石油矿场注水柱塞泵故障诊断方法与流程

本发明属于机械设备故障诊断领域，涉及一种基于最小熵解卷积增强卷积神经网络的石油矿场注水柱塞泵故障诊断方法。

背景技术

随着我国国民经济的快速发展，石油的需求量与日俱增，开采地下原油，提高石油产量迫在眉睫。油田注水是采油过程的重要环节之一，作为注水过程中的关键设备--石油矿场注水柱塞泵，其工况恶劣，工作回注污水水质差、水温高，极易对阀体、柱塞、轴承和密封填料等造成腐蚀，严重缩短零件的使用寿命，带来重大的经济损失甚至酿成恶性事故。因此，迫切需要研究注水柱塞泵的故障诊断技术，对其开展实时监测和有针对性地维修，避免突发事故，提高生产效率。

注水柱塞泵服役于机电液压的耦合系统中，其振动信号为多种激励源综合作用的结果，从中分离出故障激励源异常困难。此外，由于石油矿场注水柱塞泵本身工作环境的复杂性，导致其故障类型多样，故障起因复杂，许多故障类型的故障机理不明确。加之，机组出现故障时，同一种故障特征频率对应于几种不同的故障类型，故障诊断困难。

卷积神经网络(convoutionalneuralnetwork,cnn)是一种数据驱动的深度学习网络，可以自动学习数据中的特征，通过卷积(convolution)和下采样(sub-sampling)交替操作，保留数据中的特征成分，减少高维干扰，最后由全连接层重新生成数据特征，从而实现数据的分布式特征表达。然而，由于石油矿场注水柱塞泵特殊的服役环境，其振动信号无可避免遭受机电液各路传递路径的干扰以及背景噪声的污染，严重影响了数据特征自动学习的效果。

技术实现要素：

本发明的目的是为了克服现有技术存在的缺点和不足，而提供一种基于最小熵解卷积增强卷积神经网络的石油矿场注水柱塞泵故障诊断方法。

为实现上述目的，本发明的技术方案是包括以下步骤：

s1：预定义石油矿场注水柱塞泵中各类已知故障类型的故障模式，并采集各个故障类型的一维原始振动信号；

s2:对原始振动信号做最小熵解卷积滤波处理，并对滤波后的信号建立二维矩阵，作为模型的训练样本；

s3:利用卷积神经网络对二维矩阵进行卷积和下采样操作，完整地保留表征信号特征的部分，降低信号中的高维干扰成分，解决故障信号的特征自动学习问题，获得已知故障模式的基于最小熵解卷积增强的卷积神经网络诊断模型；

s4:对需要监测的故障信号进行最小熵解卷积滤波，建立二维矩阵，构造测试样本，输入已知诊断模型，最终确定出故障类型。

进一步设置是所述的步骤s1通过加速度传感器采集各个已知故障类型的一维原始振动信号。

进一步设置是所述的步骤s2包括有：

(1)选择输出信号y的峭度作为滤波过程的目标函数：

(2)构造y与f之间的关系，可以归纳为：

式中，x(n)(n＝1,2,…,n)是输入信号x经过数据采样之后的输入序列，f(l)(l＝1,2,…,l)是滤波器的第l个权重系数，输出序列与滤波器权重的函数关系可以表达为：

(3)最大化f(l)的目标函数，可以得到：

(4)通过f(l)不断迭代求解，更新滤波器权重f：

(5)通过式(9)得到的最佳滤波器权重f，并代入式(6)，计算得到冲击性增强的的输出信号y，并利用其构建二维矩阵。

进一步设置是将步骤s3所构建二维矩阵作为卷积神经网络的输入图片，所述的步骤s3中的卷积操作包括有：

保持卷积后的图片的特征维度与原始图片的一致的卷积操作为：经过一次卷积操作后的图片大小为：

式(10)中，inputmaplength表示卷积层的输入图片的长度，inputmapwidth表示卷积层的输入图片的宽度；stridelength表示卷积核移动步长的长度，stridewidth表示卷积核移动步长的宽度；outputmaplength表示经过一次卷积操作后的输出图片长度，其大小为inputmaplength/stridelength，并向上取整；outputmapwidth表示经过一次卷积操作后的输出图片宽度，其大小为inputmapwidth/stridewidth，并向上取整；

