石油钻机机电设备管理与维护的故障诊断及应用

韦丁午，李 翔，汪君明，袁鸿轶

（1.渤海钻探塔里木钻井分公司，新疆库尔勒 841000；2.渤海装备华油钢管公司，河北沧州 062650）

0 引言

在石油钻井过程中大型机械设备能否稳定安全运转，相关的管理与维护步骤必不可少。由于作业过程中材料、工艺、操作、极端环境和人为因素等多种原因会引起机电设备故障，并且设备处于24 h 运转状态，极易发生零件磨损严重或老化现象，导致运转效率低，影响正常的生产活动顺序[1-2]。因此，对机电设备进行科学的日常管理与维护非常必要，运用机器学习算法及数据分析方法实现新型故障诊断技术，对设备故障问题检测、统计、维护具有一定现实指导意义，有效减少人员成本，提升机电设备的稳定性、安全性、高效性。

为了满足油田系统的开发需求，需要更进一步细分工作流程。钻井机电系统包括提升系统、旋转系统、循环系统、传动系统、控制系统、驱动系统、钻机底座及辅助系统，且钻井起初至工程完成，机电设备会参与驱动与控制，因此要定期制定机电设备保养、维修计划，以保证设备各个环节满足正常作业工况[3]。目前尽管现场有一定的设备故障解决策略和维护方式，但是大多数情况下是以人为经验为主，不仅效果不理想，也没有完全解决隐患问题，主要原因是缺乏针对性的科学故障诊断手段、完善的机电设备管理制度以及必要的维护保养方式。为此，石油行业需要结合“人为+科学”的概念方式建立新的故障诊断机制，在减少人员投入精力的同时，提高机电设备的管理与维护效率。

1 机电设备故障诊断技术

随着制造业的发展，机电设备故障诊断技术已经成为一门独立的技术，能够依据设备的运行数据做相应分析，检测机电设备运行状况是否存在或预测故障、消除故障点或提前预示故障点，保证设备安全运行。与传统的故障诊断方式相比，现代故障诊断手段最显著的特点就是诊测故障不用拆卸设备，同时还能对设备的运行能力、承受能力、磨损程度等做出综合性评价，进而可以选择合理的处理方式解决故障，通过提前警示故障、将故障处理从被动变为主动，响应速度更加及时[4-6]。常见的机电设备故障技术有6 种。

1.1 主观诊断技术

主观诊断技术和现场人员处理问题水平、经验等方面因素影响，根据主观意识去判断出现问题的原因。一些经验丰富的电气师通过视觉、触觉等方式进行故障诊断，为了减少误差，必要时借用外部辅助器件，但解决不了根本问题，导致故障只能暂时得到解决，没有科学依据。

1.2 振动监测诊断技术

振动监测技术主要是通过仪器测定设备振动参数及特征来分析设备故障信息，该方式分析结果作为主要判断依据，大多数机械设备故障所引起的直观表象为振动频率、参数多维性。一般来说，选择能反应设备核心部位的易损点和关键点作为结果，能更好地反应出结论的有效性、准确性。设备信号经过滤波放大器处理之后，通过A/D 转换器得到振动位移曲线，从而通过曲线变化直观、精确地表征设备动态变化过程，方法简单有效，因此被广泛应用[7]。

1.3 油液特性检测技术

油液特性检测技术主要通过油液化学特性、物理特性来观察机电设备的运行状况，也可以观察油液屑粒形状来判断，该方式经常出被用于液压系统或润滑系统。当各元素在受激发时，都有吸收或发射波长光的性质，并用光谱仪对油液发射光谱进行化学分析，可检测其化学成分及含量，进而判断整体设备某位置的磨损程度。该方法诊断更准确、更快速，适用于10 μm 级别下的磨损状态。

1.4 红外感应诊断技术

红外感应诊断技术主要通过检测设备不同位置温度变化来判断某个部位是否出现问题。设备机械部件出现故障时温度会产生相应变化，而材料的性能可能与温度相关，所以机械部件温度检测也成为故障诊断的一种手段。与其他数据相比，温度数据采集更加简便，可实现全程监测，预测器件寿命，提高使用效率。

