CN113339280A - 一种海上离心泵故障诊断方法及*** - Google Patents

Abstract

本发明涉及一种海上离心泵故障诊断方法及***，其特征在于，包括以下内容：1)根据预先设定的标准报警阈值和预先建立的正常运行状态模型，建立预警模型；2)获取待测离心泵机组产生的振动数据并输入至建立的预警模型，得到特征向量；3)将得到的特征向量输入至预先建立的故障预警模型中，若判定为故障，则进入步骤4)；若判定为正常，则完成离心泵机组的故障诊断；4)将得到的特征向量输入至预先建立的故障诊断概率模型中，确定离心泵机组的故障类别，完成离心泵机组的故障诊断，本发明能够扩大故障维度，可以广泛应用于故障诊断领域中。

Description

一种海上离心泵故障诊断方法及***

技术领域

本发明是关于一种海上离心泵故障诊断方法及***，属于故障诊断领域。

背景技术

海上油气田离心泵设备由于长期运行在复杂、多变的工况下，设备的故障率是稳定生产与提升设备管理面临的重大挑战。随着海上离心泵状态检修策略的推进，越来越多的在线监测***用于海上离心泵的状态监测中，***的安全性、可靠性、稳定性以及测量结果的准确性直接影响状态检修策略的有效开展。

然而，目前现有的离心泵在线监测***多采用标准报警阈值方法预警，存在以下问题：1)海上离心泵设备工况变化频繁，单一标准化预警阈值会造成大量的虚警和误警；2)不具备分析诊断的功能，未考虑海洋石油的特点。

发明内容

针对上述问题，本发明的目的是提供一种准确度高的海上离心泵故障诊断方法及***。

为实现上述目的，本发明采取以下技术方案：一种海上离心泵故障诊断方法，包括以下内容：

1)根据预先设定的标准报警阈值和预先建立的正常运行状态模型，建立预警模型；

2)获取待测离心泵机组产生的振动数据并输入至建立的预警模型，得到特征向量；

3)将得到的特征向量输入至预先建立的故障预警模型中，若判定为故障，则进入步骤4)；若判定为正常，则完成离心泵机组的故障诊断；

4)将得到的特征向量输入至预先建立的故障诊断概率模型中，确定离心泵机组的故障类别，完成离心泵机组的故障诊断。

进一步地，所述步骤1)的具体过程为：

1.1)根据待测离心泵机组正常运行时的负荷和振动数据，建立待测离心泵机组的正常运行状态模型；

1.2)设定标准报警阈值；

1.3)根据设定的标准报警阈值和建立的正常运行状态模型，建立预警模型。

进一步地，所述步骤2)的具体过程为：

2.1)获取待测离心泵机组产生的振动数据，并将获取的振动数据输入至建立的预警模型；

2.2)预警模型对输入的振动数据进行低通滤波，去除低频干扰；

2.3)预警模型提取出滤波后振动数据的4个时域特征和8个频域特征，并对提取的特征进行归一化处理，得到一个12维的特征向量。

进一步地，所述步骤2.2)中12维的特征向量包括滤波前的振动烈度值、滤波后的振动烈度值、加速度波形的歪度值、加速度波形的峭度值、滤波前频域四个特征以及滤波后频域四个特征，频域的四个特征包括0～10Hz频谱能量比例、10～1KHz频谱能量比例、1KHz～3KHz频谱能量比例和3KHz以上频谱能量比例。

进一步地，所述离心泵机组的故障类别包括不平衡、不对中、转子弯曲、动静间摩擦、旋转失速、喘振和轴承故障。

进一步地，所述不平衡的特征频率成分为转子的1x成分，其中，x为转子的旋转频率；

所述不对中的特征频率成分为转子的2x成分；

所述转子弯曲的特征频率成分为转子的1x成分；

所述动静间摩擦的特征频率成分为转子的1/2x、1/3x、1/4x、1/5x、1x、2x或3x成分；

所述旋转失速的特征频率成分为转子的0.2x～0.5x的成分；

所述喘振的特征频率成分为1～30Hz的低频成分；

所述轴承故障的特征频率成分为转子的0.5x左右的成分，轴承内圈为：

其中，f_inner为滚动体在轴承内圈上的通过频率；Z为滚动体个数；f₀为轴承外圈滚道回转频率；f_i为轴承内圈滚道回转频率；d为滚动体直径；D为轴承节径；α为接触角；

