基于ISVD-GMM 的绞车故障预警方法探索

骆学理，金艺，张易，贾登，陈冰邓，吴昌亮

（1.中国石油集团工程技术研究院有限公司；2.北京康布尔石油技术发展有限公司，北京 102206）

随着《中国制造2025》的提出，工业智能制造技术得到空前的发展。钻井设备作为石油开采的主力军，若发生故障将会造成严重的安全事故以及巨大的经济损失。绞车是钻井核心设备，对绞车进行故障预警，保证绞车处于健康状态对于石油钻探生产安全、可靠的开展具有重大作用。但绞车在实际工作过程中，不仅基座高度高、晃动大，还受到随机的横向风载，同时在运行的各个阶段绞车负载不断变化，在起放钻具时还会受到巨大的外部冲击，导致故障信号被强噪声干扰成分淹没，使得故障特征微弱，严重影响故障预警结果的稳定性和准确性。

国内外学者在机械设备故障预警领域进行了大量研究。肖黎等人提出通过聚类算法处理磨煤机的历史数据，用随机森林算法标记不同的故障发展阶段，建立故障预警模型。但该方法对于噪声较大的分类问题存在过拟合现象，造成预警结果不准确。徐圆等人提出构建复杂系统多元时滞序列符号有向图，通过ELM 和独立成分分析法进行故障预测。但该模型在运行环境稍有变化时，信号噪声干扰导致系统特性和拓扑结构发生巨大变化，预警结果稳定性差。郭艳平等人研发了风力发电机组在线故障预警和诊断系统，通过计算传感器信号的期望值绘制动态变化带。当传感器的实测值超过变化带上下限时发出预警信息。但该系统仅侧重于判断单个传感器信号的异常，难以采取多参数共同作用，导致特征波动较大，易出现漏报、误报的现象。

综上所述，现有的故障预警方法无法有效解决工况环境复杂及信号噪声干扰严重导致故障预警困难的问题。本文提出一种基于ISVD-GMM 的绞车故障预警方法，首先利用ISVD 与WPT 对信号进行复合降噪处理，ISVD 通过设置合适的奇异值阈值，滤除奇异值较小的噪声成分，WPT通过最大方差最优子带选取方法选取冲击成分明显的子带重构信号实现降噪。然后利用GMM 混合数充足可以逼近任意分布的特性，建立GMM 基准模型描述绞车状态特征的分布情况。同时自学习报警阈值，利用KL 距离度量正常状态与当前状态的差异，实现绞车的故障预警。最后通过实验对所提方法的可行性与有效性进行验证。

1 理论基础

1.1 ISVD 方法

ISVD 降噪不同于依据频谱特性的方法，而是基于随机噪声与光滑系统信号对相空间轨道矩阵奇异值的不同影响。具体步骤如下：

保留较突出的前k 个奇异值，通过奇异值分解的逆过程还原真实的局放信号，得到系统信号矩阵。将矩阵的各列对应取平均相加，即可得到降噪后的信号。仅进行1 次迭代不能完全剔除噪声，需重复上述步骤至达到降噪要求。

1.2 GMM 原理

GMM 是一种基于贝叶斯概率统计的混合密度函数分布模型，矢量特征在概率空间的分布状况通过多个高斯概率密度函数的加权和表示。M 个混合数即由M 个单高斯分布线性组合，即：

式中，D 为描述系统状态特征的维数。

为了准确反映设备的运行状态，本文作者采用KL 距离度量当前状态与正常状态间的差异。KL 距离又称KL 散度，在信息论中用于衡量2 个概率密度分布函数的相近程度。2 个分布函数的差异化越小，KL 距离越小，其定义如式5：

2 ISVD-GMM 智能预警方法

基于ISVD-GMM 的绞车故障预警方法包括信号预处理、敏感特征提取、基准模型训练及实时故障预警4 部分，其具体流程如图1 所示。

图1 基于ISVD-GMM 的绞车故障预警方法流程图

2.1 信号预处理

首先将信号进行迭代奇异值分解降低噪声干扰成分，并检验是否达到一次降噪精度要求。利用小波包变换将信号分解为层级的子带，冗余的分解层数会引起计算量倍增和信号失真，而过少的分解层数会导致降噪不充分，通过式6 计算选取合理的分解层数。

通过计算对比各节点小波子带的方差，选择噪声混杂较少同时包含最大有效信息量的最优子带组合重构信号，实现信号的二次降噪。

2.2 敏感特征提取

为了实现绞车的状态监测与故障预警，需从大量振动波形数据中提取具有代表性的特征，计算多个时域和频域中的特征参数，通过特征选取技术得出反映绞车状态变化的特征参数，构建故障敏感特征集。