1.5 γ 射线探伤技术

γ 射线探伤技术主要是通过γ 射线扫描整体设备，观测介质密度图谱来做故障诊断，γ 射线在物质中的强弱程度按照Lamber-Beer 指数规律逐渐衰减，可以通过该技术发现设备裂痕位置，也可以作为故障判断的一种手段。

1.6 数字模型诊断技术

数字模型诊断技术是一种新型数字化检测故障的一种方式，该方式需要运用数学知识建立数学模型，将收集的机电相关数据与处理采集的参数通过一定的算法处理进行比较，从而诊断出故障原因。目前，数字诊断技术内部数据处理及算法设定是该技术的难点，只有科学的模型建立才能使得结果具备可靠性。

2 机电设备新型故障诊断方法

在设备故障诊断过程中，可以利用的状态信息有很多：利用网络将多个故障诊断系统联系起来、实现资源共享，可以提高诊断的质量和精度；将故障诊断系统与数据采集系统结合起来组成网络，有利于机组的管理，减少设备投资，提高设备利用率[8]。

在需要诊断的机电设备中安装适配性强的传感器，采集设备振动、运行过程中的油温、水温、排气温度、油压、输出功率、转速、扭矩等过程量及过程参数等，将智能网关与PLC 建立通信机制，通过4G/5G 网卡进行数据传输，由于数据是不平衡数据，所以在后续数据处理过程中，数据要经过预处理，将高维数据集通过高斯核函数的泰勒展开映射为低维数据。由于数据大小不一的问题，可能出现差异性较大的数据，导致最终预测结果不精确，所以进行数据要归一化。在数据预处理后建立算法模型，进行故障诊断操作。

高斯核函数的泰勒展开：

为了消除奇异样本数据导致的不良影响，将数据归一化到均值为0、方差为1 范围内。

其中，Xmean表示数据特征的均值，σ表示每组特征的标准差，X 表示每个数据的特征值，Xscale表示归一化后的特征值。当原始数据中有异常值归一化后的数据依然会形成均值为0，方差为1 的标准数据。

SOFM（Self-Organizing Feature Maps，自组织特征映射神经网）是基于生物系统结构形成的，具有自组织、自学习的功能，可以通过训练对输入模式进行分类输出。该神经网络技术在工业模式识别领域的应用带来了故障分类的新途径，在非线性映射特征、并行处理、整体性能等方面具有较大的优势，尤其高度自学习、自判断的能力在故障分类中占有很重要的位置[9]。SOFM的主要特性为：①自组织排序性质，即拓扑保持能力；②自组织概率分布性质；③以若干神经元同时反映分类结果，具有容错性；④具有自联想功能。

对于SOM 竞争型网络的学习规则，首先要将对应的神经元进行权向量归一化处理，当前输入模式向量为X，权向量为ωj（j=1，2，…，m）归一化处理结果为和[8]。将与竞争层所有加权神经元做相似性比较，最相似的权向量为，按照WTA 学习法则，获胜神经元输出为1，其余神经元为0，见式（3）。

其中，t 表示当前神经之后的下一个神经元输出，j*表示获胜神经元的层数。并且只有获胜的神经元才能调整期权重向量，当调整程度越高就越趋于聚类中心。

具体的算法原理如下：

其中，ωij（t）表示神经元i 到j 时刻的权值，α（t，N）表示训练时间和邻域内第i 个神经元与获胜神经元j*之间的拓扑距离N的函数。

（6）当学习率α（t）≤αmin时结束训练，不满足结束条件时转到步骤（2）。

当开始学习时，邻域与学习因子取值需要向大调整，训练初期并不像其他神经网络需要给出预输出。因为该算法是无监督算法，故障及故障征兆存在于加权矢量ωi中，学习结束后各个神经元只对输入矢量敏感。所以，SOFM 网络的最大特点是矢量特征的拓扑结构不变性（图1）。

图1 网络随机拓扑结构

3 新型故障诊断方法在柴油机上应用

应用SOFM 网络进行故障分类具体步骤如下：

（1）选取标准柴油机故障样本。

（2）学习每个标准故障样本，当完成学习后，对最大输出神经元做故障标记。

（3）将待检验故障样本作为SOFM 网络的输入。

（4）若输出神经元在输出层位置与某个标准故障位置相同，说明待检验样本发生该故障，若输出神经元在输出层的位置介于很多标准故障之间说明这几种标准故障都有可能发生，且各故障的程度由该位置与相应标准故障样本位置的欧氏距离确定。