本设置是还可以是所述的步骤s3中的卷积操作包括有：

不必保持卷积后的图片的特征维度与原始图片的一致的卷积操作为：，如果，经过一次卷积操作后的图片大小为：

outputmapwidth＝[(inputmapwidth-filterwidth)+1/stridewidth]

式(11)中，filter表示卷积核，filterlength表示卷积核的长度，filterwidth表示卷积核的宽度。

进一步设置是所述的步骤s3中的采用最大值或采用平均值进行下采样操作，以缩小图片的尺寸。

进一步设置是在卷积操作和下采样操作完成之后，通过全连接层的dropout随机地删除卷积神经网络中的一些隐藏神经元，并保持输入输出神经元个数不变，全连接层将其上一层的输出图片连接成一个一维向量，通过损失函数计算出损失值，从而对网络不断迭代更新，最终得到卷积神经网络理想的权重值w和偏置b，即获得已知故障模式的最小熵解卷积增强的卷积神经网络诊断模型，

所述的损失函数是对于模型输出结果与实际结果进行评价的函数，选择为均方误差函数：

式(12)中，z是期望的输出；f(wq+b)为模型的实际输出，q为神经元的输入，w为权重值，b为偏置，f(·)为激活函数。

进一步设置是所述的步骤s4为：对石油矿场注水柱塞泵未知故障类型的一维原始振动信号，进行最小熵解卷积滤波处理，并依据滤波后的一维振动信号，通过直接截断处理，建立二维矩阵，作为测试样本，输入所述已知故障模式的最小熵解卷积增强的卷积神经网络诊断模型，最终确定出故障类型。

本发明旨在为石油矿场注水柱塞泵提供一种多故障类型的诊断方法，以解决其故障诊断中出现的上述难题。

为此，本发明提出了一种石油矿场注水柱塞泵故障诊断的最小熵解卷积增强卷积神经网络方法，利用最小熵解卷积(minimumentropydeconvolution,med)自适应寻找滤波器权重，对原始柱塞泵故障信号进行消噪，提高信噪比，同时利用卷积神经网络实现数据特征自动学习，解决故障机理不明确等难题，取得了非常满意的故障分类结果，有关这方面研究，目前尚无报道。

本发明的优点是：

本发明方法一方面利用最小熵解卷积对原始故障信号进行自适应滤波，消除每一类故障模式原信号的传递路径干扰、噪声背景污染等，提高故障原信号的信噪比，并能够较完整地保留信号中的关键信息；另一方面，利用卷积神经网络卓越的特征学习能力，完美地表征了经过最小熵解卷积滤波后的故障模式的特征，并成功识别出各个故障类型。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。

图1本发明的方法流程图；

图2本发明的方法示意图；

图3本发明的最小熵解卷积滤波过程图；

图4本发明实施例案例一石油矿场注水柱塞泵故障信号波形图；

图5本发明实施例案例一石油矿场注水柱塞泵故障特征学习结果对比图；

图6本发明实施例案例一石油矿场注水柱塞泵多故障分类结果对比图

图7本发明实施例案例二石油矿场注水柱塞泵故障信号波形图；

图8本发明实施例案例二石油矿场注水柱塞泵故障特征学习结果对比；

图9本发明实施例案例二石油矿场注水柱塞泵多故障分类结果对比。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。

如图1至图2所示，为本发明实施例中，包括以下步骤：

s1:预定义石油矿场注水柱塞泵各类已知故障类型的故障模式，并通过加速度传感器采集各个已知故障类型的一维原始振动信号

对石油矿场注水柱塞泵各类已知的故障类型进行故障模式预定义：建立涵盖各种故障类型的一个完备事件组(需要监测的未知故障类型属于该完备事件组)并定义故障模式。继而通过加速度传感器采集各个已知故障类型的一维原始振动信号。

s2:对一维原始振动信号做最小熵解卷积滤波处理。

混合信号c由冲击源o，随机噪声e以及其它干扰d组成：

c＝o+d+e(1)

通常，信号传递路径可以简单地建模为线性时不变(lineartimeinvariant,lti)系统的传递函数。最终收集的信号x是传递函数h和混合信号c的卷积，这相当于一个有限脉冲响应(finiteimpulseresponse,fir)滤波器的滤波过程：

x＝c*h(2)

