CN111042802A - 一种抽油机故障诊断方法、装置及*** - Google Patents
一种抽油机故障诊断方法、装置及*** Download PDFInfo
- Publication number
- CN111042802A CN111042802A CN201911333923.8A CN201911333923A CN111042802A CN 111042802 A CN111042802 A CN 111042802A CN 201911333923 A CN201911333923 A CN 201911333923A CN 111042802 A CN111042802 A CN 111042802A
- Authority
- CN
- China
- Prior art keywords
- fault
- pumping unit
- signal
- fault signal
- reduction gearbox
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005086 pumping Methods 0.000 title claims abstract description 134
- 238000003745 diagnosis Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000009467 reduction Effects 0.000 claims abstract description 62
- 238000013528 artificial neural network Methods 0.000 claims abstract description 35
- 239000013598 vector Substances 0.000 claims abstract description 35
- 238000010606 normalization Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims description 17
- 238000003062 neural network model Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 11
- 239000002131 composite material Substances 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 238000012217 deletion Methods 0.000 claims description 7
- 230000037430 deletion Effects 0.000 claims description 7
- 238000005096 rolling process Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 10
- 238000000354 decomposition reaction Methods 0.000 description 6
- 239000003638 chemical reducing agent Substances 0.000 description 4
- 238000013016 damping Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B43/00—Methods or apparatus for obtaining oil, gas, water, soluble or meltable materials or a slurry of minerals from wells
- E21B43/12—Methods or apparatus for controlling the flow of the obtained fluid to or in wells
- E21B43/121—Lifting well fluids
- E21B43/126—Adaptations of down-hole pump systems powered by drives outside the borehole, e.g. by a rotary or oscillating drive
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及故障诊断技术领域,具体涉及一种抽油机故障诊断方法、装置及***,所述方法为:在平稳工况下,采集抽油机减速箱轴承的第一振动信号和抽油机驱动电机的第二振动信号;根据第一振动信号提取抽油机减速箱齿轮的稳态调制成分,提取抽油机减速箱轴承的冲击调制成分,从而得到第一故障信号,根据第二振动信号提取表征抽油机驱动电机典型故障的第二故障信号,进而选取第一故障信号和第二故障信号所对应的幅值作为特征参数,将特征参数进行归一化处理,得到特征向量;最后将特征向量输入神经网络进行故障识别,得到抽油机故障诊断结果,本发明还相应的提供了抽油机故障诊断装置和***,本发明能够同时对抽油机的多种故障进行诊断。