表1 为柴油机8 种常见故障集合数据归一化后的表格。其中，P1 表示最大油压，P2 表示次最大油压，P3 表示压力波形宽度，P4 表示压力波形上升沿宽度，P5 表示压力波形宽度，P6 表示压力余波最大宽度，P7 表示压力波形面积，P8 表示油压起喷压力；常见故障中F1 表示供油量正常（100%），F2 表示供油量为75%，F3 表示供油量为25%，F4 表示怠速油量，F5 表示小油量针阀卡死，F6 表示标定油量针阀卡死，F7 表示针阀泄漏，F8表示出油阀门故障。

newsom（）用于创建一个自组织特征映射，其调用格式为：

net=newsom（PR，［d1，d2，d3，…］，tfcn，dfcd，olr，osteps，tlr，tns）

其中，PR 表示R 个输入元素的最大值和最小值的设定值，R×2 维矩阵；表示第i 层维数，默认值[5，8]；tfcn 表示拓扑的结构函数，默认值为hextop；dfcn 表示距离函数，默认为linkdist；olr 表示分类阶段学习速率，默认0.9；osteps 表示分类阶段学习的步长，默认为1000；tlr 表示调谐阶段学习速率，默认为0.02；tns 表示调谐阶段邻域距离，默认为1。

仿真平台采用MATLAB 2014a 版本的Win10 环境中运行，硬件配置为4 G 内存和2.6 GHz 主频。建立SOFM 网络之后，竞争层为6×6 个神经元，分别以10、20、50、100、300、500 步长做5 次训练的步数，训练完成后将输入预测样本查看分类情况，输入样本增加随机数10%作为数据干扰。

图2 中蓝色神经元（即深色部分）表示竞争胜利的神经元，表2 显示了最终结果。

图2 神经元分类

用表1 规格化后的数据做模型训练，当训练迭代完成以后输入测试样本t=［0.951 2，1.000 0，0.945 8，-0.421 5，0.421 8，0.951 1，0.964 5，0.894 1］进行故障分类判断。从表2 可以看出，输出结果数值表示将单值向量转化为下标向量，由该位置与相应标准故障样本位置的欧氏距离确定，相同的下标向量视为同一类型故障。当训练步数为10 时，测试样本故障F1、F3 分为一类，F2、F4、F6 分为一类，F5、F7、F8 为单独一类，同理，当训练步行为20 时，F1、F3 分为一类，F5、F8 为一类。F2、F4、F6、F7 各自为一类，通过输出结果可见，网络已经对样本进行了初步的分类，当训练步数为300 时，每个样本都被划分为一类，这种分类结果更加细化。当训练步数500 或1000 时，同样是每个样本都被划分为一类。这时如果再提高训练步数，已经没有实际意义了。

表1 柴油机故障分类

通过结合神经元分类结果（图2）可以看出，坐标（0，0）表示第一个神经元处，以步长为10 的6×6=36 个竞争神经元中，针对测试数据的8 个样本值，表2 输出结果第一行可以得到，第一个样本聚集在第1 个神经元处，第二个样本聚集在第36 个神经元处，第三个样本聚集在第1 个神经元处……，以此类推，也可观测故障分类情况。

表2 神经元分类结果输出

以步长10 为例，根据经验知识可知：当出现故障F1、F3时，可检查柴油机油压大小；出现故障F2、F4、F6 时，可以检查柴油机油量多少及针阀是否堵塞；当出现故障F5、F7、F8 时，检查柴油机针阀密闭是否合适以及柴油机油阀情况。

尽管SOFM 网络能够对柴油机故障进行分类，但是由于分类样本少、训练样本不足，导致不同样本划分方式结果偏差较大，只能为用户提供粗略的指导意见，若样本量足够大，最终结果会有精确性的指导意义。因此，未来结合专家诊断系统结果会更加准确。

4 结论

本文通过对石油行业机电设备的故障诊断技术的介绍，提出了一种新型故障诊断方法，将其应用于柴油机中证明其可行性，将高维数据映射至低维，通过数据及可视化分析故障分类结果，最终实现故障分类。由于本次研究的数据样本数量不足，最终的结果只具有指导意义，所以未来将研究如何与专家诊断系统进行结合，进而给予确定性的建议。