熵通常被理解为描述紊乱状态的度量。在大多数情况下，我们对可能预示着机械系统的早期故障的冲击性成分(即具有尖脉冲的信号)感兴趣，即具有较小熵值的成分。一般来说，随机噪声信号趋向于呈现高斯分布。同时，有研究指出，在所有实数方差和均值的概率分布里，高斯分布的熵值最大。因此，将熵值最小化，能够有效增强混合信号中的冲击性特征，凸显冲击成分。

最小熵解卷积可理解为与信号传递过程相反的逆滤波过程，其主要目标是通过式(3)找到一个最佳逆滤波器系数f，以恢复混合信号中的冲击性成分：

y＝f*x(3)

如图2所示，在没有任何先验知识的情况下，最小熵解卷积滤波器可以通过优化输出y的目标函数来自适应调整滤波器，获得最佳权重系数。

众所周知，统计指标(例如高阶统计量)常用于描述概率密度函数(probabilitydensityfunction,pdf)的形状。例如，较大的峭度(四阶统计量)值通常意味着pdf呈现尖峰。因此，使用高阶统计量作为目标函数来量化信号的特征，可以有效消除混合信号的干扰成分，突出尖峰脉冲。对于任意的输出信号y，其目标函数可以归纳为：

式中，y(n)(n＝1,2,…,n)是输出信号y通过数据采样之后的输出序列，r表示为r阶统计量，s通常取值为2，当r＝4时，为四阶统计量(峭度)。

如前所述，冲击性信号可以通过寻找具有最佳的反卷积系数向量f来增强，主要过程概述如下：

(1)选择输出y的峭度作为滤波过程的目标函数：

(2)构造y与f之间的关系，可以归纳为：

式中，x(n)(n＝1,2,…,n)是输入信号x经过数据采样之后的输入序列，f(l)(l＝1,2,…,l)是滤波器的第l个权重系数。输出序列与滤波器权重的函数关系可以表达为：

(3)最大化f(l)的目标函数，可以得到：

(4)通过f(l)不断迭代求解，更新滤波器权重f：

(5)通过式(9)得到的最佳滤波器权重f，并代入式(6)，计算得到增强后的输出信号y，对石油矿场注水柱塞泵的原始振动信号通过最小熵解卷积滤波之后，可以得到冲击性增强的信号y，利用其构建二维矩阵，作为卷积神经网络的输入图片。

s3:建立已知故障模式的最小熵解卷积增强的卷积神经网络诊断模型。

卷积神经网络有很多不同的架构(architecture)，包括，lenet-5、alexnet、vgg、resnet等，所有的卷积神经网络架构都具有相通操作，分别是，卷积层、下采样层和全连接层，每一层都有输入图片inputmap和输出outputmap。不同的网络架构采用不同的层数、激活函数和训练方式等，可以根据实际需要，选择以上合适的卷积神经网络架构。

卷积操作是卷积神经网络中最核心的部分，它相当于一个滤波器(filter)，可以提取图片中的关键数据信息，并以权重值的形式存储起来，因此，一般称其为卷积核。卷积核的大小和均人为指定。权重值起初随机生成，并在逐层训练的过程中不断优化，最终可以完美地表征图片中关键数据信息。

对于卷积操作，如果想要保持卷积后的图片的特征维度与原始图片的一致，经过一次卷积操作后的图片大小为：

式(10)中，inputmaplength表示卷积层的输入图片的长度，inputmapwidth表示卷积层的输入图片的宽度；stridelength表示卷积核移动步长的长度，stridewidth表示卷积核移动步长的宽度；outputmaplength表示经过一次卷积操作后的输出图片长度，其大小为inputmaplength/stridelength，并向上取整；outputmapwidth表示经过一次卷积操作后的输出图片宽度，其大小为inputmapwidth/stridewidth，并向上取整；

