基于小波包和BP神经网络的潜油直驱螺杆泵系统故障诊断

辛宏，杨海涛，魏韦，张岩，呼苏娟

(中国石油长庆油田油气工艺研究院 低渗透油气藏国家工程实验室，陕西 西安 710021)

基于小波包和BP神经网络的潜油直驱螺杆泵系统故障诊断

辛宏，杨海涛，魏韦，张岩，呼苏娟

(中国石油长庆油田油气工艺研究院 低渗透油气藏国家工程实验室，陕西 西安 710021)

为准确诊断潜油直驱螺杆泵系统故障，提出了一种基于小波包和BP神经网络的螺杆泵系统故障诊断方法。对螺杆泵在不同工况下有功功率进行3层小波包分解，提取小波包特征能量，然后构造小波包特征能量向量，并以该向量作为故障样本对3层BP神经网络进行训练，实现了智能化故障诊断。仿真结果表明： 训练的BP网络能很好地诊断潜油直驱螺杆泵系统的故障。

故障诊断 小波包 BP神经网络 螺杆泵

潜油直驱螺杆泵采油技术利用动力电缆将电力传送给井下潜油电机，电机通过柔性联轴器直接驱动螺杆泵转子转动，井液经过螺杆泵增压后，被举升到地面。潜油直驱螺杆泵采油技术解决了有杆泵的杆管偏磨问题，螺杆泵采油系统安全可靠、运行平稳、结构简单、操作方便，具有广泛的应用前景[1]。然而潜油直驱螺杆泵机组部件多且关联性强，再加上复杂多变的地质结构和井况条件，导致使用过程中故障率较高。潜油直驱螺杆泵系统一旦出现故障，不仅需要花费高昂的作业费和修理费，而且会造成油层工作失调，给油田开发、生产带来严重影响。因此，开展潜油直驱螺杆泵系统的故障诊断研究，具有重要的理论研究价值和工程实践意义。

在螺杆泵系统的故障诊断研究中，主要问题是如何确定诊断方法以及故障特征的提取。目前，故障诊断方法已趋向于智能化方向发展，人工神经网络以其并行分布存储、快速识别、非线性映射能力、较强的容错性能等优点在故障诊断系统得到了广泛的应用[2]。但该方法诊断的准确性在很大程度上依赖于样本的质量，需要大量样本数据的支持。小波包变换将频带进行多层次划分，对小波变换没有细分到的高频部分进行进一步分解，从而提高了时频分辨率。由于小波包在时域和频域的良好局部特性和对信号有较强的特征提取功能[3]，因而可以将待分析的信号利用小波包细分到不同频段，求出各频段内对应的故障特征。文中利用小波包在特征提取上的优势和神经网络的优点，提出一种基于小波包和BP神经网络的螺杆泵系统故障诊断方法。利用小波包提取有功功率的各频段特征能量之后，建立基于小波包特征能量的3层BP神经网络分类器，能很好地诊断潜油直驱螺杆泵系统的故障。

1 小波包及特征提取

1.1 小波包

小波变换可以对信号进行有效的时频分解，由于其在高频频带的频率分辨率较差，而在低频频带的时间分辨率较差，因而出现了小波包分解方法。小波包是继小波分析之后提出的一种新型的多尺度分析方法，它不仅对低频部分进行分解，而且对高频部分也进行了分解。因此，小波包分解是一种比小波分解更精细的分解方法。以3层小波包分解为例说明小波包分解过程，如图1所示，其中节点(i,j)表示第i层第j个节点(i=0, 1, 2, 3;j=0, 1, 2, 3, 4, 5, 6, 7)，每个节点代表一定的信号特征，如节点(0, 0)代表原始信号，节点(1, 0)代表小波包分解的第1层低频系数，节点(1, 1)代表小波包分解的第1层高频系数，其他依次类推。

图1 3层小波包分解结构示意

不加证明地给出小波包分解与重构公式[4]如下：

1) 小波包分解公式：

(1)

2) 小波包重构公式：

(2)

式中：h，g——均为滤波器系数；d[k],d[l]——均为小波包系数；i——层数；j——节点数。

1.2 能量特征提取

不同的信号其特征不同，区别表现为特征矢量之间的差别，因而信号区分的首要任务是进行特征提取[5]。将能够充分表现信号特性的物理量提取出来，组成特征矢量，每一组特征矢量就是对一种信号模式的数字描述。表征信号特征的物理量有多种，诸如信号的幅值、能量、平均值、方差、峭度等，文中选用能量表征信号特征。

