王亞昆

（大慶油田力神泵業(yè)公司，黑龍江 大慶 163311）

基于RSGWPT-MSE和PNN的潛油電泵故障診斷方法

王亞昆

（大慶油田力神泵業(yè)公司，黑龍江 大慶 163311）

針對潛油電泵特征提取及狀態(tài)判別問題，提出一種基于冗余第二代小波包變換、多尺度熵和概率神經(jīng)網(wǎng)絡(luò)的診斷方法。首先，利用冗余第二代小波包對拾取的信號樣本進(jìn)行處理，得到相應(yīng)的子帶信號分量，繼而計(jì)算所得子帶信號分量的多尺度熵值，并構(gòu)造能夠表征電泵狀態(tài)的特征向量，最終將特征向量輸入到概率神經(jīng)網(wǎng)絡(luò)中實(shí)現(xiàn)潛油電泵故障的自動(dòng)識別。實(shí)測數(shù)據(jù)分析結(jié)果表明，所述方法能夠有效對潛油電泵的工作狀態(tài)進(jìn)行識別，具有一定工程應(yīng)用價(jià)值。

冗余第二代小波包變換；多尺度熵；概率神經(jīng)網(wǎng)絡(luò)；潛油電泵；故障診斷

0 引 言

潛油電泵采油技術(shù)，因其排量大、功率高、能量傳遞方式簡單以及管理方便等優(yōu)點(diǎn)得到了現(xiàn)場的廣泛應(yīng)用。但由于潛油電泵結(jié)構(gòu)較為復(fù)雜，井下工作條件惡劣，在油田開采過程中綜合故障率較高，因此對潛油電泵的狀態(tài)進(jìn)行監(jiān)測、辨識是確保安全生產(chǎn)的關(guān)鍵，具有重要而實(shí)際的意義[1]。

近些年，隨著非線性理論的發(fā)展，許多非線性算法如關(guān)聯(lián)維數(shù)、近似熵、樣本熵等被陸續(xù)應(yīng)用于機(jī)械設(shè)備診斷領(lǐng)域，但這些參數(shù)只能反映信號序列單一尺度的特征信息，分析效果具有一定局限性[2]。由Costa等[3]提出的多尺度熵（Multiscale entropy,MSE）方法不僅能夠在整體上刻畫信號序列的動(dòng)力學(xué)特征，而且可以根據(jù)尺度的變化反映時(shí)間序列不同尺度上的規(guī)律特性[3]。相關(guān)領(lǐng)域?qū)W者已將其用于處理機(jī)械故障信號，并且得到了比單一尺度樣本熵更為理想的分析效果[4-5]。由于設(shè)備運(yùn)行過程中存在強(qiáng)烈的背景噪聲干擾，因此對于潛油電泵診斷而言，直接利用多尺度熵來描述振動(dòng)信號的特征，效果欠佳，存在較大的改進(jìn)空間。作為一種強(qiáng)有力的非平穩(wěn)信號處理工具，冗余第二代小波包變換（redundant second generation wavelet package transformation,RSGWPT）因其變換可完全重構(gòu)、不依賴傅里葉變換來構(gòu)造非線性小波基等特點(diǎn)，已被成功應(yīng)用于機(jī)械故障診斷領(lǐng)域。該算法可對信號頻域進(jìn)行精細(xì)剖分，將原始信號分解為相應(yīng)的子帶信號分量，從而有效減少信號中復(fù)雜成分間的交互干擾[6]，因此將其作為一種預(yù)處理手段，對潛油電泵原始信號進(jìn)行處理，對于后續(xù)準(zhǔn)確刻畫信號的特征將更為有利。

作為一種智能化數(shù)據(jù)處理算法，概率神經(jīng)網(wǎng)絡(luò)（Probabilistic neural network,PNN）能夠以高精度逼近任何連續(xù)非線性函數(shù)，具有良好的自學(xué)習(xí)、自適應(yīng)特性以及強(qiáng)大的并行處理能力和聯(lián)合記憶功能，并且與經(jīng)典的BP神經(jīng)網(wǎng)絡(luò)相比，PNN網(wǎng)絡(luò)的訓(xùn)練過程耗時(shí)更短，訓(xùn)練結(jié)果更穩(wěn)定[7]，已作為分類器被成功應(yīng)用于機(jī)械故障診斷領(lǐng)域。

