基于递归神经网络的游梁式抽油机振动故障诊断

曹广华,宛立达,袁子龙 (大庆石油学院电气信息学院,黑龙江大庆1 6331 8)

金树波 (大庆石油管理局物探公司,黑龙江大庆163318)

作为目前国内使用最普遍的采油设备——游梁式抽油机[1],是一种以人工举升方式进行抽油杆往复运动的抽油设备。虽然游梁式抽油机的结构简单、操作维护方便,但由于露天、长时间工作导致载荷过重,以及复杂的地下工作状况,经常导致抽油机出现各种故障,主要的故障有电动机工作异常、减速器工作异常、抽油杆断杆和抽油杆偏磨等。

传统的抽油机故障诊断方法有示功图监测法、电流监测法、温度诊断法3种。示功图监测法利用抽油机工作上下行程,来对应地画出一个载荷与位移的函数关系曲线,从而得到实测示功图,其工作量比较大,人为因素太多,需要有一定的专家经验;电流监测法是根据抽油机井在出现各种的故障时,都会引起电动机电流平衡比的变化,从而可以对抽油机的故障做出判断,其需要人工定期进行电流测量和监测,工作量比较大,对故障发现不及时;温度诊断法采用红外点温仪以及温度计来测量抽油机关键部件的温升,但当温度超过现场专家经验温升时,抽油机就可能存在故障。

为此,笔者利用带偏差单元递归神经网络对抽油机振动故障进行了诊断,可以有效地克服传统抽油机故障诊断受工作环境和人为因素影响的缺点,准确地判断和预测抽油机故障。

1 带偏差单元递归神经网络

内部反馈型递归神经网络 (internally recurrent network,IRN)是一种利用网络结构的内部状态反馈系统[2,3]。图1为一个典型的3层IRN网络结构拓扑图。

该网络结构包括输入层、隐含层和输出层等3层网络节点;反馈节点由隐含层自身延时信号组成,并与输入层的输出一起构成隐含层的输入;另外,引入2个偏差单元节点分别加在隐含层和输出层上。这种带有偏差单元的反馈型神经网络结构,由于增加了反馈节点使得内部自反馈的隐含层节点可以存储过去的输入、输出信息,增加的偏差单元也使得在网络的学习过程中引入专家经验知识,这可以大大提高网络的学习效率。

图1 带偏差单元递归神经网络拓扑结构图

设NH和NI分别为隐含层节点数和输入层节点数(除偏差节点外),Uj(k)是该网络在第j时间的第k个输入层输入,xj(k)是第j个隐含层节点的输出,Y(k)是该网络的输出向量,则带有偏差单元的递归神经网络的数学公式可表述为:

式中,δ(·)是隐含层节点的非线性激活函数;wI、wR、wO分别是从输入层到隐含层、隐含层到反馈信号、隐含层到输出层的权系数;wHbias、wObias分别是加在隐含层和输出层上的偏差单元的权系数;bH、bO分别是加在隐含层和输出层上的偏差。

2 带偏差单元递归神经网络的算法

带偏差单元的递归神经网络是BP神经网络的一种改进算法,所以在考虑其权系数调整规则时,可以借鉴BP算法来确定网络的权值和阈值。

根据IRN网络结构模型,设输入模式向量Ak=[a1,a2,…,an],期望输出向量Yk=[y1,y2,…,yq];隐含层单元输入向量Sk=[s1,s2,…,sp],隐含层输出向量Bk=[b1,b2,…,bp];输出层单元输入向量Lk=[l1,l2,…,lq],输出向量Ck=[c1,c2,…,cq];输入层到隐含层连接权为{wij};隐含层到输出层连接权为{vjt};隐含层各个单元的输出阈值为{θj};输出层各个单元阈值为{ηt};i=1,2,…,n;j=1,2,…,p;k=1,2,…,m;t=1,2,…,q。

将网络的激活函数设为S函数f(x)=1/1+e-x,设第k个学习模式网络的期望输出和实际输出的偏差为所以的均方值为

2.1 隐含层到输出层的连接权的调整

为使Ek随连接权以梯度下降修整,连接权vjt的调整量Δvjt应与成正比,则有:

定义:

则连接权vjt的调整量:

2.2 输入层到隐含层的连接权的调整

定义:

则有:

连接权wij的调整量应为:

2.3 隐含层和输出层的调整

隐含层阈值{θj}的调整量为输出层阈值{ηt}的调整量为

3 仿真试验

3.1 带偏差单元递归神经网络学习样本的构建

首先通过特征提取获得抽油机振动故障状态的特征向量,把这些特征向量作为网络的输入信号。选取振动信号频谱中的1fr、2fr、3fr、＞3fr、fc、2fc频段上的幅值作为特征向量,其中 fr和 fc分别是轴转频率和齿轮啮合频率。先对所有数据进行归一化处理,使网络所有的输入都在 [0,1]内。选取抽油机关键部件的4种典型故障 (不平衡、不对中、齿轮偏心和轴承偏心),对这4类故障分别选取3组频谱值,构成相应4类故障的12组学习样本,并定义期望输出值1或接近1时代表故障存在,当是0或接近0时代表故障不存在。

采用表1数据为学习样本,利用神经网络的自学习功能,通过学习样本对IRN进行训练,来确定特征向量与目标向量之间的非线性映射关系以及连接权值和阈值。将检测到的振动数据输入到已训练好的网络模型,即可得到抽油机故障状态的诊断结果。

表1 归一化后各种故障类型的学习训练样本

3.2 仿真结果

利用构建的学习样本,用IRN进行故障诊断的仿真试验。选取的该网络含有6个输入节点、10个隐含节点、3个关联节点、2个偏差单元和4个输出节点。利用测试样本对网络进行检验,根据表2中测试结果 (主对角线上接近于1,其余接近于0)可以看到,用训练好的神经网络对抽油机故障状态的进行测试诊断,诊断仿真结果表明与实际工况相吻合,并完全接近理想输出。

表2 测试样本

4 结 语

当传统的诊断方法不能满足诊断需要时,利用带偏差单元递归神经网络能够对抽油机进行正确的振动故障诊断。通过仿真诊断结果表明,该方法完全可以满足现场实时诊断的准确性要求。

[1]张学鲁,季祥云,罗仁全.游梁式抽油机技术与应用[M].北京:石油工业出版社,2001.

[2]闻新,周露,李翔,等.Matlab神经网络仿真与应用[M].北京:科学出版社,2003.

[3]彭文季,罗兴锜,李福松,等.基于频谱法和带偏差单元递归神经网络的水电机组振动故障诊断 [J].机械科学与技术,2006,25(11):1281～1284.