Description
技术领域
本发明涉及故障诊断技术领域,具体涉及一种抽油机故障诊断方法、装置及***。
背景技术
传统抽油机的故障检测是通过采集抽油机的位移、载荷点,绘制示功图,通过对示功图的参数特征识别出故障,此方法对抽油机单一故障识别比较准确,但不能用于识别抽油机的混合故障,工作量比较大,受抽油机工作环境及人为因素影响较多,在后期数据处理方面,需要有一定的专家经验。
为了提高抽油机的性能和可靠性,急需对影响抽油机的各种故障进行同时检测,实现同时对抽油机的多种故障进行诊断。
发明内容
为解决上述问题,本发明提供一种抽油机故障诊断方法、装置及***,能够实现同时对抽油机的多种故障进行诊断。
为了实现上述目的,本发明提供以下技术方案:
根据本发明第一方面实施例提供的一种抽油机故障诊断方法,包括:
在平稳工况下,采集抽油机减速箱轴承的第一振动信号和抽油机驱动电机的第二振动信号;
根据第一振动信号提取抽油机减速箱齿轮的稳态调制成分,提取抽油机减速箱轴承的冲击调制成分,从而得到第一故障信号,第一故障信号包括平稳型故障信号、冲击型故障信号和复合型故障信号;
根据第二振动信号提取表征抽油机驱动电机典型故障的第二故障信号,第二故障信号包括定子匝间短路故障信号、转子断条故障信号;
选取第一故障信号和第二故障信号所对应的幅值作为特征参数,将特征参数进行归一化处理,得到特征向量;
将特征向量输入神经网络进行故障识别,得到抽油机故障诊断结果。
进一步,所述根据第一振动信号提取抽油机减速箱齿轮的稳态调制成分,提取抽油机减速箱轴承的冲击调制成分,具体为:
对第一振动信号进行高通滤波,将滤波后的信号按照轴承各个元件中局部损伤最大特征频率对应的最小特征周期分段;
构造稳态调试字典,提取抽油机减速箱轴承的稳态调制成分;
构造优化单位脉冲响应字典,提取抽油机减速箱轴承的冲击调制成分。
进一步,所述将特征参数进行归一化处理的步骤,具体为:
分别对第一故障信号和第二故障信号进行归一化处理,归一化处理公式如下:
其中,xfi是归一化前故障信号的幅值,xfmax是归一化前振动数据中的最大幅值,xfmin是归一化前故障信号中的最小幅值,yfi是归一化后故障信号的幅值。
进一步,所述将特征向量输入神经网络进行故障识别,得到抽油机故障诊断结果,具体为:
将归一化后得到的特征参数构成一组特征向量;
构建BP神经网络,采用删除法选用同一组样本分别对不同隐含层节点数的网络进行训练,得到训练后的BP神经网络;
将完成训练后的BP神经网络作为神经网络模型,将特征向量输入神经网络模型进行故障识别,得到抽油机故障诊断结果。
根据本发明第二方面实施例提供的一种抽油机故障诊断装置,包括:
信号采集模块,用于在平稳工况下,采集抽油机减速箱轴承的第一振动信号和抽油机驱动电机的第二振动信号;
第一故障信号提取模块,用于根据第一振动信号提取抽油机减速箱齿轮的稳态调制成分,提取抽油机减速箱轴承的冲击调制成分,从而得到第一故障信号,第一故障信号包括平稳型故障信号、冲击型故障信号和复合型故障信号;
第二故障信号提取模块,用于根据第二振动信号提取表征抽油机驱动电机典型故障的第二故障信号,第二故障信号包括定子匝间短路故障信号、转子断条故障信号;
特征向量获取模块,用于选取第一故障信号和第二故障信号所对应的幅值作为特征参数,将特征参数进行归一化处理,得到特征向量;
故障诊断模块,用于将特征向量输入神经网络进行故障识别,得到抽油机故障诊断结果。
进一步,所述第一故障信号提取模块具体用于:
对第一振动信号进行高通滤波,将滤波后的信号按照轴承各个元件中局部损伤最大特征频率对应的最小特征周期分段;
构造稳态调试字典,提取抽油机减速箱轴承的稳态调制成分;
构造优化单位脉冲响应字典,提取抽油机减速箱轴承的冲击调制成分。
进一步,所述故障诊断模块具体用于:
将归一化后得到的特征参数构成一组特征向量;
构建BP神经网络,采用删除法选用同一组样本分别对不同隐含层节点数的网络进行训练,得到训练后的BP神经网络;
将完成训练后的BP神经网络作为神经网络模型,将特征向量输入神经网络模型进行故障识别,得到抽油机故障诊断结果。
根据本发明第三方面实施例提供的一种抽油机故障诊断***,所述***包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的抽油机故障诊断程序,所述抽油机故障诊断程序被所述处理器执行时实现本发明第一方面实施例所述的抽油机故障诊断方法的步骤。
本发明的有益效果是:本发明公开一种抽油机故障诊断方法、装置及***,所述方法为:首先在平稳工况下,采集抽油机减速箱轴承的第一振动信号和抽油机驱动电机的第二振动信号;接着根据第一振动信号提取抽油机减速箱齿轮的稳态调制成分,提取抽油机减速箱轴承的冲击调制成分,从而得到第一故障信号,第一故障信号包括平稳型故障信号、冲击型故障信号和复合型故障信号;根据第二振动信号提取表征抽油机驱动电机典型故障的第二故障信号,第二故障信号包括定子匝间短路故障信号、转子断条故障信号;进而选取第一故障信号和第二故障信号所对应的幅值作为特征参数,将特征参数进行归一化处理,得到特征向量;最后将特征向量输入神经网络进行故障识别,得到抽油机故障诊断结果。本发明还相应的提供了抽油机故障诊断装置和***,本发明能够同时对抽油机的多种故障进行诊断。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一种抽油机故障诊断方法的流程示意图;