鑒于潛油電泵振動(dòng)信號非平穩(wěn)、非線性特點(diǎn)以及電泵狀態(tài)自動(dòng)判定的現(xiàn)實(shí)需求，本文利用MSE來提取信號的動(dòng)力學(xué)突變特征，以PNN作為分類器進(jìn)行狀態(tài)甄別，提出一種基于MSE和PNN的潛油電泵故障診斷方法，并通過實(shí)測數(shù)據(jù)對該方法進(jìn)行驗(yàn)證。

1 冗余第二代包變換

第二代小波變換對頻帶劃分是不均勻的，在高頻部分分辨率較差，降低了檢測精度，而小波包能將小波分析沒有細(xì)分的高頻部分作進(jìn)一步的分解，使尺度的增大而變寬的頻譜窗口進(jìn)一步分割變細(xì)，具有更好的時(shí)頻分析能力，可以提高信號分析精度。但是第二代小波包變換分裂與合成操作過程中重采樣造成處理結(jié)果出現(xiàn)頻率混疊現(xiàn)象，采用非降采樣的冗余方案可在一定程度上抑制頻率混疊，因此在第二代小波變換基礎(chǔ)上構(gòu)造了冗余第二代小波包變換[8]。

在2l尺度上冗余第二代小波包分解表達(dá)式為：

式中:Xl,k代表2l尺度上第k個(gè)節(jié)點(diǎn)系數(shù)分別為2l尺度上的冗余預(yù)測器和冗余更新器。

在2l尺度上冗余第二代小波包重構(gòu)表達(dá)式為：

在2l尺度上的冗余預(yù)測器Pl和冗余更新器Ul的表達(dá)式分別為：

其中:P={pm}，m=1,2,…,N和U={un}，n=1,2,…分別為提升小波變換的初始預(yù)測器和初始更新器，N和分別為它們的長度。

圖1 冗余第二代小波包分解

圖2 冗余第二代小波包重構(gòu)

以兩層處理過程為例，冗余第二代小波包分解、重構(gòu)過程分別如圖1、圖2所示。

2 多尺度熵

MSE是在樣本熵算法基礎(chǔ)上發(fā)展而來的一種能夠在不同尺度上衡量信號復(fù)雜度的方法，給定一個(gè)長度為L的序列{x1,x2,…,xL}，其多尺度熵的具體計(jì)算過程[3]如下：

1）對時(shí)間序列進(jìn)行粗?；幚?/p>

6）對m+1重復(fù)步驟（2）至步驟（5），得到Cτ,m+（1r）。

7）當(dāng)長度L為有限值時(shí)，序列的樣本熵值為

8）多尺度熵定義為不同尺度因子τ下樣本熵值的集合，則原始序列的多尺度熵為

3 概率神經(jīng)網(wǎng)絡(luò)

PNN是由徑向基神經(jīng)網(wǎng)絡(luò)發(fā)展而來的一種前饋神經(jīng)網(wǎng)絡(luò)，并且在徑向基神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上，融合了概率密度函數(shù)估計(jì)和貝葉斯理論，以指數(shù)函數(shù)替代傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中常用的S型函數(shù)作為激活函數(shù)，具有訓(xùn)練簡便、分類性能強(qiáng)等諸多優(yōu)勢。PNN一般由輸入層、模式層、求和層和決策層構(gòu)成，其結(jié)構(gòu)如圖3所示[7]。

輸入層將輸入樣本傳遞給模式層各節(jié)點(diǎn)，模式層與輸入層通過權(quán)值ωij相連，進(jìn)行加權(quán)求和，并通過非線性算子

運(yùn)算后，傳遞給求和層。該層各個(gè)模式單元的輸出為

式中：X為輸入樣本，Wi為輸入層與模式層間權(quán)值矩陣，σ為平滑系數(shù)。

求和層則將對應(yīng)樣本中同一類別的模式層傳遞輸出進(jìn)行累加，即

其中，m為樣本個(gè)數(shù)。

決策層接收求和層輸出的各類別的概率密度函數(shù)，概率密度函數(shù)最大的神經(jīng)元輸出為1，其對應(yīng)的類別即為樣本的識別結(jié)果，其它神經(jīng)元輸出則為0。