2.3 基准模型训练

将正常状态特征集分为模型训练和阈值训练2 部分，通过模型训练特征集L1 训练GMM 模型得到正常运行状态下的基准模型。再将阈值训练特征集L2 输入GMM 基准模型，根据准则自学习得到报警阈值T。

2.4 实时故障预警

将待测特征集L3 以时间窗口长度输入到已训练的GMM 模型中，计算当前状态与正常状态的KL 距离。若KL超过报警阈值T，则判断系统故障并报警，若KL 小于报警阈值T，则滑动时间窗口持续监测。

3 实验验证

3.1 实验数据

搭建绞车滚动轴承故障模拟实验台验证所提方法在不同故障状态下的预警效果，故障模拟实验台左右两侧为不可拆卸的正常轴承及可更换的故障轴承，实验台的基本结构及传感器测点布置如图2 所示。

图2 设备运行实验台示意图

通过线切割在轴承内圈、外圈表面加工沟槽，加工缺陷如图3 所示，实验轴承故障信息如表1 所示，实验基本参数如表2 所示。

表1 轴承缺陷参数

表2 轴承故障实验基本参数

图3 轴承缺陷示意图

实验数据详细信息如表3 所示。

表3 轴承实验数据集

3.2 方法验证

3.2.1 数据处理

使用ISVD-WPT 方法对各数据集信号进行处理，信号原始波形如图4 所示。

图4 原始波形图

通过迭代奇异值分解分析得到一次降噪后的信号，实验中循环迭代次数选取3 时达到所需降噪精度，一次降噪后的信号波形如图5 所示。

图5 ISVD 一次降噪后波形图

利用小波包变换对一次降噪后的信号进行分解重构，通过公式6 计算取分解层数m 为3 层。通过公式7 计算各小波子带方差如图6 所示。从图中可以看出，子带1的方差为5.86×10-4，与其他子带方差相比高出1～3 个量级，较为突出。根据最大方差原则选取子带1 重构信号。

图6 各小波子带方差分布图

小波子带重构得到小波包变换二次降噪后的信号，波形如图7 所示。

图7 WPT 二次降噪后波形图

由图（4、5、7）对比可知，本文方法处理复杂噪声环境下的信号降噪效果明显，原始信号经迭代奇异值分解一次降噪后噪声干扰成分被大幅消除，包含轴承状态信息的有效成分得以保留，经过小波包变换二次降噪后信号波形中冲击特性显著增加，有效增强了微弱故障信号特征，信号质量得到显著提高。

3.2.2 特征提取

通过时域、频域分析方法提取特征，选取7 个在不同轴承状态间有断崖式突变，且特征改变量与轴承状态变化量成正相关的故障敏感特征如表4 所示。

表4 特征提取

3.2.3 模型训练及故障预警

测试GMM 模型的预警效果，预警的效果如图8 所示。

图8 基于GMM 的故障预警效果图

从图8 中可以看出，当GMM 预警的KL 距离超过报警线T 时立即报警，基于3σ 准则自学习的报警线T 为4，正常轴承GMM 预警的KL 值在0 附近一较小范围内浮动，实验中于第69 组实验发出报警且之后持续报警。当轴承故障严重程度加大时，KL 距离也随之有明显上升，明显超过预警阈值，并且GMM 预警模型对轴承故障感知敏感，计算预警的准确率为95.54%，有效实现了绞车轴承的故障预警。

上述实验结果及分析表明：ISVD 与WPT 复合降噪方法的去噪效果显著，微弱故障特征明显增强，适应性较强。GMM 与KL 距离结合的预警模型对轴承的状态变化感知灵敏，不同状态划分明显。报警及时且不存在反复穿越报警线的现象，显著降低了漏报和误报的次数，预警结果具有较高的准确性、稳定性和可靠性。本文提出的基于ISVD-GMM 的绞车故障预警方法的有效性和可行性得以验证。

4 结语

针对绞车运行工况复杂，采集信号伴随大量噪声干扰，故障预警稳定性差、准确度低的问题，本文提出一种基于ISVD-GMM 的绞车故障预警方法。该方法采用ISVDWPT 复合降噪，结合最大方差最优子带选择方法提取信号的冲击成分，去除噪声干扰，同时利用GMM 结合KL 距离建立绞车故障预警模型监测绞车的运行状态。实验结果表明该方法能及时感知绞车故障实时报警，预警准确率达到95.54%，对于其他机械设备的状态监测与故障预警具有一定参考价值。