系統的基礎，通過架設各類傳感器，搭建設備易損件更換信息模塊，實時采集設備運行狀態數據，指導編制設備預防性維護計劃。

2）狀態監測。狀態監測是預測性維護系統的大腦，將設備狀態數據通過虛擬交互手段，對監測信號進行識別分析，簡明直觀地顯示設備運行狀態。

3）故障預警。故障預警是預測性維護系統的目標，通過多指標融合處理復雜信號，與預防性維護計劃進行交互學習，實現設備故障狀態及時預警。

1.2 系統總體流程

基于鉆機主體設備，搭建鉆機關鍵設備變工況預警技術與預防性維保交互框架： ① 在設備監測端布署各類型傳感器實時采集運行狀態數據； ② 通過EISC平臺建立設備信息系統，收集統計目標設備易損件壽命； ③ 通過運用狀態監測模型、故障預測模型，實現設備故障預警，并且設備信息系統端根據易損件目標壽命自動預警； ④ 設備監測端與設備信息系統端進行數據交互，實現設備預測性維保。數據存儲采用分布式邊緣存儲和集中式云存儲的結合。為了克服云存儲的高延遲、低帶寬、低安全性等缺陷，引入邊緣計算方式，通過網絡將實時分析的數據傳輸到計算設備進行處理和分析，實現本地存儲，降低設備和云網絡壓力，減輕云中心設備的數據分析負荷，提高數據分析響應效率和數據存儲安全性。延遲不敏感的數據和需要集中處理的數據通過專用線路傳輸到云中心，云中心可以隨時訪問邊緣計算數據。典型設備鉆井泵、頂驅監控系統構架如圖2所示。

軟件在滿鉤載、預期風暴（無立根載荷）及非預期風暴（滿立根載荷）等工況下對井架進行仿真分析，得到井架的關鍵受力部位，如圖3＼～4所示。

2 系統架構與應用效果

2.1井架載荷監測系統

井架載荷監測系統主要由振弦式傳感器、數據采集節點、采集終端、工況機、顯示器組成。該系統基于狀態監測數據的狀態異常識別算法和評價算法，按照SY/T6326—2019建井架二大節、二層臺上布置振弦式傳感器，整套系統通過12V電源供電，現場部署過程中將現場220V工頻交流電通過變壓器轉換為12V直流電，保障系統長時間工作時的穩定性。立了井架桿件安全閾值模型以及實際承載能力計算模型，并且利用有限元仿真

2.2 絞車運行監測系統

1）鉆井鋼絲繩監測。采用永磁磁檢測原理，即使用永磁磁化器將磁能量導入鋼絲繩，在鋼絲繩上的斷絲或磨損處產生磁場，布置在磁化器中間的磁敏器件捕獲這一磁場信息轉換為電壓信號，最終形成斷絲或磨損存在的檢測評判依據，如圖5所示。其中系統內LF主要描述鋼絲繩上的不連續性，例如斷絲、裂紋、銹坑和股繩劈裂；LMA主要描述在某一指定領域的金屬總量損失。金屬橫截面積損失通常是由磨損、銹蝕和外力機械損傷所引起的。鉆井鋼絲繩的判定與預防按照鋼絲繩面積損失百分比設置參數判定如表1所示。

2）絞車盤剎監測。結合原絞車盤剎控制系統設計架構，在剎車端增加剎車盤、剎車間隙、剎車力矩傳感器，實現內剎車盤磨損檢測；在控制端增加駐車、急剎、遠程急剎傳感器及電流變送器，實現閥件狀態監測、盤剎控制及互鎖監測、盤剎預警及保養提示等功能。盤剎控制系統設計架構如圖6所示

2.3鉆井泵運行監測系統

在作業現場搭建鉆井泵設備層、數據層、模型層、應用層的四層監測架構，布署振動、溫度、聲音和電流等傳感器，通過對電流信號的預處理、主頻提取，識別電機是否處于工作狀態，并且利用液力端振動信號進行工況分析和狀態識別，辨別出鉆井泵的不同工作狀態。系統采用了多指標融合的方法，基于鉆井泵現場多源數據提取關鍵特征，開發運行狀態評估模型、鉆井泵故障診斷模型等算法模型，建立了健康狀態下的振動特征閾值，結合時域和頻域分析，對振動信號進行綜合評估，實現對鉆井泵關鍵部件故障的精確診斷。

1）多維指標體系構建。基于鉆井泵液力端活塞故障、吸入管堵塞和閥體故障三種高頻故障，對采集的鉆井泵液力端振動數據進行特征分析，結合小波包分解算法[17-18]，發現對故障分類敏感的關鍵特征指標，構建多維指標體系，實現故障特征選擇與特征提取。