圖3 概率神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

4 診斷流程

本文融合冗余第二代小波包變換、多尺度熵在信號特征提取上的優(yōu)勢以及概率神經(jīng)網(wǎng)絡(luò)強(qiáng)大的模式辨別能力，提出一種基于RSGWPT-MSE和PNN的潛油電泵故障診斷方法，有望取得滿意的分析效果，診斷流程如圖4所示，具體步驟如下：

1）設(shè)置RSGWPT的處理層數(shù)，對采集到的每個(gè)信號樣本進(jìn)行分解重構(gòu)，得到相應(yīng)的子帶信號分量。對于RSGWPT處理層數(shù)的選取，如果設(shè)置的層數(shù)過小，則信號剖分不夠精細(xì)，反之處理層數(shù)設(shè)置過大，則所得的子帶信號分量帶寬過窄，包含的特征信息過少，不利于特征信息的獲取，考慮上述因由，本文設(shè)定RSGWPT的處理層數(shù)為2層。

2）計(jì)算每個(gè)信號樣本分解所得子帶信號分量的多尺度熵，并構(gòu)造相應(yīng)的特征向量。MSE的計(jì)算結(jié)果主要受嵌入維數(shù)m和相似容限r(nóng)這兩個(gè)參數(shù)的影響。m越大，在動(dòng)態(tài)重構(gòu)序列的聯(lián)合概率時(shí)，蘊(yùn)含的細(xì)節(jié)信息越豐富，但m取值過大，會造成計(jì)算負(fù)擔(dān)過重，綜合考慮，本文設(shè)定m=2。r取值過大，會丟掉許多統(tǒng)計(jì)信息，反之，則容易受噪聲的干擾，得到的統(tǒng)計(jì)特性效果不理想，因此r一般取0.1SD～0.5SD（SD為原始數(shù)據(jù)的標(biāo)準(zhǔn)差），本文取r=0.15SD。至于對MSE計(jì)算影響較小的樣本長度L和尺度因子τ這兩個(gè)參數(shù)的選取，本文分別取L=2048、τ=10。

3）通過RSGWTPT和MSE提取到各樣本的特征向量后，將訓(xùn)練樣本的特征向量輸入到PNN中，對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

4）將測試樣本的特征向量輸入到訓(xùn)練好的PNN中，通過網(wǎng)絡(luò)的輸出結(jié)果來判別電泵的狀態(tài)。

圖4 診斷流程圖

5 診斷實(shí)例

圖5 測試現(xiàn)場

表1 樣本的具體描述

為了驗(yàn)證所述方法的有效性，對實(shí)際采集的潛油電泵振動(dòng)數(shù)據(jù)進(jìn)行分析，測試現(xiàn)場如圖5所示。采樣頻率為5120 Hz，每種電泵狀態(tài)采集了50個(gè)信號樣本，樣本長度為1024點(diǎn)，從每種狀態(tài)的樣本集中隨機(jī)選取10個(gè)樣本用于訓(xùn)練，另外40個(gè)作為測試樣本進(jìn)行測試，信號樣本的具體描述如表1所示，電泵的10種工作狀態(tài)分別用序號C1～C10表示。

電潛泵井故障診斷的基礎(chǔ)和關(guān)鍵核心問題是一個(gè)模式識別問題，它的研究內(nèi)容是對模式（識別對象）的特征的描述。模式識別的主要依據(jù)是特征量，因此首先對各個(gè)信號樣本進(jìn)行RSGWPT處理，本文設(shè)定的處理層數(shù)為2層，因此每個(gè)樣本經(jīng)分解重構(gòu)后得到4個(gè)子帶信號分量。利用RSGWPT對各個(gè)樣本處理后，計(jì)算樣本分解重構(gòu)所得子帶分量的MSE，并構(gòu)造相應(yīng)的特征向量。由于本文選取的MSE尺度因子τ為10，因此每個(gè)信號樣本經(jīng)過RSGWPT、MSE提取特征后，得到一個(gè)由4×10=40個(gè)元素組成的特征向量。