图2是本发明实施例中步骤S200的流程示意图;
图3是本发明实施例中步骤S400的流程示意图;
图4是本发明实施例中抽油机振动信号的检测布点图,图中:
1(2、3、4、5、6、7)-测试点,8-驱动电机,9-传送带,10-联轴器,11-减速器;
图5是本发明实施例抽油机减速箱故障振动信号的幅频图;
图6是本发明实施例抽油机驱动电机故障的幅频图;
图7是本发明实施例解调后的抽油机减速箱幅频图;
图8是本发明实施例神经网络训练曲线图;
图9是本发明实施例一种抽油机故障诊断装置的结构示意图。
具体实施方式
以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述,以充分地理解本公开的目的、方案和效果。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
参考图1,如图1所示为一种抽油机故障诊断方法,包括以下步骤:
步骤S100、在平稳工况下,采集抽油机减速箱轴承的第一振动信号和抽油机驱动电机的第二振动信号。
步骤S200、根据第一振动信号提取抽油机减速箱齿轮的稳态调制成分,提取抽油机减速箱轴承的冲击调制成分,从而得到第一故障信号。
其中,第一故障信号包括平稳型故障信号、冲击型故障信号和复合型故障信号。
步骤S300、根据第二振动信号提取表征抽油机驱动电机典型故障的第二故障信号。
其中,第二故障信号包括定子匝间短路故障信号、转子断条故障信号。
步骤S400、选取第一故障信号和第二故障信号所对应的幅值作为特征参数,将特征参数进行归一化处理,得到特征向量。
步骤S500、将特征向量输入神经网络模型进行故障识别,得到抽油机故障诊断结果。
本发明实施例中,基于故障信号的表现特征,齿轮故障分为平稳型故障、冲击型故障和复合型故障。平稳型故障包括齿形误差、齿轮轻度偏心,冲击型故障包括常见的齿轮点蚀、剥落、齿廓变形。复合型故障包括上述两种情况,复合型故障是常规啮合振动、平稳型故障和冲击型故障三种响应的线性叠加,其响应频率包括转频及其高次倍频、以啮合频率及其倍频为中心频率,间隔为转频及其高次倍频的调制边频带。
当抽油机减速箱内部的齿轮或轴承发生单一故障时很可能会诱发相关部件产生故障,形成多种故障混合的状态,此时抽油机的振动信号相互耦合,会增大故障诊断的难度,本发明实施例采用将几种信号处理方法相结合的手段,能够提高故障信号的信噪比,分离和提取分别表征齿轮和轴承的故障特征信号,有效诊断故障类型。本发明实施例采用融合相关滤波和匹配追踪的方法诊断轴承故障,对信号进行分段匹配追踪,可以提高稀疏系数的求解速度和精度。
在一个优选的实施例中,在平稳工况下,采集抽油机减速箱轴承振动加速度信号,设置采样频率fn,使得能采集到***的多阶固有频率,提高时间分辨率。本实施例采集时间长度为10-20s的信号,截取其中时长为T的信号x(t)进行分析,信号x(t)即为抽油机减速箱轴承的第一振动信号。
当定子绕组发生匝间短路时,电磁振动会产生4f、6f的谐波变化成分。当发生转子断条故障时,会出现(1±2s)f的特征频率,s为转差率。
本发明实施例中,采用压电传感器采集抽油机驱动电机的振动信号,经模数转换后,再进行离散傅里叶变换,根据振动信号特征频率幅值提取特征信息,得到抽油机驱动电机的第二振动信号。
参考图2,在一个优选的实施例中,所述步骤S200具体为:
步骤S210、对第一振动信号进行高通滤波,将滤波后的信号按照轴承各个元件中局部损伤最大特征频率对应的最小特征周期分段。
本实施例中,首先对第一振动信号x(t)进行高通滤波,得到滤波后的信号Xk(t),截取的频率为齿轮啮合频率的2倍以上。
接着,将滤波后的信号Xk(t)按照轴承各个元件中局部损伤最大特征频率对应的最小特征周期Tinn分成W段,记为Xw(t),w=1,2,…,W,此时Tinn为滚动轴承内圈故障的特征周期,该分段方法可以降低匹配追踪时计算内积的点数,提高运行的速度。
步骤S220、构造稳态调试字典,提取抽油机减速箱轴承的稳态调制成分。
具体为:
2.1)构造稳态调试字典Gs;
按照以下公式构造稳态调制原子gs:
2.2)将信号Xw(t)进行匹配追踪分解,设置εs为迭代截止阈值,当前后两次分解的剩余项小于迭代阈值或分解次数大于原子个数的时候,迭代停止,最终得到稳态调制成分xs(t)和剩余分量Rs(t)。
2.3)假设第M次分解后得到最优结果,对应原子gsm的稀疏系数和幅值分别为Csm和Asm,则幅值恢复系数为γm=Asm/Csm,稳态调制成分按以下公式重构:
2.4)对信号xs(t)作FFT变换和选带解调分析,识别抽油机减速箱中的齿轮平稳型故障。
步骤S230、构造优化单位脉冲响应字典,提取抽油机减速箱轴承的冲击调制成分。
具体为:
3.1)构造优化单位脉冲响应字典GI:冲击调制字典中的原子gp(t)定义为:
式中,τ表示冲击响应发生的时刻,且t>τ,fd和ζ分别对应抽油机减速箱中***的有阻尼固有频率和阻尼比。
