关于顶驱智能诊断的方法探讨与趋势分析＊

王洋绅，高 瀚，程腾飞，刘 增，任仲瑛

（北京石油机械有限公司，北京 102200）

顶驱对钻井作业和井下安全起着至关重要的作用，由于钻井状况不可预测性和顶驱自身结构的复杂性，顶驱在作业时不可避免地会出现故障，轻则影响生产效率和钻井工程的质量，重则可能造成钻井事故和工作人员伤亡。顶驱造价高，维修费用动辄在几万甚至上百万。另外，从钻井行业的发展趋势来看，顶驱已逐渐由单一产品销售模式向产品、租赁、服务于一体的装备可靠性销售模式转变，因此制定科学的顶驱维护策略，对顶驱的使用、维修管理等进行指导具有重要的意义[1]。

目前，顶驱的前期维护方式包括2大类：其一为出现故障后采取的事后维护，是一种无计划性的被动维修方式；另一方式为保持顶驱良好运转状态的预防性维护。预防维护是目前顶驱采用的主要维护方式，主要依靠专业人员的经验制定维护策略[2-8]，该方式对专业人员的要求高，维护模式定制化强而适用性范围低，且容易使顶驱欠维护或过度维护，增加不必要的维护成本。

因此，通过分析顶驱部件，如电机、齿轮箱、轴承等的状况或监测其运行指标，获取其运行状况的各类信息，结合一定的诊断方法判断顶驱部件是否正常，以确定是否检修并安排合理的检修计划。这样不仅能及时安排修理，减少突发性故障停机造成的经济损失，还能降低过剩维修产生的不必要的维护费用。

自故障诊断技术概念被提出以来，已经产生了许多卓有成效的状态监测和故障诊断方法，但顶驱的状态监测与故障诊断技术却尚未成熟，技术应用较少。本文在总结已有研究成果的基础上，以顶驱及其部件为故障诊断对象，较为详细地阐述了各类诊断方法的研究现状及其优缺点，并结合当前现状探讨了顶驱故障诊断技术的发展趋势。顶驱故障诊断方法如图1所示。

图1 顶驱故障诊断方法

1 顶驱定性故障诊断方法

基于定性经验的顶驱故障诊断是一种利用不完备先验知识描述系统功能结构，并建立定性模型实现故障诊断过程的方法，包括故障树分析（Fault TreeAnalysis，FTA）、专家系统（Expert System，ES）等[9]。

1.1 故障树分析

FTA在系统设计过程中，通过对可能造成系统故障的各种因素进行分析，确定系统故障原因的各种组合方式及其发生概率，计算系统故障概率，以采取相应的纠正措施，提高系统可靠性。FTA是一种评价复杂系统可靠性与安全性的重要方法，它既可用于定性分析，又可以定量计算复杂系统发生事故的概率，为改善和评价系统可靠性提供了依据。

王永勤等[10-11]利用FAT方法原理，绘制出顶驱的故障树，然后对故障树进行了定性定量分析。张毅[12]通过顶驱故障树的定性和定量分析，得出顶驱故障原因多为磨损、腐蚀、强度不够或者过载等。蒋爱国[13]将顶驱故障分为机械故障、电气故障和液压故障3种，并绘制简单的故障树，用以铺垫顶驱机械故障数字化监测诊断的重要性。

1.2 专家系统

运用专家在顶驱故障维护领域积累的有效经验和专业知识建立知识库，并通过计算机模拟专家思维过程，对信息知识进行推理和决策以得到诊断结果。

霍连才[14]通过建立专家系统的事实库和各机构的规则库，编制了顶驱故障诊断专家系统。霍连才等[15]用产生式规则，对ⅤARCOTDS-11SA顶驱建立了规则库，构建了专家系统的知识库。