特征向量某些尺度對應(yīng)的樣本熵值可以很好地將電泵不同狀態(tài)區(qū)分開來，但是某些尺度上對應(yīng)的樣本熵值存在彼此接近的情況，由此表明信號樣本在不同尺度上樣本熵值的可區(qū)分性強(qiáng)弱不同，存在一定差異。潛油電泵10種不同狀態(tài)共有50×10=500個(gè)樣本，如表1所示，每種狀態(tài)隨機(jī)選取10個(gè)樣本用于訓(xùn)練PNN網(wǎng)絡(luò)，構(gòu)成一個(gè)包含10×10=100個(gè)樣本的訓(xùn)練集，剩余的40×10=400個(gè)樣本則組成測試集。為了驗(yàn)證本文所述特征提取方法的可行性及優(yōu)勢，利用3種方法分別提取信號樣本的特征。其中:方法一是本文提出的RSGWPT結(jié)合MSE的方法;方法二直接計(jì)算樣本的MSE作為特征參量;方法三采用EMD結(jié)合MSE的方法。

利用3種方法分別提取樣本特征并構(gòu)造相應(yīng)的特征向量后，將訓(xùn)練集的特征向量輸入到PNN中進(jìn)行網(wǎng)絡(luò)訓(xùn)練，利用測試集的特征向量對訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行檢驗(yàn)，表2給出了3種特征提取方法的識別結(jié)果。其中，本文所述特征提取方法識別精度最高，整體識別精度為96.25%，除了C4狀態(tài)（泵抽空）和C7狀態(tài)（電泵延時(shí)太短）外，其它狀態(tài)類別均無錯(cuò)分情況，由此表明本文所述方法能夠得到一個(gè)較為滿意的識別結(jié)果。方法二的整體識別準(zhǔn)確率最低，為88.5%，且C7狀態(tài)（電泵延時(shí)太短）的識別精度極低，僅為42.5%，大部分C7狀態(tài)樣本被誤判為C6狀態(tài)頻繁運(yùn)行，說明直接以MSE為特征難以區(qū)分電泵的不同狀態(tài)，而將RSGWPT與MSE相結(jié)合則可以更好地刻畫信號樣本的本質(zhì)特征，這也驗(yàn)證了RSGWPT預(yù)處理的必要性。方法三的整體識別精度為91.79%，除了C1狀態(tài)（正常泵況）外，其它狀態(tài)類別均存在錯(cuò)分情況，與本文所述特征提取方法相比，識別精度存在很大差距。究其原因，主要由于EMD屬于一種自適應(yīng)信號處理手段，作為預(yù)處理方法在分解原始信號樣本時(shí)表現(xiàn)得不夠穩(wěn)定，從而對后續(xù)分類效果造成不利影響。上述對比結(jié)果表明，RSGWPT結(jié)合MSE的方法能更好地實(shí)現(xiàn)信號樣本特征信息的提取，并且本文提出的診斷新方法能夠?qū)崿F(xiàn)潛油電泵運(yùn)行狀態(tài)的準(zhǔn)確判定。

為進(jìn)一步驗(yàn)證PNN作為分類器的優(yōu)越性，在訓(xùn)練樣本集和測試樣本集完全相同的情況下，利用MSE提取樣本特征并構(gòu)造特征向量后，訓(xùn)練傳統(tǒng)的反向傳播神經(jīng)網(wǎng)絡(luò)（BPNN）分類器并進(jìn)行測試，識別結(jié)果如表3所示。與PNN訓(xùn)練過程相比，BPNN的耗時(shí)更長，除此以外，樣本整體識別準(zhǔn)確率也低于PNN分類器，由此表明無論在網(wǎng)絡(luò)訓(xùn)練速度還是分類準(zhǔn)確率方面，PNN分類器均比傳統(tǒng)BPNN分類器更具優(yōu)勢。

