卧式柱塞泵多传感器时域分析与降维8

　　

卧式柱塞泵多传感器时域分析与降维

邹林¹，宋长山¹_，刘杰¹，王新燕²，张晓菡¹，程晓君¹，崔晋¹

（1.胜利油田技术检测中心；2.胜利油田检测评价研究有限公司）

摘 要 ：柱塞泵是石化企业重要的流体设备，相比于离心式流体设备，其机械系统和动力学

更为复杂，难以对其进行故障溯源。本文根据现场实际情况进行故障的模拟，采用多个振动传感器进行时域特征提取，结合数据分析手段进行故障的分类和诊断，同时对传感器进行降维处理，实现通过最少的传感器实现故障诊断。

关键词 ：柱塞泵； 故障诊断； 传感器降维

Multi sensor time domain analysis and dimension reduction of horizontal plunger pump

Abstract: Plunger pump is an important fluid equipment in petrochemical enterprises. Compared with centrifugal fluid equipment, its mechanical system and dynamics are more complex, so it is difficult to trace its fault source. This paper simulates the fault according to the actual situation of the site, uses multiple vibration sensors to extract the time-domain features, combines the data analysis means to classify and diagnose the fault, and reduces the dimension of the sensors to realize the fault diagnosis through the least sensors.

Key words: Plunger pump; Fault diagnosis; Sensor dimensionality reduction

0 引言

柱塞泵在石油的开采、输送和精炼等各个领域中发挥着重要的作用。随着油田的持续开发，原油总量的减少使得原油粘度不断增加并且油层压力也不断下降，因此大量的原油无法开采，残留在地下。为了对残留的原油进行充分的开采，提高油田产量，需要注水来维持或增加储层压力^[1]。注水时，注入的水压需要高于储层压力，常用的泵主要有多缸柱塞泵和多级离心泵。由于注入水中含有许多杂质和腐蚀性物质，而柱塞泵具有良好的自吸能力，出口压力大，效率高，并能输送大量杂质和腐蚀性物质的介质，所以采油时，柱塞泵通常被用作注水设备^[2]。

在油田注水工程中，柱塞泵负载最重，长期高速运行，容易发生故障。柱塞泵的稳定运行意义重大，如果发生故障则会使得噪音增大、振动加剧，影响工作效率，甚至危害人身生命安全，造成严重财产损失^[3]。然而，油田常用的轴向柱塞泵运行速度较高，导致泵在运行过程中振动和噪声增大，降低了泵的性能。尤其在液压油温度较高、杂质较多的情况下，泵发生故障的概率会大大增加^[4]。柱塞泵故障大多发生在内部，但因其结构复杂，拆装困难，难以对其进行直接监测。此外，泵本身的性质导致其不可避免的在内部或管路中产生液阻，引起流量脉动，进而产生压力脉动，且各构件之间相互关联、相互耦合，存在复杂的相关关系，例如柱塞球头与滑靴、滑靴与斜盘、配流盘和缸体端面以及柱塞表面与柱塞孔表面等。这些因素使得信号呈现强烈的非线性和非平稳特征，导致故障定位困难^[5]。柱塞泵的故障类型与故障表现之间没有一一对应关系，即不同的故障类型可能表现出相同的特征，而相同的特征又可能对应不同的故障类型，导致故障特征提取困难。因此，对于柱塞泵找到通用且有效的故障诊断方法显得尤为重要。

柱塞泵的原始振动信号是由多种因素共同作用的结果，通常通过信号处理提取工作状态信息^[6]，然后通过判别函数来识别工作状态。柱塞泵信号处理方法可分为三类：时域分析法，频域分析法和时频分析法^[7]。其中，峰值振幅、均方根振幅、峰值系数、峰度和方差等时域分析方法在滚子轴承上得到了运用。2003年，Samanta等人^[8]采用均方根等时域特征的方法，成功实现对滚动轴承故障状态的识别；2009年，Yang等学者^[9]通过综合电流信号和振动信号的时域特征参数，对电机进行了故障诊断实验；2018年，Semchedine Fedalal等学者^[10] 从采集的故障信号中提取均方根、峰度和方差等5组时域特征参数，结合其他频域信号分析方法，实现齿轮箱故障状态的识别；2016年，Fu等学者^[11] 通过提取滚动轴承的均方根等时域特征，结合C均值模糊分析模型，识别轴承的故障状态。经哲等^[12] 以广义相关系数为目标函数，对随机共振系统的结构参数进行优化提高信号的信噪比，实现斜盘磨损和滑靴松动故障的诊断；段礼祥^[13]等提取时域信号峰峰值、方差、峭度指标、裕度指标以及特征频带幅值等作为特征向量，实现了柱塞泵柱塞-缸体磨损故障诊断；石红雁等^[14] 采用高阶统计量与模糊神经网络相结合的方法，可以有效地提高故障特征信号的信噪比，提高诊断效率；谭继勇等^[15]利用加权峰度值作为优化参数，通过随机共振方法提取信号的冲击分量。综上所述，时域分析法已成功应用于柱塞泵故障诊断。