在潜油直驱螺杆泵系统故障诊断技术中，有功功率信号可全面反映螺杆泵系统的泵况，因而可以通过计算不同工况下各频段有功功率信号的能量来构造螺杆泵系统的故障特征向量[6]。频带能量可以由小波包分解系数来求取，具体步骤如下：

1) 信号分解。利用式(1)及在时域和频域都有良好特性的Daubenchies小波中的db4小波对有功功率信号进行3层小波包分解。

2) 信号重构。对经过步骤1)之后得到的8个频带系数利用式(2)进行重构，得到8个小波包重构信号，求各频带信号的总能量。设Ej(j=0, 1, …, 7)为第j个重构信号对应的能量，则：

(3)

式中：xj k——重构信号Sj在第k个离散点处的幅值，j=0, 1, 2, …, 7;k=1, 2, …,m)；m——采样点数。

3) 以步骤2)中得到的各重构信号的能量为元素，构造能量特征向量：

E=[E0E1E2E3E4E5E6E7]

(4)

为避免BP神经网络的输入向量过大而导致饱和，要对式(4)构造的特征向量进行归一化处理。将输入的样本数据变换到区间[0, 1]后，节点反应敏感，BP神经网络收敛的速度也比较快。对特征向量进行归一化的公式如下：

(5)

归一化后的能量特征向量：

(6)

2 BP神经网络和故障诊断

2.1 BP神经网络

BP神经网络，又称误差反向传播网络，它是一种反向传递并能修正误差的多层映射网络。由输入层、输出层和若干隐含层组成，相邻2层的神经元之间形成全互连接，同层各神经元互不连接。1个3层BP神经网络能以任意精度逼近任何连续函数，因而常用的BP神经网络是3层的前馈阶层网络，由输入层、隐含层和输出层组成，结构如图2所示。

图2 BP网络结构示意

BP网络算法的基本工作原理： 将输入样本从输入层输入，经隐含层向输出层传递，最终在输出层得到实际输出。如果输出层得不到期望的输出，再按使网络输出层的误差平方和达到最小的目标，通过连续不断地在相对于误差函数斜率下降的方向上计算网络的连接权值和阈值而逐渐逼近目标。经过训练的BP神经网络由于具有很强的非线性映射能力和柔韧性，因而能够有效地将属于训练样本范围内的测试样本进行分类和识别[7]。

2.2 故障诊断

基于小波包和BP神经网络的螺杆泵故障诊断步骤如下：

1) 训练样本的选取。利用小波包提取有功功率的能量特征向量，并将其作为BP神经网络的输入样本，同时给出相应的期望输出。

2) 网络结构的确定。文中选用3层BP神经网络中的隐含层、输入层和输出层神经元个数有近似关系：

(7)

式中：j1,j2,j3——分别为隐含层、输入层和输出层的节点数；α——1～10的常数。中间层神经元选择S型正切函数(tansig)为激活函数；输出层神经元选择S型对数函数(logsig)为激活函数。

3) 样本的训练。利用小波包提取有功功率的特征向量训练建立的BP神经网络，调整网络结构和训练参数，求收敛速度与所得误差性能相对满意的网络。

4) 利用建立的神经网络进行故障诊断。

3 仿真实验

对潜油直驱螺杆泵系统主要故障形式进行统计，确定其6种工作状态编码，分别为正常(1, 0, 0, 0, 0, 0)、柔性轴故障(0, 1, 0, 0, 0, 0)、结蜡(0, 0, 1, 0, 0, 0)、泵卡阻(0, 0, 0, 1, 0, 0)、间歇出液(0, 0, 0, 0, 1, 0)、泵管漏(0, 0, 0, 0, 0, 1)。因此，BP神经网络的输出层节点数为6。

在试验中，BP神经网络输入层节点数为8，对应8个样本模式；输出层节点数为6，对应6种工况。由式(7)可得隐含层节点数为j1≈5～14。通过反复实验，取隐含层节点数j1=9，训练次数为1 000，训练目标为0.001，学习速率为0.1。

按照2.2节中所述步骤利用Matlab编程，并对某采油厂测得的24组有功功率信号进行特征提取，分别得到24组样本信号特征向量，将其作为输入，训练BP神经网络，同时储存训练好的网络，用于下一步诊断。

