CN103235260A - 基于hht的潜油电机转子断条故障识别方法 - Google Patents

Abstract

基于HHT的潜油电机转子断条故障识别方法，属于电机断条故障识别技术领域。本发明为了解决目前潜油电机的转子断条故障不能实现在线检测，造成电机严重烧损的问题。它首先采集潜油电机的三相定子电流；获得0-3.3V的电压信号，作为待识别的原始定子电流信号，处理获得定子电流幅值X(t)，再获得分析信号Z(t)，对分析信号Z(t)进行傅里叶变换获得定子电流信号幅值频谱W(ω)，由定子电流信号幅值频谱W(ω)获得电机定子电流中的边频成分；将获得的电机定子电流中的边频成分的幅值与额定幅值进行比较，若边频成分的幅值大于额定幅值，则判定存在转子断条故障。本发明用于识别潜油电机转子断条故障。

Description

基于HHT的潜油电机转子断条故障识别方法

技术领域

本发明涉及基于HHT的潜油电机转子断条故障识别方法，属于电机断条故障识别技术领域。

背景技术

转子断条故障是潜油电机的常见故障之一，很多与转子非对称、不平衡相关的电机故障也归类为“广义转子断条”。由于断条故障发生的初期，电机并不会出现明显的电气和温度的变化，加之潜油电机一般工作于2000m深的井下，使得常规的温度、压力、转速等传感器不能或难以直接检测出故障信号的突变。因此，当转子断条故障严重到一定程度时，极可能导致电机严重烧损，这将影响到油井的检泵周期，缩短潜油电机的使用寿命。因此研究电机转子断条故障的产生机理，实现潜油电机断条故障的在线诊断及保护具有极其重要的现实意义。

发明内容

本发明目的是为了解决目前潜油电机的转子断条故障不能实现在线检测，造成电机严重烧损的问题，提供了一种基于HHT的潜油电机转子断条故障识别方法。

本发明所述基于HHT的潜油电机转子断条故障识别方法，它包括以下步骤：

步骤一：采集潜油电机的三相定子电流；

步骤二：采用信号调理电路对三相定子电流进行调理，获得0-3.3V的电压信号，作为待识别的原始定子电流信号；

步骤三：对待识别的原始定子电流信号进行处理获得定子电流幅值X(t)，再对定子电流幅值X(t)进行希尔伯特变换，获得分析信号Z(t)，对分析信号Z(t)进行傅里叶变换获得定子电流信号幅值频谱W(ω)，由定子电流信号幅值频谱W(ω)获得电机定子电流中的边频成分；

步骤四：将步骤三中获得的电机定子电流中的边频成分的幅值与额定幅值进行比较，若边频成分的幅值大于额定幅值，则判定存在转子断条故障；

否则，对定子电流信号幅值频谱W(ω)基于BP神经网络进行训练和测试，通过调试与分析设定频谱幅值阈值，当BP神经网络的输出大于该频谱幅值阈值时，则判定存在转子断条故障；否则，潜油电机为正常运行。

所述步骤四中的边频成分的幅值为定子电流信号幅值频谱W(ω)中(1-2s)f₀处的幅值，其中s为转差率，f₀为定子电流信号幅值频谱W(ω)中的基波频率，f₀＝50Hz。

所述步骤三中对待识别的原始定子电流信号进行处理获得定子电流幅值X(t)，再对定子电流幅值X(t)进行希尔伯特变换，获得分析信号Z(t)，对分析信号Z(t)进行傅里叶变换获得定子电流信号幅值频谱W(ω)的具体过程为：

对待识别的原始定子电流信号进行经验模态分解，直至筛选为本征模态函数，将本征模态函数作为定子电流幅值X(t)进行希尔伯特变换，获得分析信号Z(t)的幅值虚部Y(t)：

$Y\left(t\right)=\frac{1}{\mathrm{\π}}P{\∫}_{-\∞}^{\∞}\frac{X\left(t^{\′}\right)}{t-t^{\′}}d{t}^{\′},$

式中P为柯西主值，t为当前时间量，t′为当前时间量t的前一个时间量，

由此获得分析信号Z(t)的幅值a(t)：

$a\left(t\right)={[X^2\left(t\right)+Y^2\left(t\right)]}^{1/2},\mathrm{\θ}\left(t\right)=\arctan \left(\frac{Y\left(t\right)}{X\left(t\right)}\right),$

式中θ(t)为分析信号Z(t)的相位；

上述X(t)和Y(t)构成了复杂的共轭对，由此获得分析信号Z(t)：

Z(t)＝X(t)+iY(t)＝a(t)e^iθ(t)，

对分析信号Z(t)进行傅里叶变换获得定子电流信号幅值频谱W(ω)：

$W\left(\mathrm{\ω}\right)={\∫}_{-\∞}^{\∞}Z\left(t\right)e^{-\mathrm{i\ωt}}\mathrm{dt}={\∫}_{-\∞}^{\∞}a\left(t\right)e^{\mathrm{i\θ}\left(t\right)}{e}^{-\mathrm{i\ωt}}\mathrm{dt}$