轴承外圈为：

其中，f_outer为滚动体在轴承外圈上的通过频率；

滚动体为：

其中，f_ball为滚动体单体故障频率。

进一步地，所述步骤3)的具体过程为：

3.1)获取训练样本；

3.2)根据获取的训练样本中的正常振动数据，采用支持向量机概率密度估计的方式，确定离心泵机组各故障类别的概率密度P(X)；

3.3)计算计算特征向量在X处的概率密度P(X)，建立故障预警模型Y：

其中，a为设定的标准报警阈值；X为特征向量；Y为***状态；

3.4)将得到的特征向量输入至建立的故障预警模型Y中，若***状态Y为1，则离心泵机组故障，进入步骤4)；若***状态Y为0，则离心泵机组正常，完成离心泵机组的故障诊断。

进一步地，所述步骤4)的具体过程为：

4.1)基于训练样本对概率分布参数进行估计，计算出在特征向量V出现的情况下标记U出现的后验概率P(U|V)，建立故障诊断概率模型：

U＝argmaxP(U|V)

其中，U为故障类别标签；P(U|V)为后验概率；

4.2)将得到的特征向量输入至建立的故障诊断概率模型中，判断待测离心泵机组是否发生该类故障，后验概率P(Y|X)取最大值时对应的故障类别标签Y即为最终预测的离心泵机组的故障类别。

进一步地，所述步骤3.1)中的训练样本包括单一稳定工况下多个样本点的离心泵机组的运行振动数据，运行振动数据包括正常振动数据和故障振动数据。

一种海上离心泵故障诊断***，包括：

预警模型构建模块，用于根据预先设定的标准报警阈值和预先建立的正常运行状态模型，建立预警模型；

数据输入模块，用于获取待测离心泵机组产生的振动数据并输入至建立的预警模型，得到特征向量；

运行状态判断模块，用于将得到的特征向量输入至预先建立的故障预警模型中，判定离心泵机组是否正常；

故障诊断模块，用于将得到的特征向量输入至预先建立的故障诊断概率模型中，确定运行状态不正常的离心泵机组的故障类别。

本发明由于采取以上技术方案，其具有以下优点：

1、本发明基于海洋石油振动评定标准和状态监测分析，构建预警模型，能够实现海上离心泵故障的智能诊断分析并提供合理化的维修建议，丰富现有工具的功能。

2、本发明不依赖于固定阈值报警，建立的预警模型能够对海上离心泵机组未超过固定报警线发生的早期故障进行预警。

3、本发明结合机理与数据的预警方式，能够提升预警的准确性。

4、本发明结合故障模型和概率模型，使得多故障也可以表征出来，扩大故障维度，可以广泛应用于故障诊断领域中。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述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是本发明一实施例提供的方法流程图；

图2是本发明一实施例提供的建立的预警模型的结构示意图。

具体实施方式

下面将参照附图更详细地描述本发明的示例性实施方式。虽然附图中显示了本发明的示例性实施方式，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

应理解的是，文中使用的术语仅出于描述特定示例实施方式的目的，而无意于进行限制。除非上下文另外明确地指出，否则如文中使用的单数形式“一”、“一个”以及“所述”也可以表示包括复数形式。术语“包括”、“包含”、“含有”以及“具有”是包含性的，并且因此指明所陈述的特征、步骤、操作、元件和/或部件的存在，但并不排除存在或者添加一个或多个其它特征、步骤、操作、元件、部件、和/或它们的组合。文中描述的方法步骤、过程、以及操作不解释为必须要求它们以所描述或说明的特定顺序执行，除非明确指出执行顺序。还应当理解，可以使用另外或者替代的步骤。

