基于边际谱熵的钻井振动筛故障诊断

，

(1.川庆钻探工程有限公司 长庆钻井总公司，西安 710021 ；2.川庆钻探工程有限公司 国际工程公司，成都 610056)①

石油钻井生产环境复杂恶劣，长期承受高强度负荷，安全生产一直是国家安全部门密切关注的问题。振动筛是钻井石油勘探开发中重要的设备之一，是第一级钻井液固相控制设备，对钻井砂砾的清除起着重要作用，并尽最大限度回收高成本的钻井液。振动筛类型主要分为单轴振动筛、多轴振动筛及双振型振动筛[1-2]，可以实现圆振型、直线振型、椭圆振型、变直线、变椭圆或双振型等振型。我国振动筛发展数十年，已取得一定成就，但是与国际先进水平比还有很大的进步空间。

振动筛的工作原理是通过激振器偏心旋转使振筛振动来清除固相颗粒，一般工作在超共振点。在设备启动阶段，振动筛随着电机转速加大，振动频率也逐渐加大，极易给固定设备造成磨损。在停机后设备存在惯性，振动筛逐渐减速后最后停止振动。在减速中达到共振频率时，振动筛会发生剧烈振动，释放巨大的冲击力，振动筛本体和振动机构在强烈冲击力作用下极易发生故障，增加维修费用甚至更换振动筛。此外，振动电机的启动电压是工频电压，较大的启动电流会损害电气设备。实际工程中，通常是多台振动筛同时工作，启停过程会产生较大电流冲击电网。

目前，对钻井振动筛的故障研究停留在技术改进、设备维修方法上，没有针对性的诊断技术应用于振动筛的故障诊断[3]。本文将边际谱熵理论应用于振动筛的故障中，提取振动筛的故障信号，计算信号的边际谱熵作为特征量，送入到BP神经网络进行样本训练，得到诊断结果，对及时发现振动筛的故障及解除安全隐患具有重要意义。

1 振动筛常见故障

本文以S250系列平动椭圆振动筛为例进行分析[4-5]。

1.1 筛网使用寿命短

1) 筛网与筛框贴合不紧。支撑筛网的胶条磨损，筛网不能绷紧以至不能与之可靠接触。

2) 粘土堆积。当振动筛振幅很小时,钻屑(粘土)的粘性力相对很大,聚合物难以通过钻井液筛分,筛网上会有钻屑堆积导致筛网加速损坏。

3) 电动机转向错误。现场调试时容易将单轴振动筛或直线筛的使用经验用于判别平动椭圆振动筛。单轴振动筛或直线筛的电动机转向看钻屑是否往前走，平动椭圆振动筛的电机转向却不适用。

4) 筛网质量差。当筛网下部受力层绷紧时，筛网上部的筛分层不能拉紧，钻屑投掷力极大削弱，影响筛分和排屑。

1.2 跑浆

1) 钻井液中固相含量高、黏度大、钻屑分散。

2) 振动筛的振动力小、筛网目数高、筛网面积小。

3) 振动筛的进液口方向、位置安装不正确。

1.3 电动机固定螺栓断裂

螺栓预紧力不足导致振动过程中松动,或者紧固件强度不足、电动机底面和座板面之间有杂物所致。

1.4 电气控制故障

1) 振动电动机的进线接口处电缆线摆动幅度大,内部的电缆线很容易断,从外侧看不到,用万用表测电阻也由于虚接很难发现问题。

2) 电控箱过热继电器设置不合适,也会造成振动电动机虽启动但经常跳闸。

3) 机械问题也会造成过热继电器动作,如电动机固定螺栓松动导致载荷不均衡、振动电动机的轴承出现故障。

1.5 筛箱侧板开裂

电动机的旋转方向和偏心块的安装方式不正确都有可能造成侧板开裂。以正确方式运转时,筛箱侧板承受的力并不大,补焊开裂的部位便可以正常使用。

2 边际谱熵理论

边际谱理论来自希尔伯特黄变换(HHT)，具有处理非线性信号的能力，弥补了傅里叶变换的不足。边际谱熵具有物理意义，这是其他信号处理方法不具有的优势。HHT算法由经验模态分解(EMD)和Hilbert变换组成。首先将非线性非平稳信号经验模态EMD分解成固有模态函数(IMF)，IMF是一组表征信号特征时间尺度的函数；其次对各个IMF分量做Hilbert变换，计算瞬时频率和瞬时幅值，进而得到Hilbert幅值谱和Hilbert边际谱[6]。具体算法如下：

4) Hilbert谱。

5) 将H(fi，t)对时间积分得边际谱。

3 BP神经网络模型

BP神经网络是人工神经网络的一种，是目前应用最为广泛、发展最为成熟、运算规则最为简单、最易实现的一种人工神经网络。有正向、反向两个传播过程，对非线性过程可微的多层前馈传递网络[7-8]。

