基于小波分析的石油开采设备故障远程监测方法_周文博.pdf

化学工程与装备 2023 年 第 2 期 108 Chemical Engineering&Equipment 2023 年 2 月 基于小波分析的石油开采设备故障远程监测方法 基于小波分析的石油开采设备故障远程监测方法 周文博，渠 浩（陕西延长油田股份有限公司靖边采油厂，陕西 榆林 718500）摘 要：摘 要：为了提高石油开采设备运行的安全性，降低石油开采工程中设备存在的安全风险隐患，应用小波分析法，设计了石油开采设备故障远程监测方法。首先采集设备故障数据，然后根据采集到的数据，选取设备故障远程监测指标，最后基于小波分析实现石油开采设备故障远程监测。实验证明，新的设备故障远程监测方法在故障特征逐层深入的情况下，各项监测结果的准确率较高，均在 97%以上，较传统监测方法相比更加具有优势。关键词：关键词：小波分析；石油；故障；开采；远程；设备；监测 引 言 引 言 在我国石油开采技术不断发展的趋势下，对石油开采设备的需求不断增多1。石油开采设备性能是否良好，对石油开采工程的顺利进行具有重要意义2。受到环境与自然条件的影响，石油开采设备在运行过程中具有一定的不稳定性，影响石油开采效率的同时，对施工人员具有较大的生命财产安全威胁3。传统的石油开采设备故障监测方法具有一定的局限性，测量设备故障噪声仪器的要求较多，且测量范围有限，无法对石油开采设备故障作出快速分析，且故障监测结果的准确率较低4。基于此，本文提出了基于小波分析的石油开采设备故障远程监测方法设计，通过小波分析的方式，在较短时间内对石油开采设备的平稳与非平稳信号作出分析处理，帮助工作人员实时掌握石油开采设备的运行状况，提高石油开采工程的安全性与可靠性。1 基于小波分析的石油开采设备故障远程监测方法设计 1 基于小波分析的石油开采设备故障远程监测方法设计 小波分析作为发展迅速的全新领域，对设备的故障监测与分析具有一定的促进作用。本文设计的故障远程监测方法监测流程，如图 1 所示。图 1 基于小波分析的设备故障远程监测流程 图 1 基于小波分析的设备故障远程监测流程 如图 1 所示，为本文设计的石油开采设备故障远程监测方法的监测流程，具体的步骤如下所示。1.1 采集设备故障数据 本文设计的基于小波分析的石油开采设备故障远程监测方法中，首先，需要根据石油开采设备外部故障数据，提取设备样本特征，结合聚类分析法，采集设备运行的故障数据。判断石油开采设备是否处于异常工况，充分挖掘设备的分布式故障信息5。设置设备故障采集样本信息的采集时刻为t，样本的分布函数为，对石油开采设备进行异常特征检测，设备故障状态的检测数据模糊分类集()W t的表达式为：()12ctttW tv=（1）DOI:10.19566/35-1285/tq.2023.02.024 周文博：基于小波分析的石油开采设备故障远程监测方法 109 cvat=（2）式中，ct表示石油开采设备故障样本数据的初始聚类中心；v表示石油开采设备故障信息采样节点分布距离；表示设备故障样本的特征值；a表示设备故障数据的聚类系数。通过计算设备故障状态检测数据模糊分类集，结合参数辨识理论，获取设备故障的聚簇分类6。当石油开采设备处于异常工况时，设备受到故障的影响，外部会出现一定的振荡现象，设备外部振荡数据表达式为：()()()0costtx tAW t=（3）()0AAA t=（4）其中，()cost表示石油开采设备故障时外部振荡函数，通常情况下，在故障关联特征检测中可以提取到设备外部振荡系数与变化情况；A表示石油开采设备故障模糊分类系数；0A表示石油开采设备初始故障分类系数；()A t表示在t时刻下设备故障分类系数的变化值；W表示设备故障状态下检测数据模糊分类函数。基于故障信息挖掘的方式，通过故障样本特征值采样窗口，获取石油开采设备故障的量化传感数据。采用故障数据融合聚类分析法，对设备故障数据进行识别，最终获取适用于本文设计的故障远程监测方法的设备故障数据。