本发明提供的海上离心泵故障诊断方法及***结合构建的概率模型与故障模型，使得离心泵机组多故障也能够表征出来进行故障诊断，提升预警的准确性。

实施例1

如图1所示，本实施例提供一种海上离心泵故障诊断方法，包括以下步骤：

1)建立离心泵机组的正常运行状态模型，并根据预先设定的标准报警阈值和建立的正常运行状态模型，建立预警模型，具体为：

1.1)根据离心泵机组正常运行时的负荷和振动数据，建立离心泵机组的正常运行状态模型。

1.2)设定标准报警阈值a。

1.3)根据设定的标准报警阈值和建立的正常运行状态模型，建立基于高维超球面体的预警模型，例如：如图2所示，落在区域1内时为安全，落在区域内2时为报警，落在区域3内时为危险，特征1、特征2和特征3均为预警模型的输入向量。

2)获取待测离心泵机组产生的振动数据并输入至建立的预警模型，得到12维的特征向量，其中，12维的特征向量包括滤波前的振动烈度值(反映总体振动烈度变化)、滤波后的振动烈度值(反映总体振动烈度变化)、加速度波形的歪度值(反映磨损状况)、加速度波形的峭度值(反映轴承偏离状况)、滤波前频域四个特征(根据故障频率分布特性划分)以及滤波后频域四个特征(根据故障频率分布特性划分)，频域的四个特征包括0～10Hz频谱能量比例、10～1KHz频谱能量比例、1KHz～3KHz频谱能量比例和3KHz以上频谱能量比例，具体为：

2.1)获取待测离心泵机组产生的振动数据，并将获取的振动数据输入至建立的预警模型。

2.2)预警模型对输入的振动数据进行低通滤波，去除低频干扰，其中，低通滤波的频率为7Hz。

2.3)预警模型根据机泵信号及故障特点，提取出滤波后振动数据的4个时域特征和8个频域特征共12个特征，并对12个特征进行归一化处理，得到一个12维的特征向量。

3)根据待测离心泵机组产生的振动数据，建立针对不同故障的诊断模型，其中，离心泵机组的故障类别包括：

A)不平衡，转子出现不平衡时，径向振动测点工频成分幅值增大，并出现较小的高次谐波分量，主要特征频率成分为转子的1x成分，其中，x为转子的旋转频率。

B)不对中，转子出现不对中时，径向或轴向振动测点工频2x成分幅值增大，能量大小接近或大于工频幅值，并出现较小的高次谐波分量，主要特征频率成分为转子的2x成分。

C)转子弯曲，转子弯曲分为临时性弯曲和永久性弯曲，与不平衡故障相比，弯曲故障的危害性更大，主要特征频率成分为转子的1x成分。

D)动静间摩擦，动静件接触时会增大转子刚度，造成转子出现涡动，从而产生一些特定的异常频率成分，主要特征频率成分为转子的1/2x、1/3x、1/4x、1/5x、1x、2x或3x等成分。

E)旋转失速，旋转失速时流体脱离叶轮工作面，导致流道堵塞，进而造成大面积流体脱离，转子承受激励发生变化的一种现象，主要特征频率成分为转子的0.2x～0.5x的成分。

F)喘振，为旋转失速的恶化，会引起机组大幅振动，与机组管网组成密切相关，并伴有强烈的吼叫声，主要特征频率成分为1～30Hz的低频成分。

G)轴承故障，主要特征频率成分为转子的0.5x左右的成分，轴承内圈为：

其中，f_inner为滚动体在轴承内圈上的通过频率；Z为滚动体个数；f₀为轴承外圈滚道回转频率；f_i为轴承内圈滚道回转频率；d为滚动体直径；D为轴承节径；α为接触角。

轴承外圈为：

其中，f_outer为滚动体在轴承外圈上的通过频率。

滚动体为：

其中，f_ball为滚动体单体故障频率。

4)根据预先获取的训练样本，建立故障预警模型Y，并将步骤2)中得到的12维的特征向量输入至建立的故障预警模型Y中，若判定为故障，则进入步骤5)；若判定为正常，则完成离心泵机组的故障诊断，其中，正常样本为离心泵机组正常工作时采集的振动数据，具体为：