BP神经网络是由输入层、隐含层、输出层构成。训练过程包括前馈训练、误差反向修正。从输入层开始依次向隐含层、输出层计算，各层通过传递函数和权值连接，根据一定的学习规则，到达输出层，输出层会输出一个误差，沿原路依次修正各层权值，得到更为精确的输出值。BP神经网络原理如图1所示。

图1 BP神经网络原理

数学模型为：

(1)

权值调节式为：

(2)

(3)

4 建模分析

振动筛的故障诊断流程如图2所示。

图2 振动筛故障诊断流程

特征值对于BP人工神经网络模型的识别精度具有关键作用，本文将振动筛的加速度故障信号进行边际谱熵分析[9-10]，求得所有样本数据的边际谱熵。训练样本集的大小影响BP神经网络模型的识别能力，本文选取3种振动筛的加速度故障边际谱熵数据[11]，每种故障数据样本40组，每种类型选取20种作为训练样本，另外20组作为测试样本。

BP神经网络模型采用3层网络，分别是输入层、隐含层、输出层，输入层共计12个节点，每个节点对应一个振动筛的加速度。隐含层节点数取输出层神经单元个数的3倍，本文输出层神经单元取3，隐含层节点取9，故障类型归为3类，因此输出层选为9。正常状态(0,0,0)，故障1(1,0,0)，故障2(0,1,0)，故障3(0,0,1)。隐含层传递函数选Tansig，输出层传递函数选为Logsig，循环速率0.05，训练次数5 000，训练目标误差0.000 01。训练误差如图3所示。

图3 训练误差曲线

对3种故障加速度信号20组样本数据分别进行测试，故障1正确诊断17例，识别率达到85%；故障2正确诊断18例，识别率达到90%；故障3正确诊断19例，识别率高达95%。图4是故障2的振动信号。部分训练样本、测试样本的结果如表1所示。

图4 故障2振动信号

由图3～4识别结果分析，故障1振动筛加速度信号的边际谱熵相对较低，振动信号信息相对简单，说明机械损坏程度较轻；又因故障谱熵较小，有3例误识别成正常信号。故障2振动筛加速度信号的边际谱熵相对高，振动信号较为复杂，说明机械损坏程度较重；故障2的边际谱熵均值较大所含范围也较大，故障识别正确率有所提高。故障3振动筛加速度信号的边际谱熵最高，振动信号最复杂，说明机械损坏程度最重；故障3的边际谱熵最大，参数范围均值在0.958 55，波动较小，识别率最高。

表1 部分训练样本、测试样本识别结果

5 结论

信号处理方法诊断故障具有实时、准确的特性，边际谱熵相比其他信号处理方法更具有物理意义。用边际谱熵作为特征量，用人工神经网络作为智能识别工具，成功实现了钻井振动筛的故障诊断。故障准确率分别达到85%，90%，95%，总识别率为90%。是一种准确率较高，可靠性较高，简单易于应用的振动筛故障诊断新方法。

诊断出振动筛的故障后，同时要做好预防措施。保证电路连接正确、调整合适的筛箱角度、设置合理的振动幅度、安装筛网时保证适当的张紧力、振动筛累计工作60 d后对振动电动机上的轴承进行润滑、振动电动机损坏后正确地更换。这样就可以使振动筛达到最佳工作状态,延长振动筛的使用寿命,从而提高固相控制水平。

[1] 王宏伟,刘军,刘继亮.国外新型钻井振动筛研究进展[J].石油矿场机械,2011,40(3):72-76.

[2] 徐倩,邓嵘,李艳萍,等.2种新型钻井振动筛[J].石油矿场机械,2010,39(8):53-56.

[3] 朱晓梅, 洪黎, 田昌文, 等. 自适应振动筛自学习机理研究[J]. 石油矿场机械, 2011, 40(12): 16-20.

[4] 牟长青,王涛,侯召坡,等.振动筛现场问题及解决方法[J].石油机械,2009,37(4):67-69.

[5] 赵宣铭. 振动筛故障诊断技术的研究状况探析[J]. 新技术新工艺, 2015 (2): 142-145.

[6] 尹洪梅.基于熵分析棒束通道气液两相流型识别及动力学特性分析[D].吉林： 东北电力大学,2017.

[7] 秦太龙, 时建峰, 程珩. BP 神经网络在振动筛故障诊断中的应用[J]. 煤矿机电, 2008 (2): 42-43.

[8] 张凤蕊, 王志奎. 基于小波遗传神经网络的大型直线振动筛故障诊断[J]. 煤矿机械, 2012, 33(9): 259-261.

[9] 魏文菲, 张春元, 常绪涛, 等. FTA 法在圆振动筛故障诊断中的应用研究[J]. 矿山机械, 2016, 44(7): 58-61.

[10] 李东, 周可法, 孙卫东, 等. BP 神经网络和 SVM 在矿山环境评价中的应用分析[J]. 干旱区地理, 2015, 38(1): 128-134.

[11] 朱维兵,徐昌学,王进荣,等.钻井液振动筛性能参数的虚拟测试系统[J].天然气工业,2007(10):82-84.