2 顶驱定量故障诊断方法

2.1 振动信号

设备发生故障的主要特征是伴有异常的振动和噪声，顶驱齿轮箱齿轮、顶驱主轴、主轴承及顶驱电机振动加剧往往伴随着机械部件工作状态不正常乃至失效，有60%以上的机械故障都是振动反映出来的。振动检测法有着其独特的优势，包括：①振动信号的变化能够实时反映设备的运行状况，具有时效性；②振动信号较容易获取，信号采集设备的布置不会影响设备的结构设计；③振动信号的变化与设备状态有着直接的联系，同一故障模式引起的振动变化相对固定，易于在同一领域内进行推广研究，其普适性较强。因此，通过一定的设备与技术对顶驱部件的振动信号进行监测和分析，自然就可以诊断出顶驱部件的故障[16]。

2.1.1 基于数据驱动的故障诊断

振动信号的时域、频域、时频域3类分析方法，均是从振动信号中提取出有效的特征向量用于故障诊断。

2.1.1.1 时域信号分析方法

时域信号分析方法是从原始振动信号中提取如周期、峰值、平均值和标准差等特征量，此外，还可提取高阶时域特征，例如均方根、偏斜度、峰度、波峰因子、脉冲因子、裕度因子、峭度指标、均方根值等。

2.1.1.2 频域信号分析方法

频域信号分析方法是从原始信号中提取其频谱来进行故障诊断，常用的方法有幅值谱、包络谱、细化谱、倒频谱、高阶谱和全息谱分析等[17]。信号的频谱能够描述信号在频率域内的分布情况，因此其能够更加明确地反映原始信号中所包含的不同频率信息。倒频谱分析在信号频谱图出现多族边频时，可以识别出故障频率[18]。

谢敬军[16]和张尧等[19]通过对顶驱轴承进行实验分析，得出了顶驱轴承故障信号具有变频特征以及损伤点的冲击呈现非周期性特点，轴承共振频率和共振信号振幅会随着传动滚动轴承的转速变化而变化的结论。管森森[20]则给出了齿轮箱的信号处理方法，并开发基于振动信号分析的齿轮箱故障诊断系统。

2.1.1.3 时频域信号分析方法

将时域方法与频域中时间的尺度变换相结合，可实现对信号的全面分析。因此，对于顶驱振动非线性与非平稳振动信号的分析和处理，需要通过时频域分析方法，对非平稳振动信号进行描述。常见的顶驱时频域分析方法有小波分析、经验模态分解（EMD）、短时傅里叶变换和共振稀疏分解等。

小波分析利用其良好的时频局部化特性，可以将分析的重点集中到信号的任意细节部分上，由于其多分辨率特性适合用于非线性和非平稳信号的分析，因此在旋转机械故障诊断中有着突出的应用。EMD能够将信号自适应分解成若干个本征模态函数，由于EMD方法具有良好的自适应性，因此在机械故障诊断领域获得了广泛的关注和应用。贺文杰[21]基于齿轮箱故障振动信号所表现的非线性非平稳特征对齿轮箱中采集的振动信号作小波包分解，同时选取特定频带的小波重构信号应用变换进行了分析，得到经验模态分解过程和一系列本征模态函数，结合Hilbert变换，提取故障特征频率，有效地识别了齿轮箱中齿轮裂纹的不同故障模式。蒋爱国[13]针对齿轮箱故障信号的持续振荡性和轴承故障信号的瞬态性，采用共振稀疏分解对原始信号进行处理，利用最小熵反褶积变换加强冲击分量，提取出轴承的频率特征信息，完成齿轮箱中齿轮与轴承的诊断。原始振动信号经EEMD分解可以得到不同尺度下的本征模态分量，这些及其频域信息的均值、方差、峰度、偏度等统计特征常被用来构造故障诊断模型的原始特征空间，进而实现对故障特征的分类[22]。