4.1)获取训练样本，包括单一稳定工况下多个样本点的离心泵机组的运行振动数据，其中，运行振动数据包括正常振动数据和故障振动数据，即包括正常样本和故障样本。

4.2)根据获取的训练样本中的正常样本，采用支持向量机概率密度估计的方式，确定离心泵机组各故障类别的概率密度P(X)。

4.3)计算特征向量在X处的概率密度P(X)，建立故障预警模型Y：

其中，a为步骤1.2)中设定的标准报警阈值；X为特征向量；Y为***状态(0为正常，1为故障)。

4.4)将步骤2)中得到的12维的特征向量输入至建立的故障预警模型Y中，若***状态Y为1，则离心泵机组故障，进入步骤5)；若***状态Y为0，则离心泵机组正常，完成离心泵机组的故障诊断。

5)根据预先获取的训练样本，建立故障诊断概率模型，并将步骤2)中得到的12维的特征向量输入至建立的故障诊断概率模型中，确定离心泵机组的故障类别，完成离心泵机组的故障诊断，具体为：

5.1)基于训练样本对概率分布参数进行估计，计算出在特征向量V出现的情况下标记U出现的后验概率P(U|V)，建立故障诊断概率模型：

U＝argmaxP(U|V) (5)

其中，U为标记，即故障类别标签；P(U|V)为后验概率。

5.2)将步骤2)中得到的12维的特征向量输入至建立的故障诊断概率模型中，判断待测离心泵机组是否发生该类故障，后验概率P(U|V)取最大值时对应的故障类别标签Y即为最终预测的离心泵机组的故障类别。

实施例2

本实施例提供一种海上离心泵故障诊断***，包括：

预警模型构建模块，用于根据预先设定的标准报警阈值和预先建立的正常运行状态模型，建立预警模型。

数据输入模块，用于获取待测离心泵机组产生的振动数据并输入至建立的预警模型，得到特征向量。

运行状态判断模块，用于将得到的特征向量输入至预先建立的故障预警模型中，判定离心泵机组是否正常。

故障诊断模块，用于将得到的特征向量输入至预先建立的故障诊断概率模型中，确定运行状态不正常的离心泵机组的故障类别。

本实施例中的海上离心泵故障诊断***是结合标准报警阈值和建立的预警模型共同判断离心泵机组的运行状态的，在预警模型建立前，采用标准报警阈值进行预警，同时预警模型构建模块根据预先设定的标准报警阈值和预先建立的正常运行状态模型，建立预警模型，预警模型建立完成后，采用标准报警阈值和预警模型共同实现预警。

上述各实施例仅用于说明本发明，其中各部件的结构、连接方式和制作工艺等都是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。

Claims (10)

1.一种海上离心泵故障诊断方法，其特征在于，包括以下内容：

1)根据预先设定的标准报警阈值和预先建立的正常运行状态模型，建立预警模型；

2)获取待测离心泵机组产生的振动数据并输入至建立的预警模型，得到特征向量；

3)将得到的特征向量输入至预先建立的故障预警模型中，若判定为故障，则进入步骤4)；若判定为正常，则完成离心泵机组的故障诊断；

4)将得到的特征向量输入至预先建立的故障诊断概率模型中，确定离心泵机组的故障类别，完成离心泵机组的故障诊断。

2.如权利要求1所述的一种海上离心泵故障诊断方法，其特征在于，所述步骤1)的具体过程为：

1.1)根据待测离心泵机组正常运行时的负荷和振动数据，建立待测离心泵机组的正常运行状态模型；

1.2)设定标准报警阈值；

1.3)根据设定的标准报警阈值和建立的正常运行状态模型，建立预警模型。

3.如权利要求1所述的一种海上离心泵故障诊断方法，其特征在于，所述步骤2)的具体过程为：

2.1)获取待测离心泵机组产生的振动数据，并将获取的振动数据输入至建立的预警模型；

2.2)预警模型对输入的振动数据进行低通滤波，去除低频干扰；

2.3)预警模型提取出滤波后振动数据的4个时域特征和8个频域特征，并对提取的特征进行归一化处理，得到一个12维的特征向量。

4.如权利要求3所述的一种海上离心泵故障诊断方法，其特征在于，所述步骤2.2)中12维的特征向量包括滤波前的振动烈度值、滤波后的振动烈度值、加速度波形的歪度值、加速度波形的峭度值、滤波前频域四个特征以及滤波后频域四个特征，频域的四个特征包括0～10Hz频谱能量比例、10～1KHz频谱能量比例、1KHz～3KHz频谱能量比例和3KHz以上频谱能量比例。