本文采用三缸柱塞泵模拟采油厂中油田注水过程，获得了柱塞泵不同故障状态下的振动信号，并在试验过程中对柱塞泵常见的几种故障模式进行了模拟。针对柱塞泵的典型故障，本文设计一种匹配准则，将在线数据的应时域特征参数与故障模型的时域特征参数进行误差匹配，找出故障匹配度最高即为该类故障，实现了柱塞泵的在线故障诊断，对油田柱塞泵的监测与诊断具有重大安全监测和经济效益具有重大的意义。

1柱塞泵故障实验平台的搭建

1.1 实验台搭建

柱塞泵为卧式轴柱塞泵3QP0；采集柱塞泵振动信号的传感器为加速度传感器YMLN-100T。故障实验台的搭建如图1所示

图1 故障实验台示意图

1.2 传感器安装位置

十五个加速度传感器在泵壳上的安装位置如图2所示，具体位置见表1。

图2 现场设备及传感器安装位置

（底座东北、底座西北、电机东、电机西、曲轴东、泵头正面）。

表1 传感器安装位置及序号

1.3 实验故障模拟

本文设计的实验中模拟了8种故障，包括（1）十字头磨损，（2）十字头销磨损，（3）泵头弹簧破坏，（4）柱塞磨损，（5）皮带磨损，（6）轴承支架破坏，（7）轴承滚珠磨损，（8）阀芯破坏。

图6 十字头磨损图 图7 十字头销磨损图

图9 泵头弹簧破坏图 图8 柱塞磨损图

图9 皮带磨损图 图8 轴承支架破坏图

图10 轴承滚珠磨损图 图11 阀芯破坏图

为了更好的模拟柱塞泵在石化企业的中运行情况，平台采用电机的额定转速1500r/min，柱塞泵出口压力采用后端憋压阀至额定压力6MPa以此模拟系统在不同功率和不同负载工况下的运行状态，采样频率设定为3.2KHz，每次采样时间均为2.5s，每组故障每个传感器采样大于5次。

2 故障标准时域指标建立及在线故障诊断流程

在数据时间域上所作的各种处理称为时域数字特征。因为有量纲的特征参数随载荷的变化波动很大，在实际中难以应用。常用无量纲的数字特征参数进行故障特征的提取。常用的时域特征参数有波形指标、峰值指标、脉冲指标、峪度和峭度指标。2.1 时域指标

波形指标：

（1）

峰值指标：

（2）

脉冲指标：

（3）

裕度指标：

（4）

峭度指标：

（5）

式中，为信号的均方根值，为信号的平均幅值，为信号的最大值，为信号的方根幅值，为峭度， ，，，，N表示构成样本的信号采样点个数，Xi表示振动幅值，i表示采样点的下标索引。

15个传感器每个传感器对应5个指标，这样一个故障样本对应一个15×5维度大小的矩阵，通过遴选最能反映故障特征的指标，以便降低后续故障诊断过程的数据处理难度和提高故障诊断的准确率。

一个故障标准标准的建立：将一个故障的所有数据样本集合D应用“留出法”(hold-out)，直接将数据集D划分为两个互斥的集合，其中的一个集合作为加权平均求取标准图谱的训练集S，另一个作为测试集T，对于划分的比例，通常做法是将大约2/3~4/5的样本用于训练，剩余样本用于测试。通过将训练集样本加权平均获得一个故障的标准数据样本绘制出故障对应的标准图谱，一个标准图谱对应的是一个矩阵。

(6)

其中，为训练集中的某一个数据样本，为其对应的权重需满足的约束，权重的选取目前依赖人工经验，当样本数目较多时，可通过学习算法以减小测试集泛化误差为目的训练出最合适的权重系数。