2.1.2 基于人工智能的故障诊断

人工智能是通过模拟人的思维决策来实现人的行为的一种机器学习技术，人工智能算法仅依据历史数据和实时数据，通过教计算机如何学习、推理和决策等，就可以判断机械设备当前的状态[23]。由于故障类型和故障征兆之间存在复杂的映射关系，所以基于人工智能的故障诊断技术较为适用[24]。目前，以神经网络、支持向量机及其他机器学习为代表的人工智能算法得到了广泛的关注和研究，并应用于机械设备的故障诊断。此外，深度学习方法作为深层机器学习模型，在机械故障的研究中应用越来越广泛。

人工神经网络是一种模拟人脑思维的分类模型，利用多个神经元及其边的权值进行输入到输出的映射。MURUGANATHAM等[25]使用奇异值分解和前馈反向传播神经网络来诊断滚动轴承不同尺寸的不同故障，选取适当的奇异值作为单隐藏层BPNN的输入特征集。SOUALHI等[26]结合Hilbert-Huang变换、SⅤM和支持向量回归用于滚动轴承的退化检测，实现故障识别和剩余使用寿命预测。SAIDI等[27]提出了一种新的结合高阶光谱分析和SⅤM的滚动轴承故障诊断方法，得到原始特征向量集，结合PCA应用SⅤM模型实现滚动轴承的故障诊断。俞啸[22]建立基于DBN的故障状态识别模型，提高模式识别方法对特征空间的适应能力，形成了完整的基于数据驱动的滚动轴承故障特征分析。王宇等[28]利用混合蛙跳算法对BP神经网络进行优化，应用于滚动轴承故障诊断并取得了较好的效果。

2.2 温度分析法

顶驱的电机、齿轮箱、轴承等部件在强烈的冲击和摩擦条件下工作，因此温度也是反映其某些部位状态变化的敏感因子。温度监测对轴承负荷、速度和润滑情况的变化反应比较敏感，尤其是对润滑不良而引起的轴承过热现象很敏感，所以用于这种场合比较有效。

2.3 电机电流分析法

电机电流分析法适用于电机作为动力源的顶驱，当顶驱发生机械故障时，其转子上所感受到的机械故障信息会转化为电信号反映到定子电流上来，使定子的电流波形产生畸变，对其进行包络处理，剔除工频信号，即可进行故障分析。杨明等[29]以定子电流作为齿轮故障诊断的切入点，降低了硬件方面的要求。

2.4 油液分析法

油液分析是从润滑油中提取信息，从而对齿轮箱内磨损与润滑情况进行监测，是一种比较理想的辅助手段，主要包括油品理化性能分析技术（监测润滑油受污染和质量状况）、润滑油中所含磨粒的铁谱分析技术以及润滑油料中磨粒成分的光谱分析技术（监视各摩擦副的磨损状况）。

3 优缺点分析

顶驱是集机、电、液为一体的复杂系统，且其回转振动信号具有低频、非线性和非平稳性等特点。根据顶驱自身的特性，分析各故障诊断方法应用于顶驱系统的优缺点，如表1所示。

表1 故障诊断方法应用于顶驱优缺点分析

4 结论

目前针对顶驱的故障诊断方法的应用较少，研究还未普遍且发展较为缓慢。本文对现有的顶驱及齿轮箱、轴承的故障诊断方法进行了归纳总结，在此基础上，对其应用于顶驱的优缺点进行了分析比较，给出了应用于顶驱故障诊断方法的理论指导。

顶驱的故障诊断方法的应用及研究具有重要的意义。根据研究现状分析可得其热点和趋势为：①多参数信息融合的故障诊断方向，顶驱的系统是多元化的复杂系统，需要研究故障诊断方法实现对耦合故障的诊断；②早期故障还未表现出症状，可通过故障诊断技术进行数据挖掘，预测信号演变趋势，提前进行故障预测或剩余寿命评估，实现预失效分析；③远程故障诊断是顶驱运行管理的一个必要趋势，通过远程的数据传输和诊断结果分析，指导现场顶驱的管理和维护。