将6组不同工况下采集的有功功率作为测试样本，输入到已训练好的BP神经网络。实际输出分别为正常(0.999 5, 0, 0, 0, 0, 0.000 1)、柔性轴故障(0, 0.999 7, 0, 0, 0.000 5, 0.000 1)、结蜡(0, 0, 0.978 6, 0.005 5, 0, 0)、泵卡阻(0, 0, 0.006 3, 0.998 9, 0.000 5, 0)、间歇出液(0.001 8, 0.000 1, 0, 0, 0.998 0, 0)、泵管漏(0.000 2, 0.000 7, 0, 0, 0, 1.000 0)，实际输出符合测试信号对应的状态。结果证明： 利用小波包分析能够有效提取故障特征向量，并且经过训练的BP神经网络确实能够对潜油直驱螺杆泵系统故障状态做出准确的诊断分类。经过多次试验，正确率达91.47%。

4 结束语

针对潜油直驱螺杆泵系统故障诊断问题，笔者从小波包变换和神经网络的角度出发，提出了一种较为新颖的基于小波包及BP神经网络潜油直驱螺杆泵系统故障诊断方法。首先利用小波包变换的短时高分辨率特性，以达到在频域进行细化、分析故障特征信息；其次利用BP神经网络对样本进行分类和识别。仿真实验结果证实文中所提出的方法是有效的。

[1] 张克岩.潜油直驱螺杆泵[J].油气田地面工程，2011，30(07)： 99.

[2] 朱君，高宇，叶鑫锐.基于BP神经网络的螺杆泵井故障诊断方法[J].石油机械，2008，36(01)： 42-44.

[3] 飞思科技.小波分析理论与Matlab 7实现[M].北京： 电子工业出版社，2005.

[4] Mallat S.Singularity Detection and Processing With Wavelets[J]. IEEE Trans on Information Theory, 1992, 38(02)： 617-643.

[5] 李洪，王晟.基于小波包和神经网络的电力输电线故障诊断研究[J].数据采集与处理，2004，19(04)： 411-416.

[6] 任伟建，路阳，肖阔宪，等.基于小波包和Elman神经网络的螺杆泵井故障诊断[J].系统仿真学报，2012，24(04)： 912-915.

[7] 李增亮，王庆楠，李成平，等.BP网络在液压驱动螺杆泵故障诊断中的应用[J].石油机械，2006，34(08)： 48-50.

[8] 于波，郑听.基于小波变换的旋转机械振动测试系统[J].化工自动化及仪表，2015，42(08)： 863-865，888.

[9] 王忠峰，汤伟，黄俊梅，等.基于PLC的BP神经网络在轴承故障诊断中的研究与应用[J].化工自动化及仪表，2011，38(03)： 327-331.

Fault Diagnosis in Direct-drive Progressing Cavity Pump System Based on Wavelet Packets and BP Neural Network

Xin Hong, Yang Haitao, Wei Wei, Zhang Yan, Hu Sujuan

(National Engineering Laboratory of Low Permeability Oil & Gas Field, Oil&Gas Process Technology Research Institute, Changqing Oilfield Company PetroChina, Xi’an, 710021, China)

To diagnose fault of direct-drive progressing cavity pump accurately, a new method of fault diagnosis based on wavelet packet and BP neural network is presented. Active powers in different working conditions are decomposed using three-layer wavelet packet. Wavelet packet characteristic energy(WPCE) is extracted. WPCE vectors are constructed. The vector is used as fault samples to train three-layer BP neural network. Intelligent fault diagnosing is realized. The simulation results show the trained BP neural network can diagnose the fault of direct-drive progressing cavity pump well.

fault diagnosis; wavelet packets; BP neural network; progressing cavity pump

长庆姬塬油田特低渗透油藏综合利用示范基地(国土资源部： 1301-4-3)。

辛宏(1980—)，女，甘肃武威人，2008年毕业于中国石油大学(北京)油气田开发专业，获硕士学位，现就职于中国石油长庆油田油气工艺研究院，从事采油工艺技术、油田数字化建设、水平井采油技术方面的研究工作，任采油工程师。

TP273

B

1007-7324(2017)03-0005-03

稿件收到日期： 2017-02-03，修改稿收到日期： 2017-02-24。