分别设定波形参数fd、ζ和τ的搜索间隔。fd分布在奈奎斯特频率范围内,fs为采样频率,ζd表示阻尼比搜索范围,ζ∈[0.001:Δζ:ζd];Tc表示用于相关滤波的信号时间长度,Δfd、Δζ、Δτ分别对应各个参数的搜索步长。将上述参数逐一代入公式构造冲击调制字典中的原子,原子的集合为初始字典GP={gp,p=1,2,…,P},其中P=int[TC/Δτ·fs/(2Δfd)·ζd/Δζ]。采集到的振动信号为s,根据下式可以求解振动信号与初始字典GP中原子的相关系数:
搜索λ(t)的最大值λi,λi对应的固有频率、阻尼比和冲击响应发生时刻的参数即为最优波形参数,记为将参数代入gp(t)获得优化字典GI={gi,i=1,2,…,I},I为局部最大值的个数,其中GI∈GP,共有I·[int(Tinn/Δτ]个原子,原子进行幅值归一化处理。
3.2)每段信号xw(t)分别进行匹配追踪。设置εP为迭代截止阈值,当前后两次分解的剩余项小于迭代截止阈值εP或者分解次数大于原子个数时,迭代停止,按以下公式重构每段信号xwv(t):
3.3)将W段信号按以下公式进行组合得到信号xh(t)的稀疏表示xp(t):
3.4)对信号xp(t)作FFT变换和选带解调分析,以便后续识别抽油机减速箱轴承冲击型故障。
本实施例选取的第一故障信号包括:齿廓变形故障、滚动轴外圈故障、内圈故障、滚动体故障、保持架故障,收集减速箱齿轮发生故障时的振动信号数据;
在一个优选的实施例中,所述步骤S300具体为:
选取抽油机驱动电机发生定子匝间短路故障、转子断条故障发生时的4个振动信号对应的幅度作为特征参数。
在一个优选的实施例中,所述步骤S400具体为:
分别对第一故障信号和第二故障信号进行归一化处理,归一化处理公式如下:
其中,xfi是归一化前故障信号的幅值,xfmax是归一化前振动数据中的最大幅值,xfmin是归一化前故障信号中的最小幅值,yfi是归一化后故障信号的幅值。
上述的故障信号包括第一故障信号和第二故障信号,采用上述公式分别对第一故障信号和第二故障信号进行归一化处理,分别得到归一化后第一故障信号的幅值和第二故障信号的幅值,这样,归一化后的特征参数都在[0,1]范围内,便于后续数据处理。
参考图3,在一个优选的实施例中,所述步骤S400具体为:
步骤S410、将归一化后得到的特征参数构成一组特征向量。
步骤S420、构建BP神经网络,采用删除法选用同一组样本分别对不同隐含层节点数的网络进行训练,得到训练后的BP神经网络。
本实施例选取了9个特征参数,确定输入BP神经网络的神经元个数是9个,有7种单独的故障,确定输出神经元个数是7,由下式确定隐含层的个数h:
其中,n为输入层神经元数,m为输出层神经元数,a是0~10范围整数,采用删除法选用同一组样本分别对不同隐含层节点数的网络进行训练,综合比较训练步数和误差结果,最终确定隐含层神经元个数为11,设置初始权值为随机数,设置学习率初始值为0.02,期望误差为0.1,训练步数为500。
步骤S430、将完成训练后的BP神经网络作为神经网络模型,将特征向量输入神经网络模型进行故障识别,得到抽油机故障诊断结果。
为更好的说明本发明实施例的技术方案,下面对存在故障的抽油机采用本发明实施例的故障检测方法进行检测,并结合模糊神经网络训练对故障进行诊断。
采用的抽油机减速箱传动参数如表1所示:
表1:抽油机减速箱传动参数。
采用的抽油机减速箱轴承参数和齿轮参数如表2所示:
表2:抽油机减速箱轴承参数和齿轮参数。
其中,D表示轴承节径;d表示滚动体直径;z表示滚动体个数;α表示滚动轴承的接触角。
齿廓变形故障特征频率等于啮合频率,把轴承节径D,滚动体直径d,滚动体个数z,滚动轴承的接触压力角α代入以下公式获得内圈故障fout、外圈故障finn、滚动体故障fbsf、保持架故障fftf的特征频率,当发生齿廓变形故障时振动频率等于啮合频率:
得到抽油机减速箱各个元件故障特征频率,如表3所示:
表3:抽油机减速箱各个元件故障特征频率。
电源频率为f=50Hz,驱动电机转差率s=0.04,转子断条故障特征频率为(1±2s)f、定子绕组匝间故障特征频率为4f、6f,得到转子断条和定子匝间故障时的特征频率如表4所示:
表4:转子断条和定子匝间故障时的特征频率。
在减速箱内圈外表面上加工一个凹槽来模拟滚动轴承内圈故障,在齿轮的任意一个齿面对其进行加工,形成断面来模拟齿廓变形故障,在驱动电机转子部分使用工具对其中一条铜条切割,模拟转子断条故障。
使用压电式加速度传感器采集抽油机减速箱、驱动电机的振动信号,采样频率为100kHz,采样时长为15s,高通滤波后,进行离散傅里叶变换,测振动信号时尽量靠近振源,对设备容易发生振动和故障的位置进行测点布置,这里采用的测点方式如图4所示:对驱动电机外壳前后中央布置两测点(测点1和测点3),在电机前端盖位置布置测量点(测点2),在减速器的箱盖中部布置两测量点(测点4和测点6),在减速器的箱座中部布置两测量点(测点5和测点7)。
高通滤波后,其检测出的减速箱故障振动信号频谱图形如图5所示,可以看出在低频段有由故障激励引起的共振峰。
高通滤波后,其检测出的驱动电机故障振动信号幅频图如图6所示。
由驱动电机的故障幅频图读出在46Hz和54Hz出现明显的故障分量,符合驱动电子转子断条的特征频率,由此判断抽油机驱动电机发生了转子断条故障。