小波包分解算法為：

式中： δ_λ^j，2v?δ_λ^j，2v+1 分別為小波包分解系數； η_k-2λ，γ_k-2λ 分別為小波包分解的低通、高通濾波器組。

2）健康評估及故障預警。基于LSTM長短記憶網絡深度學習算法[]，通過引入輸入門、遺忘門、輸出門等組件，利用自適應閥值預警模型監測分析鉆井泵實時運行參數，構建SOM神經網絡的可視化故障診斷模型，采用單維度和多維度健康度評估鉆井泵健康狀態，可有效區分健康、閥體故障和活塞故障狀態，平均故障診斷精度為 97.9% ，如表2所示。

3）維修措施推薦。結合層次分析法、壽命分布算法與維修決策算法進行維修成本、可靠性收益、最佳維修周期的求解，將數據擬合曲線對不同層級的設備零部件進行判斷，提出不同維修的建議，如圖7所示。

2.4頂驅振動監測與預維護系統

頂驅振動監測和預維護系統由振動傳感器、振動監測模塊、本地數據分析系統及遠程診斷維護系統組成。通過振動傳感器采集頂驅電機、減速箱等關鍵部位的振動數據，結合監測模塊讀取的頂驅轉速、轉矩、電流等相關參數，經由振動監測模塊的內部分析計算，在一定時間范圍內測量振動形成的特征值，評估頂驅的常規振動狀態，并集成在工控機中進行設置和展示；同時將頂驅運行的特征狀態上傳至遠程診斷維護系統，通過對特征狀態的分析，實現頂驅電機、減速箱等旋轉部件的預測性維護。

系統基于大數據深度玻爾茲曼機模型[20-21]如圖8所示，運用粒子群優化算法PSO和MLS混合共軛梯度法，對深度預測模型進行優化，搭建了非抽樣提升混合小波包與高斯深度玻爾茲曼機相結合的故障識別模型。與傳統固定電機的振動檢測相比，增加了對于背景振動數據的篩選和分析，能夠有效區分鉆進時的背景振動與電機、齒輪箱運行時的真實振動，同時加入對頂驅主電機運行電壓、電流的監視作為輔助，在頂驅運行時實時得到多維度的特征值，通過對于特征值的識別，可對軸承、齒輪等減速箱內進行實時故障診斷。其具備多種分類算法，實現對實時數據的診斷分析外，還可自動基于樣本數據進行算法模型訓練，通過樣本管理和診斷算法模塊持續優化。以頂驅中減速箱（平行軸齒輪箱）為例，如圖9所示，通過設定各級齒輪齒數、減速比等參數，即可實現智能振動診斷。

2.5 預防性維保

特深井鉆井設備預防性維保以井工程設備全生命周期管理為核心，以提高純鉆時效、多打進尺為重心，采用“趟分析”“周總結”“月凝練”的方式分層段開展技術總結。通過嚴格匹配每趟鉆施工工藝，細化每個施工步驟，精細拆解保障要素，基于設備信息管理平臺配件基礎管理模塊，建立設備可靠性評價模型，通過分析核心設備易損件更換頻次和設備停機檢修時效，為預防性維保提供決策支撐。

1）設備可靠性評價模型建立[22-25]

鉆機關鍵設備系統的隨機失效會導致鉆井作業施工暫停，各變量之間因果關系使用貝斯葉網絡描述：

式中： P（y/x） 為故障發生概率； P（y） 為故障發生邊緣

概率； P（x/y） 為故障條件概率分布； P（x） 為故障條件概率分布； x 代表設備失效故障；y代表作業停滯。

使用貝斯葉估計模型獲得條件概率分布：

式中： P（y_i/x） 為后期概率； P（y_i） 為故障歷史發生邊緣概率； P（x/y_i） 為故障歷史條件概率分布； y_i 代表歷史作業停滯。

利用貝葉斯推理，計算設備故障概率，建立可靠性評價指標：

式中： C_ei 為設備i在0＼～T時間內的平均可靠性； C_st 為鉆機在t時刻的設備可靠性； C_sy 為鉆機在0＼～T時間內平均可靠性； 為設備i在t時刻處于故障的概率； N 為設備總數；T為維護總時間。

2） 預防性更換計劃。

基于以上模型，設備信息管理平臺建立相應管理模塊，根據設備及部件的重要程度，制定SDCK-1井鉆機配件預防性更換計劃，如表3所示，根據現場作業工況和維護時間及時進行預防性維護預警。

3結論

1）針對鉆機設備維護難題，基于EISC系統設備管理平臺，搭建了鉆機關鍵設備預測性維護系統框架，開發井架、鉆井泵、頂驅、絞車等關鍵設備狀態監測和預警診斷系統，實現了部分主要設備狀態監測、故障預警和輔助維保等功能，構筑了鉆機維護的“數字化防線”。

2）該系統融合預測性維保和關鍵部件動態管理核心理念，構建狀態監測數據的狀態異常識別算法和預警方法，增加關鍵設備RCM維修決策功能，促進現場設備管理效能提升，有效驅動鉆機設備管理體系的智能化轉型升級。通過在SDCK-1井實踐應用，設備故障率下降 80% ，非計劃停機檢修率為0，應用效果良好。

3）鉆機預測性維護屬于戰略性新興設備管理方法，仍存在一些明顯的挑戰性問題，如設備故障點難以精準定位、部分設備監測布局困難、歷史數據量較少等。下一步的研究可結合機器學習、人工智能等技術，進一步提高設備運行狀態持續時間預測的準確率，以及結合設備的狀態診斷和預測情況進行更好的維修決策。

參考文獻：

[1]張斌，曹曉宇，周天明，等.深井超深井鉆井裝備技術現狀與發展趨勢探討[J].鉆采工藝，2024，47（2）：141-151.