流程1：绘制单一故障的标准指标

输入：某类单一故障的原始数据样本集合（为总样本数）； 划分比例； 输出：故障的标准指标及数据； 步骤一：对原始数据样本集合每个样本进行计算获得波形指标，峰值指标，脉冲指标，裕度指标，峭度指标； 步骤二：按照划分比例划分数据，前作为训练集数据，其余作为测试集数据； 步骤三：确定个权重因子（人工），权重因子需满足，将训练集数据按照(6)进行加权平均获得标准指标及数据； 步骤四：输出该单一故障的标准指标及数据。

2.2 在线诊断

按照图12所示的流程进行故障诊断，包括数据预处理阶段、故障类型确定、故障详情确定。其中数据处理包括现场数据提取，时域指标信号得到，标准指标转换。故障类型确定是确定故障类型。

图12 在线故障诊断流程图

算法：在线故障诊断算法

输入：在线采集的振动数据样本集 故障库故障标准图版及数据（为故障总数）； 输出：故障类别 步骤一:对柱塞泵机组运行在线采集15个传感器的振动信号，获取柱塞泵的15个传感器现场振动数据一组； 步骤二:将获取的一组现场15个传感器的振动数据通过公式1-5转换成一组有15×5的指标； 步骤三：依次计算获取的15个传感器指标与故障标准指标的第i个故障第j个传感器标准指标的均方根误差（）指标： 式中：为在线第i个故障第j个传感器第n个指标，为标准第j个传感器第n个指标。获取在线数据与第i个故障时域指标15个传感器的一组,对一组进行调和平均，获得在线数据与i个故障时域指标误差，计算公式如下： 式中：表示样本数据与第i个故障的标准图谱的RMSE指标，表示样本数据第j个传感器与第i个故障的第j个传感器的RMSE指标。获得所有故障指标的当i大于8，终止循环计算； 步骤五：将获得所有故障指标进行大小比较，最小的RMSE即表明与相应的故障标准图谱的相似度越高，即输出该故障。

2.3 数据测试

以泵头阀芯破坏的数据进行测试：现场数据导入matlab,执行编写的分列程序得到传感器点位和时域的数据。以公式（1）-（5）执行时域指标计算。计算测试数据与故障标准指标的RMSE指标，输出最小的RMSE对应的故障即泵头阀芯破坏。

表2 测试数据与故障标准指标的RMSE指标

故障 编号	1	2	3	4	5	6	7	8
RMSE	1.54	1.69	7.38	2.98	4.05	1.57	0.88	0.13

3 传感器降维

总体图谱的RMSE指标由15个传感器RMSE指标组成，针对某一故障其中RMSE贡献度较小的传感器即认为对判别影响较小，可以诊断过程中不进行考虑，分别对每个故障重复进行判别，确定对故障诊断过程影响较小的传感器集合，实现传感器降维。表3为2.3中的贡献度排序。具体步骤见图13。

表3 传感器贡献度排序

图12 在线故障诊断流程图

以全部8组数据进行测试，从计算均方根误差选用的传感器数量两方面进行模型改进。测试数据计算结果正确记为1，反之记为0，8份测试数据的总分除以8得到传感器的正确率（测试数据为预留数据未参与标准指标的建立）。测试结果显示选取的传感器数目至少为3个，此时传感器选取为[1;7;9;10;11;12]（底座东北、底座西北、电机东、电机西、曲轴东、泵头正面）。

表4 选取不同的传感器对应的故障分类正确率

传感器数目	1	2	3	4	5	6	7	8	9
正确率（%）	0.125	0.5	0.75	0.75	0.75	0.75	0.75	0.75	0.75

表5 选取不同的传感器对应的传感器降维效果

传感器 数目	1	2	3	4	5	6
传感器位置	[9;11;12]	[9;11;12]	[1;7;9;10; 11;12]	[1;3;7;9;10; 11;12]	[1;3;6;7;9;10; 11;12]	[1;2;3;4;6;7;9;10; 11;12]

4 结论

柱塞泵广泛用于油田的生产。柱塞泵广泛应用于油田生产。为了保证柱塞泵的稳定运行，需要对柱塞泵的工作状态进行监测和故障诊断。针对现有柱塞泵诊断系统性价比低、智能化程度低、操作人员缺乏经验的问题，本文通过使用的柱塞泵多传感器时域指标分析方法并建立故障模型库，通过在线获取振动信号故障特征完成对柱塞泵故障的诊断。基于某柱塞泵对常见故障问题进行了分析和研究。根据实际工况，首先设计了故障实验方案。环境验证可行后，在柱塞泵的实际运行环境中进行实验。最后，对实验数据进行了分析和总结，表明故障诊断技术在油田柱塞泵中的应用和推广是切实可行的。

参考文献

[1] 李丰亮. 浅谈油田采油与注水对油井动态的影响 [J]. 石化技术, 2017, 024(002): 228.