使用上文的匹配追踪方法,从采集到的减速箱振动信号中选取1s进行分析,分离稳态调制成分,分离稳态调制成分,对分离稳态调制成分后的剩余信号选取0.5s进行相关滤波,设置波形参数的搜索范围与步长为fd∈[0:10:fs/2],ζ∈[0.001:0.001:0.2],τ∈[0:Tinn/32:0.3],对提取完稳态调制成分的信号进行分段匹配追踪,设置每段信号长度为Tinn,设置细化后τ为[0:Tinn/64:Tinn],得到扩展字典并给定迭代截止条件为ε<0.5进行匹配跟踪,对搜索到的固有频率进行选带解调,提取混合冲击成分,其解调谱如图7所示,从解调后的抽油机减速箱幅频图中可以识别出内圈转频频率(6.68Hz)、内圈故障特征频率(52.36Hz)的调制边频带,符合滚动轴承内圈故障出现转频调制现象的特征,同时识别出齿廓变形故障频率(380Hz)的调制边频带,符合减速箱齿轮发生齿廓变形故障的特征,从而识别出抽油机减速箱发生的多种故障,发生了轴承内圈故障和齿廓变形故障。
通过模拟出抽油机的多种故障,重复以上步骤,将减速箱部分齿廓变形故障fm、内圈故障finn、外圈故障fout、滚动体故障fbsf、保持架故障ffif、驱动电机部分46Hz、54Hz、200Hz、300Hz对应幅值归一化处理后获得特征向量,输入预设的神经网络中训练,输出是齿廓变形故障、内圈故障、外圈故障、滚动体故障、保持架故障、匝间短路故障、转子断条故障的期望输出,表5是从5×100组样本中选取的3组训练数据:
表5:样本训练输出数据。
BP神经网络训练曲线如图8所示,可看出训练曲线有明显收敛趋势,在经过416步训练之后曲线已经趋于收敛状态,没有出现局部极小值问题,收敛速度快。
对训练好的神经网络使用测试样本进行测试,模拟抽油机的15种故障,再次进行诊断,取其中的3组诊断结果如表6所示:
表6:测试样本诊断测试。
通过以上实施例,可以看出神经网络正确诊断出测试样本的各种故障状态,可靠性满足要求。
参考图9,本发明实施例还提供一种抽油机故障诊断装置,包括:
信号采集模块100,用于在平稳工况下,采集抽油机减速箱轴承的第一振动信号和抽油机驱动电机的第二振动信号;
第一故障信号提取模块200,用于根据第一振动信号提取抽油机减速箱齿轮的稳态调制成分,提取抽油机减速箱轴承的冲击调制成分,从而得到第一故障信号,第一故障信号包括平稳型故障信号、冲击型故障信号和复合型故障信号;
第二故障信号提取模块300,用于根据第二振动信号提取表征抽油机驱动电机典型故障的第二故障信号,第二故障信号包括定子匝间短路故障信号、转子断条故障信号;
特征向量获取模块400,用于选取第一故障信号和第二故障信号所对应的幅值作为特征参数,将特征参数进行归一化处理,得到特征向量;
故障诊断模块500,用于将特征向量输入神经网络进行故障识别,得到抽油机故障诊断结果。
进一步,所述第一故障信号提取模块200具体用于:
对第一振动信号进行高通滤波,将滤波后的信号按照轴承各个元件中局部损伤最大特征频率对应的最小特征周期分段;
构造稳态调试字典,提取抽油机减速箱轴承的稳态调制成分;
构造优化单位脉冲响应字典,提取抽油机减速箱轴承的冲击调制成分。
进一步,所述故障诊断模块500具体用于:
将归一化后得到的特征参数构成一组特征向量;
构建BP神经网络,采用删除法选用同一组样本分别对不同隐含层节点数的网络进行训练,得到训练后的BP神经网络;
将完成训练后的BP神经网络作为神经网络模型,将特征向量输入神经网络模型进行故障识别,得到抽油机故障诊断结果。
可见,上述方法实施例中的内容均适用于本装置实施例中,本装置实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
本发明实施例还提供一种基于深度神经网络的齿轮故障***,所述***包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的抽油机故障诊断程序,所述抽油机故障诊断程序被所述处理器执行时实现本发明第一方面实施例所述的抽油机故障诊断方法的步骤。
可见,上述方法实施例中的内容均适用于本***实施例中,本***实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件的实现方式,将软件加载到处理器中,以有效利用各种传感器采集的数据,进行齿轮故障诊断。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来。
所述处理器可以是中央处理单元(Central-Processing-Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital-Signal-Processor,DSP)、专用集成电路(Application-Specific-Integrated-Circuit,ASIC)、现场可编程门阵列(Field-Programmable-Gate-Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述一种抽油机故障诊断***的控制中心,利用各种接口和线路连接整个抽油机故障诊断***的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述抽油机故障诊断***的各种功能。所述存储器可主要包括存储程序区和存储数据区,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart-Media-Card,SMC),安全数字(Secure-Digital,SD)卡,闪存卡(Flash-Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述,但其并非旨在局限于任何这些细节或实施例或任何特殊实施例,而是应当将其视作是通过参考所附权利要求,考虑到现有技术为这些权利要求提供广义的可能性解释,从而有效地涵盖本公开的预定范围。此外,上文以发明人可预见的实施例对本公开进行描述,其目的是为了提供有用的描述,而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。