[2]許期聰，付強，周井紅，等.四川盆地雙魚石區塊特深井井身結構設計與適用性評價研究[J].鉆采工藝，2024，47（2）：83-92.

[3]王定亞，孫娟，張茄新，等.陸地石油鉆井裝備技術現狀及發展方向探討[J].石油機械，2024，47（2）：47-52.

[4］冉建平.智能技術在海上石油能源裝備維護中的應用[J].集成電路應用，2024，41（6）：338-340.

[5］張海濤.海洋石油鉆機裝備故障診斷與預防性維護策略[J].中國石油和化工標準與質量，2023，43（21）：41-43.

[6]范乃強，牛欣伊，孟秀麗，等.沼澤石油勘探機械裝備液壓系統的使用維護[J].石油儀器，2012，26（5）：85-86.

[7］孟祥卿.石油鉆井平臺裝備電動化進程及趨勢[J].石油機械，2024，52（2）：11-16.

[8]李辰旭.現代石油鉆井裝備的特點及發展方向[J].科技資訊，2020，18（16）：76-77.

[9]陸寧云，陳闖，姜斌，等.復雜系統維護策略最新研究進展：從視情維護到預測性維護[J].自動化學報，2021，47（1）：1-17.

[10]丁華，楊亮亮，楊兆建，等.數字孿生與深度學習融合驅動的采煤機健康狀態預測[J].中國機械工程，2020，31（7）：815-823.

[11］張偉，趙立賓，趙洪麗，等.泵站機組健康診斷及預測性維護應用實踐[J].水利水電技術（中英文），2024，55（S1） ：207-210.

[12]欒孝馳，李彥徵，徐石，等.基于小波包變換與CEEMDAN的滾動軸承故障診斷方法[J].航空動力學報，2024，39（5）：159-173.

[13]賈偉青，任永峰，薛宇，等.基于小波包-模糊控制的混合儲能平抑大型風電場功率波動[J].太陽能學報，2021，42（9） ：357-363.

[14］葡瑞管，王華偉，車暢暢，等.基于LSTM分類器的航空發動機預測性維護模型[J].系統工程與電子技術，2022，44（3） ：1052-1059.

[15]代富裕，胡啟國，何奇，等.基于IWOA-雙向LSTM的絞車滾筒可靠性分析[J].石油機械，2024，52（3）：32-39.

[16]陳冬梅，趙思恒，魏承印，等.船舶柴油機狀態監測及預測性維護研究及應用[J].中國機械工程，2022，33（10）：1162-1168.

[17]喻其炳，孔麗杰，白云，等.基于深度玻爾茲曼機的工業機器人齒輪箱故障診斷[J].兵器裝備工程學報，2023，44（4） ：163-171.

[18］陳志強，鄧生財，陳旭東，等.深度玻爾茲曼機在故障診斷中的應用研究[J].重慶工商大學學報（自然科學版），2018，35（4） ：62-68.

[19]范霖，蘇懷，彭世亮，等.基于供氣可靠性的天然氣管道系統預防性維護方案智能優化方法[J].中國石油大學學報（自然科學版），2023，47（1）：134-140.

[20]李婷，劉林，彭云程，等.面向戰備完好的飛機群組預防性維護優化和備件預測方法[J].兵工學報，2022，43（7） ：1695-1705.

[21]CAI B，KONG X，LIU Y，et al.Application of Bayesiannetworks in reliability evaluation[J].IEEE Transactions onIndustrialInformatics，2019，15：2146-2157.

[22]朱鵬飛.基于K-近鄰法和粒子濾波的多目標跟蹤算法[J].內蒙古師范大學學報（自然科學漢文版），2018，47（4）：277-281.

[23］劉鋒報，孫金聲，王建華.國內外深井超深井鉆井液技術現狀及發展趨勢[J].新疆石油天然氣，2023，19（2）：34-39.

[24］陳縣偉.深井超深井鉆井技術現狀和發展趨勢[J].化學工程與裝備，2023（1）：211-213.

[25］張旭輝，鞠佳杉，楊文娟，等.基于數字孿生的復雜礦用設備預測性維護系統[J].工程設計學報，2022，29（5）：643-650.

（編輯：馬永剛）