对于卷积操作，如果不必保持卷积后的图片的特征维度与原始图片的一致，经过一次卷积操作后的图片大小为：

式(11)中，filter表示卷积核，filterlength表示卷积核的长度，filterwidth表示卷积核的宽度。

在卷积之后加入下采样操作，以缩小图片的尺寸。下采样操作通常有两种选择，一种是采用最大值，另一种是采用平均值，可根据实际需要选择使用。

在卷积操作和下采样操作完成之后，通过全连接层的dropout随机地删除网络中的一些隐藏神经元，并保持输入输出神经元个数不变，一般设置为0.5。全连接层将其上一层的输出图片连接成一个一维向量，通过损失函数计算出损失值，从而对网络不断迭代更新，最终得到卷积神经网络理想的权重值w和偏置b，即获得已知故障模式的最小熵解卷积增强的卷积神经网络诊断模型。

损失函数(lossfuction)是对于模型输出结果与实际结果进行评价的函数，可以选择为均方误差函数：

式(12)中，z是期望的输出(即步骤1中定义好的故障模式)；f(wq+b)为模型的实际输出(即通过已知故障模式的模型学习之后，得到的输出故障类型，q为神经元的输入，w为权重值，b为偏置，f(·)为激活函数。在选择使用alexnet、vgg、resnet等架构的卷积神经网络的时，激活函数f(·)通常选用relu，使数据变得平滑，加速训练过程。

s4:对需要监测的石油矿场注水柱塞泵未知故障类型的模式识别，最终诊断出故障类型。

最后对石油矿场注水柱塞泵未知故障类型的一维原始振动信号，进行最小熵解卷积滤波处理，并依据滤波后的一维振动信号，通过直接截断处理，建立二维矩阵，作为测试样本，输入已知诊断模型，最终确定出故障类型。

实施例案例一：

取某油田现场运行泵组的故障数据，注水柱塞泵型号为：5zb_14/38，为水平直通式组合板阀整体泵头，输送介质为清水，柱塞直径为38mm，泵速为260r/min，冲程为180mm。本案例中取用了7种油田注水柱塞泵的故障数据，故障类型分别为：(1)正常工作状态，预定义为故障模式1；(2)曲轴箱轴承外圈磨损，预定义为故障模式2；(3)曲轴箱轴承内圈磨损，预定义为故障模式3；(4)十字头螺栓螺丝松动，预定义为故障模式4；(5)柱塞连接卡子松动，预定义为故障模式5；(6)排液阀松动，预定义为故障模式6；(7)柱塞磨损，预定义为故障模式7。采样频率25.6khz。

原始信号波形如图4所示：(a)故障模式1；(b)故障模式2；(c)故障模式3；(d)故障模式4；(e)故障模式5；(f)故障模式6；(g)故障模式7。由图可知，每一类故障信号除了振幅方面有一些差异，很难观察到故障特征。因此，有必要寻找一种数据驱动的特征自动学习方法，实现每一类故障模式特征的分布式表达。

为了实现故障数据的自动特征学习，在采样点中选择360000点数作为预处理的原始数据，每段截取400个数据点。每种故障模式训练集选取240000(600×400)个数据点，测试集选取120000(300×400)个数据点，即每种故障模式分别有600个训练样本和300个测试样本。因此，输入图片的尺寸是20×20。

图5给出了案例一中石油矿场注水柱塞泵故障特征学习结果。图5(a)为最小熵解卷积增强的卷积神经网络模型的特征学习结果，图5(b)为采用单独的卷积神经网络模型的特征学习结果，可以通过旋转三维散点图进行全面地观察。从图中可以看出，各类故障模式的类间间距非常明显，说明卷积神经网络可以有效地学习到每一类故障模式的特征；单类故障模式的类内间距紧凑，说明卷积神经网络对于每一类特征识别具有很好的鲁棒性。从而得出，经过最小熵解卷积增强之后，卷积神经网络对于石油矿场柱塞泵的故障特征学习能力明显增强。