Claims (8)
1.一种抽油机故障诊断方法,其特征在于,包括:
在平稳工况下,采集抽油机减速箱轴承的第一振动信号和抽油机驱动电机的第二振动信号;
根据第一振动信号提取抽油机减速箱齿轮的稳态调制成分,提取抽油机减速箱轴承的冲击调制成分,从而得到第一故障信号,第一故障信号包括平稳型故障信号、冲击型故障信号和复合型故障信号;
根据第二振动信号提取表征抽油机驱动电机典型故障的第二故障信号,第二故障信号包括定子匝间短路故障信号、转子断条故障信号;
选取第一故障信号和第二故障信号所对应的幅值作为特征参数,将特征参数进行归一化处理,得到特征向量;
将特征向量输入神经网络进行故障识别,得到抽油机故障诊断结果。
2.根据权利要求1所述的一种抽油机故障诊断方法,其特征在于,所述根据第一振动信号提取抽油机减速箱齿轮的稳态调制成分,提取抽油机减速箱轴承的冲击调制成分,具体为:
对第一振动信号进行高通滤波,将滤波后的信号按照轴承各个元件中局部损伤最大特征频率对应的最小特征周期分段;
构造稳态调试字典,提取抽油机减速箱轴承的稳态调制成分;
构造优化单位脉冲响应字典,提取抽油机减速箱轴承的冲击调制成分。
4.根据权利要求3所述的一种抽油机故障诊断方法,其特征在于,所述将特征向量输入神经网络进行故障识别,得到抽油机故障诊断结果,具体为:
将归一化后得到的特征参数构成一组特征向量;
构建BP神经网络,采用删除法选用同一组样本分别对不同隐含层节点数的网络进行训练,得到训练后的BP神经网络;
将完成训练后的BP神经网络作为神经网络模型,将特征向量输入神经网络模型进行故障识别,得到抽油机故障诊断结果。
5.一种抽油机故障诊断装置,其特征在于,包括:
信号采集模块,用于在平稳工况下,采集抽油机减速箱轴承的第一振动信号和抽油机驱动电机的第二振动信号;
第一故障信号提取模块,用于根据第一振动信号提取抽油机减速箱齿轮的稳态调制成分,提取抽油机减速箱轴承的冲击调制成分,从而得到第一故障信号,第一故障信号包括平稳型故障信号、冲击型故障信号和复合型故障信号;
第二故障信号提取模块,用于根据第二振动信号提取表征抽油机驱动电机典型故障的第二故障信号,第二故障信号包括定子匝间短路故障信号、转子断条故障信号;
特征向量获取模块,用于选取第一故障信号和第二故障信号所对应的幅值作为特征参数,将特征参数进行归一化处理,得到特征向量;
故障诊断模块,用于将特征向量输入神经网络进行故障识别,得到抽油机故障诊断结果。
6.根据权利要求5所述的一种抽油机故障诊断装置,其特征在于,所述第一故障信号提取模块具体用于:
对第一振动信号进行高通滤波,将滤波后的信号按照轴承各个元件中局部损伤最大特征频率对应的最小特征周期分段;
构造稳态调试字典,提取抽油机减速箱轴承的稳态调制成分;
构造优化单位脉冲响应字典,提取抽油机减速箱轴承的冲击调制成分。
7.根据权利要求6所述的一种抽油机故障诊断装置,其特征在于,所述故障诊断模块具体用于:
将归一化后得到的特征参数构成一组特征向量;
构建BP神经网络,采用删除法选用同一组样本分别对不同隐含层节点数的网络进行训练,得到训练后的BP神经网络;
将完成训练后的BP神经网络作为神经网络模型,将特征向量输入神经网络模型进行故障识别,得到抽油机故障诊断结果。
8.一种抽油机故障诊断***,其特征在于,所述***包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的抽油机故障诊断程序,所述抽油机故障诊断程序被所述处理器执行时实现如权利要求1至4中任一项所述的抽油机故障诊断方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911333923.8A CN111042802A (zh) | 2019-12-23 | 2019-12-23 | 一种抽油机故障诊断方法、装置及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911333923.8A CN111042802A (zh) | 2019-12-23 | 2019-12-23 | 一种抽油机故障诊断方法、装置及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111042802A true CN111042802A (zh) | 2020-04-21 |
Family
ID=70238478