1.2 选取设备故障远程监测指标 基于上述设备故障数据采集结束后，获取到适用于本文设计的故障远程监测方法的设备故障数据。接下来，根据石油开采设备的运行特征与以往故障情况，选取设备故障远程监测指标，为远程监测提供依据7。本文选取的石油开采设备故障远程监测指标，如表 1 所示。表 1 石油开采设备故障远程监测指标 表 1 石油开采设备故障远程监测指标 序号 设备组件 监测指标异常表现 1 发电机 电流 电流上升，发电机异常。2 断路器 振动信号 振动信号变化差异较大，断路器组件与工作形式异常。3 逆变器 运行功率 运行功率异常，逆变器内部或供电端故障。4 整流器 电压 电压异常，整流器出现对应相间故障。如表 1 所示，针对设备发电机故障来说，本文将电流作为发电机的故障监测指标，当电流出现大幅度上升时，表明设备发电机整体的负载较高，发电机运行出现异常。针对断路器来说，本文选取断路器的振动信号作为监测指标，当断路器的工作形式与设备组件存在缺陷时，远程监测到的振动信号变化差异较大8。对于石油开采设备的逆变器故障来说，本文选取逆变器的运行功率作为监测指标，当运行功率出现异常，表明逆变器的内部或供电端发生故障。电压出现异常是监测设备整流器的重要参数，通过电压异常的情况，能够准确判断出整流器对应的相间故障，因此，本文选取电压作为石油开采设备整流器的监测指标。1.3 基于小波分析的故障监测 基于上述石油开采设备故障远程监测指标选取结束后，结合小波分析方法，对设备的故障进行全方位监测。首先，设置设备的故障信号为()f t，故障信号的尺度参数为m，故障信号出现的时间变量为t，基于离散小波变换理论，获取设备故障信号的小波变换参数，表达式为：()(),Df tt=（5）()()0ff tTmf t=（6）其中，()t表示石油开采设备离散小波系数；fT表示设备故障信号聚类参数，通过表达式，获取设备故障信号小波变换参数，结合模糊聚类法，对石油开采设备的故障特征进行量化分解处理。量化分解后，利用矩阵运算方法与远程监测理论，对设备故障参数信息进行融合识别，获取设备故障远程监测函数，公式为：()1cos2nndv tKgn=（7）()cos2nngdv tn=（8）式中，ng表示石油开采设备故障偏移特征量；d表示设备故障频谱特征参数；n表示设备故障信号检测指标值；v表示设备故障特征离散值。综上设计，实现石油开采设备故障的远程监测目标。2 实验分析 2 实验分析 2.1 实验准备 为了对本文提出的基于小波分析的石油开采设备故障远程监测方法的应用效果作出进一步分析，进行了如下实验测试。本次实验以某石油项目开采设备为研究对象，该设备110 周文博：基于小波分析的石油开采设备故障远程监测方法 的转子系统存在不同故障。首先，通过红外敏感度不超过0.05的传感器，全方位采集设备振动数据，当设备故障转子系统的驱动方式转变为联轴器驱动时，记录发电机的转速变化数据。控制联轴器之间连接轴的组成，分别从水平方向与垂直方向收集设备轴承座的振动信号，利用通道数为 8、最大采样率为 105.4kS/s/ch 的设备数据采集卡，上传到远程故障监测计算机中。利用红外图像仪，获取石油开采设备的故障红外图像，并对各个图像进行标号处理。改变设备转子平衡，在故障远程监测中判断设备的耦合故障情况。通过不同编号的红外图像，远程获取设备不同障碍的具体位置以及设备运行温度响应区域。基于小波分析与设备故障参数间的互补，提取设备故障信息源，获取故障信息源融合诊断参数，如表 2 所示。表 2 设备故障信息源融合诊断参数 表 2 设备故障信息源融合诊断参数 数据源 诊断参数 超参数设置 红外图像 输入特征 185D 初始维度 65D 输出特征 35D 复杂度 26 网络结构 10-8-3-6-5-1 学习特征维度 86D 振动信号 输入尺寸 40*40 训练次数 28 输入维度 1*1200 学习率 0.8 网络结构 12-8-4-8-5-2 批次输入量 83 如表 2 所示，为本次实验中石油开采设备故障信息源融合诊断参数，接下来，对本文设计的故障远程监测方法监测结果的准确率进行测试。