图6所示为案例一中石油矿场注水柱塞泵故障分类混淆矩阵图。图6中(a)、(b)所示分别为最小熵解卷积增强的卷积神经网络和单独的卷积神经网络的分类结果，可以看出，前者的分类平均准确率为99.14％，后者仅为77.71％。如图6(a)所示，最小熵解卷积增强的卷积神经网络对于故障模式1的识别准确率为94％，故障模式1被误判为故障模式2和故障模式3的概率为1％和3％；对其他故障模式的识别准确率均可达到100％，而单独的卷积神经网络的结果没有如此理想。如图6(b)所示，单独的卷积神经网络对故障模式1和故障模式4的识别准确率100％；故障模式2为85％，故障模式2被误判为故障模式5的概率为15％；故障模式3为68％，故障模式3被误判为故障模式5和故障模式7的概率为20％和12％；故障模式5为71％，故障模式5被误判为故障模式2和故障模式3的概率为11％和18％；故障模式6为51％，故障模式6被误判为故障模式3、故障模式5和故障模式7的概率为4％、12％和33％；故障模式7为69％，故障模式7被误判为故障模式2、故障模式3和故障模式6的概率为5％、10％和17％。实施例案例二：

取某油田现场运行泵组的故障数据，注水柱塞泵型号为：3zs-5/35，液力端采用直通式压装板阀整体泵头，输送介质为污水，柱塞直径为30mm，泵速为320r/min，冲程为110mm。本案例中取用了6种油田注水柱塞泵的故障数据，故障类型分别为：(1)正常工作状态，预定义为故障模式1；(2)电机端轴承内圈磨损，预定义为故障模式2；(3)电机端轴承外圈磨损，预定义为故障模式3；(4)曲轴箱轴瓦磨损，预定义为故障模式4；(5)进液阀松动，预定义为故障模式5；(6)胶带轮偏斜，预定义为故障模式6。采样频率25.6khz。

原始信号波形如图4所示：(a)故障模式1；(b)故障模式2；(c)故障模式3；(d)故障模式4；(e)故障模式5；(f)故障模式6。由图可知，每一类故障信号除了振幅方面有一些差异，很难观察到故障特征。因此，有必要寻找一种数据驱动的特征自动学习方法，实现每一类故障模式特征的分布式表达。

为了实现故障数据的自动特征学习，在采样点中选择200000点数作为预处理的原始数据，每段截取400个数据点。每种故障模式训练集选取120000(300×400)个数据点，测试集选取80000(200×400)个数据点，即每种故障模式分别有300个训练样本和100个测试样本。因此，输入图片的尺寸是20×20。

图8给出了案例一中石油矿场注水柱塞泵故障特征学习结果。图8(a)为最小熵解卷积增强的卷积神经网络模型的特征学习结果，图8(b)为采用单独的卷积神经网络模型的特征学习结果，可以通过旋转三维散点图进行全面地观察。从图中可以看出，各类故障模式的类间间距非常明显，说明卷积神经网络可以有效地学习到每一类故障模式的特征；单类故障模式的类内间距紧凑，说明卷积神经网络对于每一类特征识别具有很好的鲁棒性。由此可见，经过最小熵解卷积增强之后，卷积神经网络对于石油矿场柱塞泵的故障特征学习能力明显增强。

图9所示为案例一中石油矿场注水柱塞泵故障分类混淆矩阵图。图9中(a)、(b)所示分别为最小熵解卷积增强的卷积神经网络和单独的卷积神经网络的分类结果，可以看出，前者的分类平均准确率为97.83％，后者仅为85.67％。如图9(a)所示，最小熵解卷积增强的卷积神经网络对于故障模式1的识别准确率为96％，故障模式1被误判为故障模式3和故障模式4的概率为3％和1％；故障模式3的识别准确率为94％，故障模式3被误判为故障模式1、故障模式2、故障模式4和故障模式6的概率为2％、1％、1％和2％；故障模式6的识别准确率为97％，故障模式6被误判为故障模式2的概率为3％；对其他故障模式的识别准确率均可达到100％，而单独的卷积神经网络的结果没有如此理想。如图6(b)所示，单独的卷积神经网络对故障模式1和故障模式4的识别准确率100％；故障模式2为93％，故障模式2被误判为故障模式3和故障模式5的概率为2％和6％；故障模式3为60％，故障模式3被误判为故障模式1、故障模式2、故障模式4、故障模式5和故障模式6的概率为2％、12％、4％、15％和8％；故障模式5为77％，故障模式5被误判为故障模式2、故障模式3和故障模式6的概率为7％、9％和6％；故障模式6为84％，故障模式6被误判为故障模式1、故障模式2、故障模式3和故障模式5的概率为3％、1％、6％和6％。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如rom/ram、磁盘、光盘等。

以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。