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911333923.8A Pending CN111042802A (zh) | 2019-12-23 | 2019-12-23 | 一种抽油机故障诊断方法、装置及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111042802A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114112017A (zh) * | 2021-11-25 | 2022-03-01 | 国网安徽省电力有限公司电力科学研究院 | 一种gis隔离开关的振动信号提取方法及*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060167659A1 (en) * | 2002-08-30 | 2006-07-27 | Nsk Ltd. | Method and device for monitoring status of mechanical equipment and abnormality diagnosing device |
KR20110108950A (ko) * | 2010-03-30 | 2011-10-06 | 울산대학교 산학협력단 | 신경회로망과 특징점을 이용한 고장진단장치 및 그의 고장진단방법 |
CN103176128A (zh) * | 2013-03-28 | 2013-06-26 | 华南理工大学 | 一种风力发电机组状态预报及智能故障诊断方法及*** |
CN103472137A (zh) * | 2013-09-22 | 2013-12-25 | 上海电力学院 | 基于振动信号分析的传动***齿轮故障诊断方法 |
CN103670373A (zh) * | 2012-09-26 | 2014-03-26 | 中国石油天然气股份有限公司 | 抽油机故障的诊断方法和*** |
CN105424359A (zh) * | 2015-11-25 | 2016-03-23 | 华南理工大学 | 一种基于稀疏分解的齿轮和轴承混合故障特征提取方法 |
CN109813547A (zh) * | 2019-01-08 | 2019-05-28 | 华南理工大学 | 基于稀疏分解优化算法的旋转机械局部型故障诊断方法 |
JP2019155498A (ja) * | 2018-03-08 | 2019-09-19 | オムロン株式会社 | ロボット制御装置、異常診断方法、及び異常診断プログラム |
CN110333076A (zh) * | 2019-06-19 | 2019-10-15 | 电子科技大学 | 基于CNN-Stacking的轴承故障诊断方法 |
WO2019205826A1 (zh) * | 2018-04-28 | 2019-10-31 | 河北工业大学 | 基于小波包能量谱和调制双谱分析的滚动轴承故障诊断方法 |
-
2019
- 2019-12-23 CN CN201911333923.8A patent/CN111042802A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060167659A1 (en) * | 2002-08-30 | 2006-07-27 | Nsk Ltd. | Method and device for monitoring status of mechanical equipment and abnormality diagnosing device |
KR20110108950A (ko) * | 2010-03-30 | 2011-10-06 | 울산대학교 산학협력단 | 신경회로망과 특징점을 이용한 고장진단장치 및 그의 고장진단방법 |
CN103670373A (zh) * | 2012-09-26 | 2014-03-26 | 中国石油天然气股份有限公司 | 抽油机故障的诊断方法和*** |
CN103176128A (zh) * | 2013-03-28 | 2013-06-26 | 华南理工大学 | 一种风力发电机组状态预报及智能故障诊断方法及*** |
CN103472137A (zh) * | 2013-09-22 | 2013-12-25 | 上海电力学院 | 基于振动信号分析的传动***齿轮故障诊断方法 |
CN105424359A (zh) * | 2015-11-25 | 2016-03-23 | 华南理工大学 | 一种基于稀疏分解的齿轮和轴承混合故障特征提取方法 |
JP2019155498A (ja) * | 2018-03-08 | 2019-09-19 | オムロン株式会社 | ロボット制御装置、異常診断方法、及び異常診断プログラム |
WO2019205826A1 (zh) * | 2018-04-28 | 2019-10-31 | 河北工业大学 | 基于小波包能量谱和调制双谱分析的滚动轴承故障诊断方法 |
CN109813547A (zh) * | 2019-01-08 | 2019-05-28 | 华南理工大学 | 基于稀疏分解优化算法的旋转机械局部型故障诊断方法 |