表2 不同特征提取方法識別結(jié)果對比

6 結(jié) 論

表3 PNN和BPNN分類器識別結(jié)果對比

本文提出了一種基于RSGWPT-MSE和PNN的潛油電泵故障診斷方法，通過RSGWPT對信號樣本進(jìn)行分解重構(gòu)處理，得到若干子帶信號分量，利用MSE來刻畫各子帶信號分量的狀態(tài)特征，并構(gòu)造相應(yīng)的特征向量，通過PNN來識別電泵的不同工作狀態(tài)。實(shí)際數(shù)據(jù)對比分析結(jié)果表明，與直接MSE方法以及EMD結(jié)合MSE的方法相比，RSGWPT結(jié)合MSE的方法能更好地實(shí)現(xiàn)信號樣本特征信息的提取，與傳統(tǒng)BPNN分類器相比，PNN分類器在訓(xùn)練速度及分類精度上優(yōu)勢明顯，本文提出的診斷方法能夠有效區(qū)分潛油電泵的狀態(tài)類型，得到可靠、準(zhǔn)確的故障識別結(jié)果，從而能夠?yàn)閷?shí)際工程應(yīng)用提供一定的參考，減少電潛泵在不正常工況下的工作時(shí)間，有效提高電潛泵井的經(jīng)濟(jì)效益。

[1] 馮定.朱宏武.薛敦松.基于系統(tǒng)分析的潛油電泵機(jī)組綜合診斷模型廠[J].石油學(xué)報(bào),2007,28(1):127-130.

[2] 李莉,朱永利,宋亞奇.多尺度熵在變壓器振動(dòng)信號特征提取中的應(yīng)用[J].振動(dòng).測試與診斷,2015,35(4):757-762.

[3] COSTA M,GOLDBERGER A L,PENG C K.Multiscale entropy analysis of biological signals.[J].Physical Review E Statistical Nonlinear&Soft Matter Physics,2005,71(1):021906.

[4] 張龍,張磊,熊國良,等.基于多尺度熵的滾動(dòng)軸承Elman神經(jīng)網(wǎng)絡(luò)故障診斷方法[J].機(jī)械科學(xué)與技術(shù),2014,33(12):1854-1858.

[5] 秦喜文,高中華,董小剛,等.利用經(jīng)驗(yàn)?zāi)B(tài)分解和多尺度熵的滾動(dòng)軸承故障診斷研究[J].制造業(yè)自動(dòng)化,2015,37(11):67-70.

[6] 羅榮,田福慶,馮昌林,等.改進(jìn)的冗余第二代小波包及其故障診斷應(yīng)用[J].華中科技大學(xué)學(xué)報(bào),2014,42(5):40-46.

[7] 楊凌霄,朱亞麗.基于概率神經(jīng)網(wǎng)絡(luò)的高壓斷路器故障診斷[J].電力系統(tǒng)保護(hù)與控制,2015,43(10):62-67.

[8] ANTONI J,BONNARDOT F,RAAD A,et al.Cyclostationary modelling of rotating machine vibration signals[J].Mechanical Systems&Signal Processing,2004,18(6):1285-1314.

（編輯昊 天）

A Diagnosis Method for Electrical Submersible Pump Based on RSGWPT-MSE and PNN

WANG Yakun
（DaqingOilfield Powerlift Pump IndustryCompany,Daqing163311,China）

Aiming at solving the problems of feature extraction and condition judgment for electrical submersible pumps,this paper proposes a diagnosis method based on redundant second generation wavelet package transformation（RSGWPT）,multiscale entropy and probabilistic neural network （PNN）.Firstly,the acquired signal samples are processed using redundant second generation wavelet package,and the corresponding subband signal components can be obtained.Then,the multiscale entropy of each obtained subband signal components is calculated,and the feature vectors which could characterize the conditions of the electrical submersible pumps are constructed.Finally,the feature vectors are input into the probabilistic neural network,and the different fault types of the electrical submersible pumps can be identified automatically.The analysis results of the measured data show that the proposed method could effectively identify the work condition of the electrical submersible pumps,and has a certain value for engineering application.

RSGWPT;multiscale entropy;PNN;electrical submersible pump;fault diagnosis

TE 933.307

A

1002－2333（2018）01－0167－05

王亞昆（1983—），男，工程師，從事潛油電泵油田現(xiàn)場的應(yīng)用以及維護(hù)管理工作。

2017-04-01