2.2 结果分析 本次实验采用对比实验的方式，设置本文提出的基于小波分析的石油开采设备故障远程监测方法为实验组，传统的基于 M-CNN 的设备故障监测方法为对照组，对比两种故障监测方法在故障特征逐层深入的情况下，远程监测结果的准确率及标准差，结果如表 3 所示。表 3 故障远程监测结果准确率及标准差对比 表 3 故障远程监测结果准确率及标准差对比 实验组 对照组 序号 监测名称 准确率 标准差 准确率 标准差1 单一振动信号 98.85%0.12 86.07%2.34 2 单一红外图像 97.64%0.08 85.16%2.08 3 多源融合特征参数 98.27%0.31 90.13%1.97 4多源监测参数 98.03%0.14 88.69%1.65 5平均池化融合 98.64%0.14 86.41%1.26 6最大池化融合 98.41%0.28 89.03%2.82 根据表 3 可知，在石油开采设备故障特征逐层深入的情况下，本文设计的基于小波分析的石油开采设备故障远程监测方法，各项监测结果的准确率较高，均在 97%以上，且监测结果的标准差相对较低，较传统远程监测方法相比优势显著。3 结束语 3 结束语 综上所述，石油开采设备的安全性与稳定性对石油开采项目的顺利进行具有重要影响，随着石油开采技术的不断提高，石油开采设备的种类与性能逐渐呈多样化发展。通过本文提出的基于小波分析的石油开采设备故障远程监测方法，能够有效地监测设备运行的状况及各项信息数据变化，具有较强的辨识能力与故障诊断监测能力，提高石油开采项目建设的安全。参考文献 参考文献 1 谢东明,黄勇钊.基于小波分析的造纸机械状态监测方法研究J.造纸科学与技术,2021,40(06):29-33.2 雷彪,陈江,侯林.基于随机森林算法的石油钻采装备外部故障自动监测方法J.自动化技术与应用,2021,40(07):125-128+155.3 李进.海洋石油往复压缩机在线监测智能预警诊断技术研究J.北京石油化工学院学报,2021,29(02):24-29.4 祁东明.海洋石油平台注水泵在线监测与故障智能诊断技术应用J.石油工业技术监督,2021,37(03):9-13.5 王业凡,吴星昂,高建东,等.基于小波分析的电网输电设备故障智能监测系统设计J.电子设计工程,2021,29(02):137-141.6 吴坚.基于小波分析和神经网络的刮板输送机刮板链故障诊断J.煤矿机械,2021,42(01):168-170.7 张昕昕,敬伟,王鹏,等.基于小波神经网络的高速自动机故障预测方法研究J.国外电子测量技术,2020,39(08):11-16.8 晏坤,马尚,王伟,等.基于小波分析和 Cassie 模型的低压串联电弧放电检测及故障保护仿真研究J.电器与能效管理技术,2019(18):48-52+67.（下转第 7 页）（下转第 7 页）许俊超：铝改性活性炭去除水中氟离子效果研究 7 optimization and characterization of mesoporous Mg-Al-Fe tri-metal nanocomposite targeting defluoridation:Synergistic interaction of molar ratio and thermal activationJ.Journal of Molecular Liquids,2018,268:376-385.8 Raichur AM,Jyoti Basu M.Adsorption of fluoride onto mixed rare earth oxidesJ.Separation and Purification Technology,2001,24:121-127.9 Wang LT,Xie YH,Yang JL,et al.Insi