5.如权利要求1所述的一种海上离心泵故障诊断方法，其特征在于，所述离心泵机组的故障类别包括不平衡、不对中、转子弯曲、动静间摩擦、旋转失速、喘振和轴承故障。

6.如权利要求5所述的一种海上离心泵故障诊断方法，其特征在于，所述不平衡的特征频率成分为转子的1x成分，其中，x为转子的旋转频率；

所述不对中的特征频率成分为转子的2x成分；

所述转子弯曲的特征频率成分为转子的1x成分；

所述动静间摩擦的特征频率成分为转子的1/2x、1/3x、1/4x、1/5x、1x、2x或3x成分；

所述旋转失速的特征频率成分为转子的0.2x～0.5x的成分；

所述喘振的特征频率成分为1～30Hz的低频成分；

所述轴承故障的特征频率成分为转子的0.5x左右的成分，轴承内圈为：

其中，f_inner为滚动体在轴承内圈上的通过频率；Z为滚动体个数；f₀为轴承外圈滚道回转频率；f_i为轴承内圈滚道回转频率；d为滚动体直径；D为轴承节径；α为接触角；

轴承外圈为：

其中，f_outer为滚动体在轴承外圈上的通过频率；

滚动体为：

其中，f_ball为滚动体单体故障频率。

7.如权利要求1所述的一种海上离心泵故障诊断方法，其特征在于，所述步骤3)的具体过程为：

3.1)获取训练样本；

3.2)根据获取的训练样本中的正常振动数据，采用支持向量机概率密度估计的方式，确定离心泵机组各故障类别的概率密度P(X)；

3.3)计算计算特征向量在X处的概率密度P(X)，建立故障预警模型Y：

其中，a为设定的标准报警阈值；X为特征向量；Y为***状态；

3.4)将得到的特征向量输入至建立的故障预警模型Y中，若***状态Y为1，则离心泵机组故障，进入步骤4)；若***状态Y为0，则离心泵机组正常，完成离心泵机组的故障诊断。

8.如权利要求7所述的一种海上离心泵故障诊断方法，其特征在于，所述步骤4)的具体过程为：

4.1)基于训练样本对概率分布参数进行估计，计算出在特征向量V出现的情况下标记U出现的后验概率P(U|V)，建立故障诊断概率模型：

U＝argmaxP(U|V)

其中，U为故障类别标签；P(U|V)为后验概率；

4.2)将得到的特征向量输入至建立的故障诊断概率模型中，判断待测离心泵机组是否发生该类故障，后验概率P(Y|X)取最大值时对应的故障类别标签Y即为最终预测的离心泵机组的故障类别。

9.如权利要求7所述的一种海上离心泵故障诊断方法，其特征在于，所述步骤3.1)中的训练样本包括单一稳定工况下多个样本点的离心泵机组的运行振动数据，运行振动数据包括正常振动数据和故障振动数据。

10.一种海上离心泵故障诊断***，其特征在于，包括：

预警模型构建模块，用于根据预先设定的标准报警阈值和预先建立的正常运行状态模型，建立预警模型；

数据输入模块，用于获取待测离心泵机组产生的振动数据并输入至建立的预警模型，得到特征向量；

运行状态判断模块，用于将得到的特征向量输入至预先建立的故障预警模型中，判定离心泵机组是否正常；

故障诊断模块，用于将得到的特征向量输入至预先建立的故障诊断概率模型中，确定运行状态不正常的离心泵机组的故障类别。

Images