[2] 张人会, 程效锐, 杨军虎. 特殊泵的理论及设计 [M]. 特殊泵的理论及设计, 2013.

[3] 励文艳, 程珩, 赵立红, 韩露. 基于局部s变换和极限学习机的柱塞泵滑靴磨损故障诊断 [J]. 液压与气动, 2019, 000(012): 15-21.

[4] 罗向阳, 权凌霄, 关庆生, 王迁. 轴向柱塞泵振动机理的研究现状及发展趋势 [J]. 流体机械, 2015, 43(008): 41-47.

[5] 刘思远, 胡浩松, 丁琳琳. 小波包和小波脊线相结合的解调方法在液压泵故障诊断中的应用 [J]. 液压与气动, 2015, (04): 50-55.

[6] 杜振东, 赵建民, 李海平, 张鑫. 基于SA-EMD-PNN的柱塞泵故障诊断方法研究 [J]. 振动与冲击, 2019, 38(08): 150-157.

[7] FRISCH, M., MESSER, H. The use of the wavelet transform in the detection of an unknown transient signal [J]. IEEE Trans Inform Theory, 1992, 38(2): 892-897.

[8] SAMANTA B, AL-BALUSHI K R. ARTIFICIAL NEURAL NETWORK BASED FAULT DIAGNOSTICS OF ROLLING ELEMENT BEARINGS USING TIME-DOMAIN FEATURES [J]. Mechanical Systems & Signal Processing, 2003, 17(2): 317-328.

[9] TRAN V T, YANG B S, OH M S, TAN A. Fault diagnosis of induction motor based on decision trees and adaptive neuro-fuzzy inference [J]. Expert Systems with Applications, 2009, 36(2): 1840-1849.

[10] FEDALA S, REMOND D, ZEGADI R, FELKAOUI A. Contribution of angular measurements to intelligent gear faults diagnosis [J]. Journal of Intelligent Manufacturing, 2018, 29(5): 1115-1131.

[11] SHENG F, LIU K, XU Y, YI L. Rolling Bearing Diagnosing Method Based on Time Domain Analysis and Adaptive Fuzzy -Means Clustering [J]. Shock and Vibration,2016,(2015-12-29), 2015, 2016(1): 1-8.

[12] 郭经哲. 基于广义相关系数自适应随机共振的液压泵振动信号预处理方法 [J]. 振动与冲击, (16期): 72-78.

[13] 段礼祥, 王福善. 基于复合指标的往复泵柱塞-缸套磨损故障诊断 [J]. 石油机械, 2006, 34(10): 52-55.

[14] 石红雁, 许纯新, 瞿爱琴. 液压系统故障诊断的高阶统计量-模糊神经网络法 [J]. 农业机械学报, 2003, 34(5): 119-122.

[15] 谭继勇, 陈雪峰, 何正嘉. 冲击信号的随机共振自适应检测方法 [J]. 机械工程学报, 2010, 46(023): 61-67.

订阅方式：
①在线订阅（推荐）：www.sdchem.net.cn
②邮局订阅：邮发代号24-109

投稿方式：
①在线投稿（推荐）：www.sdchem.net.cn
　　作者只需要简单注册获得用户名和密码后，就可随时进行投稿、查稿，全程跟踪稿件的发表过程，使您的论文发表更加方便、快捷、透明、高效。
②邮箱投稿：sdhgtg@163.com sdhg@sdchem.net
　　若“在线投稿”不成功，可使用邮箱投稿，投稿邮件主题：第一作者名字/稿件题目。
投稿时请注意以下事项：
　　①文前应有中英文“题目”、“作者姓名”、“单位”、“邮编”、“摘要”、“关键词”；
　　②作者简介包括：姓名、出生年、性别、民族、籍贯或出生地、工作单位、职务或职称、学位、研究方向；
　　③论文末应附“参考文献”，执行国标GB/T7714-2005标准，“参考文献”序号应与论文中出现的顺序相符；
　　④注明作者的联系方式，包括电话、E-mail、详细的通讯地址、邮编，以便联系并邮寄杂志。
　　 　                                                                                   山东化工稿件修改细则