CN110333076A (zh) * | 2019-06-19 | 2019-10-15 | 电子科技大学 | 基于CNN-Stacking的轴承故障诊断方法 |
Non-Patent Citations (8)
Title |
---|
何国林: "复合齿轮传动***振动响应调制机理及稀疏分离方法研究" * |
何国林: "复合齿轮传动***振动响应调制机理及稀疏分离方法研究", 《中国优秀博士学位论文全文数据库(工程科技Ⅱ辑)》 * |
李国明: "基于神经网络的齿轮箱故障诊断研究" * |
李国明: "基于神经网络的齿轮箱故障诊断研究", 《中国优秀硕士学位论文全文数据库(工程科技Ⅱ辑)》 * |
甘屹等: "重型装备故障诊断***及其应用", 《计算机集成制造***》 * |
许敬成等: "BP神经网络在齿轮箱故障诊断中的应用" * |
许敬成等: "BP神经网络在齿轮箱故障诊断中的应用", 《噪声与振动控制》 * |
金续曾: "《新编三相电动机绕组修理与彩色接线图集》", 28 February 2015 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114112017A (zh) * | 2021-11-25 | 2022-03-01 | 国网安徽省电力有限公司电力科学研究院 | 一种gis隔离开关的振动信号提取方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ericsson et al. | Towards automatic detection of local bearing defects in rotating machines | |
Zhang et al. | Bearing fault diagnosis using multi-scale entropy and adaptive neuro-fuzzy inference | |
CN109765055B (zh) | 基于ewt、谱有效值和knn的滚动轴承故障检测方法及*** | |
CN108388692B (zh) | 基于分层稀疏编码的滚动轴承故障特征提取方法 | |
CN104215456B (zh) | 一种基于平面聚类和频域压缩感知重构的机械故障诊断方法 | |
CN110657985A (zh) | 基于奇异值谱流形分析的齿轮箱故障诊断方法及*** | |
CN103048133A (zh) | 一种基于贝叶斯网络的滚动轴承故障诊断方法 | |
CN114486263B (zh) | 一种旋转机械滚动轴承振动信号降噪解调方法 | |
CN111811819A (zh) | 一种基于机器学习的轴承故障诊断方法及装置 | |
CN113865872B (zh) | 基于小波包重构成像和cnn的轴承故障诊断方法 | |
CN113804388B (zh) | 基于时域分析的机械设备旋转冲击故障检测方法及*** | |
CN111042802A (zh) | 一种抽油机故障诊断方法、装置及*** | |
Betta et al. | A DSP-based FFT-analyzer for the fault diagnosis of rotating machine based on vibration analysis | |
CN111307426A (zh) | 一种基于FrFT-EWT原理的旋转机械故障特征提取方法 | |
CN107490477B (zh) | 基于频谱核密度函数相关性比较的齿轮箱故障诊断方法 | |
Fa-jun et al. | Compound fault diagnosis of gearbox based on wavelet packet transform and sparse representation classification | |
CN110044619B (zh) | 一种基于稀疏多周期组套索的多故障特征辨识方法 | |
CN108051213A (zh) | 一种滚动轴承在线故障检测方法 | |
Abdelkader et al. | Rolling bearing faults diagnosis based on empirical mode decomposition: Optimized threshold de-noising method | |
CN116086807A (zh) | 一种用于滚动轴承的故障判断方法和相关产品 | |
CN112345247A (zh) | 一种滚动轴承的故障诊断方法及装置 | |
CN115931318A (zh) | 故障智能诊断方法、装置、设备及存储介质 | |
CN115048960A (zh) | 一种设备状态检测方法 | |
CN115014765A (zh) | 一种通过声信号提取滚动轴承保持架故障特征的方法 | |
CN115326396A (zh) | 一种轴承故障的诊断方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200421 |
|
RJ01 | Rejection of invention patent application after publication |