基于模糊神经网络的抽油机故障诊断方法.docVIP

基于模糊神经网络的抽油机故障诊断方法* 关键词：BP算法，黄金分割法，抽油机，故障诊断 1? 引言近年来,我国经济迅速发展,石油工业的战略地位越来越重要。抽油机是石油工业的重要设备,及时掌握抽油机的状态参数以及运行工况,准确的对抽油机进行故障诊断,实现故障诊断的自动化,可以提高抽油系统的工作效率和自动化水平,降低原油的生产成本,获得更高的经济效益[1]。目前,对抽油机井的故障诊断方法主要是绘制示功图,然后对示功图进行分析解释,以判断油井与设备故障。其工作量比较大,人为因素干预太多,需要有一定的专家经验[2]。因此,对抽油机井进行自动故障诊断研究具有重要意义。随着科学技术的进步和计算机技术的发展,特别是人工智能这一学科的发展,利用专家的经验,模拟专家诊断的思维方法进行演绎推理,处理各种模糊现象与不确定信息,使有杆抽油机井系统故障诊断进入了采用人工智能技术[3,4]的新阶段。人工神经网络具有良好的自组织、自学习、容错性、并行处理、联想记忆等特性[5]。但神经网络的局限性在于它的学习速度及问题求解容易陷入局部极小特性,其知识获取过程的可解释性差,对不确定、模糊信息表达能力较差。模糊逻辑能模仿人的模糊综合判断推理来处理常规方法难以解决的问题,具有良好的模糊性和对不确定信息表达的能力[6]。为此,将模糊逻辑与神经网络相结合,构造模糊神经网络,建立抽油机故障集与征兆集,对神经网络输入层进行模糊量化处理,采用隶属度函数描述设备故障程度,避免神经网络对不确定信息的表达[7]。并利用黄金分割法的变步长BP算法训练网络,根据误差变化趋势动态调整学习速率,使网络学习具有良好的自适应性,提高网络收敛速度,有效防止网络陷入局部极小。 2? 抽油机的故障集及征兆集的建立目前每口井都装有无线巡检系统,对抽油机井参数检测主要包括测量回油温度、最大电流、最小电流、均方电流、热洗温度、掺水温度、掺水压力、冲次等。经过分析,由于电流曲线是一种规则波形,任一电流曲线都标志着抽油机井系统的工作状态。因此,抽油机井系统如果抽油杆柱、减速器、四连杆机构(包括曲柄、连杆和游粱)等发生故障,必然使电流曲线的形态也发生相应的变化,可知抽油机井的故障与抽油机井的工作电流有关系[8]。当抽油机不平衡、抽油杆断脱和偏磨时会导致一个冲次(周期)的电流曲线形状或者月周期曲线发生不同情况的变化。通过对电流曲线特征参数的分析,可判断出抽油机井出现的故障类型。对于电流曲线来说,最大电流、峰值、次峰值、谷值、差值、均方电流、上冲程等特征最能表现出抽油机井的运行状况。选取上述约10个电流曲线特征参数建立故障征兆集为,通过对引起电动机工作异常的电流曲线分析,得到抽油机主要故障集, 即抽油机不平衡;抽油杆断脱;抽油杆偏磨。 3? 模糊神经网络的结构根据模糊逻辑和神经网络各自的特点,采用串联方式将二者结合,构造如下模糊神经网络。首先基于模糊理论将输入的故障征兆信号模糊化,从而使神经网络的训练样本更精确;然后基于BP神经网络进行抽油机的故障诊断;最后清晰化故障诊断的结果,其结构如图1所示。 模糊神经网络的结构有三个组成模块[9]。(1) 输入模糊化模块。完成从特征信号到网络输入模式之间的转化,即将故障征兆信号转化为以隶属度表示的模糊量集合。(2) 学习推理模块。应用BP神经网络算法完成从故障征兆到故障原因的推理诊断过程。(3) 输出清晰化模块。完成神经网络的输出模式到诊断结果的去模糊化过程,即根据ANN输出向量的隶属度最终确定故障的原因。3.1? 模糊神经网络的模糊化及其隶属度函数常用的隶属度函数主要形式有三角形隶属度函数trimf()、Z形隶属度函数zmf()、梯形隶属度函数trapmf()、高斯型隶属度函数gaussmf()等。由于10个电流特征参数数据全部需要进行模糊量化,这里仅以检测到的最大电流这一参数的模糊量化为例进行说明。根据多次测试和专家的实际经验,抽油机电动机正常工作状态下的最大电流在60A时系统运行状态良好,系统处于平衡状态,此时电流曲线波形变化比较平稳,下冲程电流最大值和上冲程电流最大值比较接近。当系统出现不平衡状态时,也就是电流平衡比(上冲程电流的最大值与下冲程电流的最大值之比)超出0.8—1.2的范围。当上冲程电流的最大值为60A时,系统运行状况良好的隶属度为1,此时下冲程电流的最大值接近60A,所以当上冲程电流最大值下降到50A后系统出现不平衡状态,即平衡比低于0.8,故系统运行良好的隶属度为0。在50A—60A之间系统运行良好的隶属度将变大,因为平衡比在0.8—1之间。在60A—72A之间系统运行良好的隶属度将变小,因为平衡比在1—1.2之间。当上冲程电流最大值上升到72A后,系统出现不平衡状态,即平衡比高于1.2.,故系统运行良好的隶属为0。这样就通过隶属