$={\∫}_{-\∞}^{\∞}a\left(t\right)e^{i(\mathrm{\θ}\left(t\right)-\mathrm{\ωt})}\mathrm{dt},$

式中ω为定子电流信号的瞬时频率，

$\mathrm{\ω}=\frac{\mathrm{d\θ}\left(t\right)}{\mathrm{dt}}.$

步骤四中所述对定子电流信号幅值频谱W(ω)基于BP神经网络进行训练和测试，通过调试与分析设定频谱幅值阈值的具体方法为：

首先，选择定子电流信号幅值频谱W(ω)的有效值和标准差作为BP神经网络的输入矢量，所述输入矢量为2×1的列矢量；

然后，分别根据实验获得的潜油电机正常运行状态、轻微故障运行状态及完全故障运行状态时定子电流信号幅值频谱W(ω)的有效值与标准差，确定BP神经网络的有效值输入范围和标准差输入范围；

将BP神经网络设置为两层结构，一层为隐层，另一层为输出层；所述BP神经网络的输入矢量首先传播到隐层节点，经隐层的传递函数，传输到输出层的输出节点后获得BP神经网络的输出；

确定BP神经网络隐层的神经元个数，并且隐层的传递函数采用正切Sigmoid函数f(x)：

$f\left(x\right)=\frac{2}{1+e^{-2x}}-1,$

其中x为BP神经网络的输入矢量；

再确定BP神经网络输出层的神经元个数，并且输出层的输出函数采用线性传递函数Y(x)：

Y(x)＝ky，

其中y为隐层的输出；k为线性传递函数的比例参数；

对BP神经网络采用Levenberg-Marquardt优化方法进行训练和测试，通过调试与分析设定频谱幅值阈值；BP神经网络的训练目标误差为0。

本发明的优点：本发明所述基于HHT的潜油电机转子断条故障识别方法能够正确判断潜油电机转子断条故障的机理及发展趋势，为电机转子断条故障的发生提供预测，特别是实现了潜油电机井下故障的地面监测，具有十分现实的意义。

本发明能够实现1000～3500米深油井下潜油电机运行状态的在线监测。能够满足油田开采后期，受高温高压影响而导致的2km-3km油井中、功率为12kW以下潜油电机运行状态实时监测的需要，进而预测故障的发生情况。这对延长潜油电机的检泵周期和使用寿命，保障其高效、安全稳定运行具有极其现实的应用价值与开发前景。

附图说明

图1是本发明所述基于HHT的潜油电机转子断条故障识别方法的流程图；

图2为潜油电机正常运行状态的三相定子电流图；

图3为潜油电机故障运行状态的三相定子电流图；

图4为潜油电机正常运行状态的定子电流信号幅值频谱图；

图5为潜油电机故障运行状态的定子电流信号幅值频谱图；

图6为电机完全故障运行状态时负载电阻R＝70Ω时的输入定子电流幅值X(t)在希尔伯特HHT变换前的频谱图；

图7为电机完全故障运行状态时负载电阻R＝70Ω时的经HHT变换后的分析信号Z(t)频谱图；

图8为电机完全故障运行状态时负载电阻R＝100Ω时的输入定子电流幅值X(t)在希尔伯特HHT变换前的频谱图；

图9为电机完全故障运行状态时负载电阻R＝100Ω时的经HHT变换后的分析信号Z(t)频谱图；

图10为定子电流信号幅值频谱W(ω)在特征频率(1-2s)f₀处的有效值曲线图；

图11为定子电流信号幅值频谱W(ω)在特征频率(1-2s)f₀处的标准差曲线图；

图10和图11中，A线条为潜油电机正常运行状态的曲线，B线条为潜油电机完全故障运行状态的曲线，C线条为潜油电机轻微故障运行状态的曲线；

图12为BP神经网络训练误差变化图。

具体实施方式

具体实施方式一：下面结合图1说明本实施方式，本实施方式所述基于HHT的潜油电机转子断条故障识别方法，它包括以下步骤：

步骤一：采集潜油电机的三相定子电流；

步骤二：采用信号调理电路对三相定子电流进行调理，获得0-3.3V的电压信号，作为待识别的原始定子电流信号；

步骤三：对待识别的原始定子电流信号进行处理获得定子电流幅值X(t)，再对定子电流幅值X(t)进行希尔伯特变换，获得分析信号Z(t)，对分析信号Z(t)进行傅里叶变换获得定子电流信号幅值频谱W(ω)，由定子电流信号幅值频谱W(ω)获得电机定子电流中的边频成分；

步骤四：将步骤三中获得的电机定子电流中的边频成分的幅值与额定幅值进行比较，若边频成分的幅值大于额定幅值，则判定存在转子断条故障；

否则，对定子电流信号幅值频谱W(ω)基于BP神经网络进行训练和测试，通过调试与分析设定频谱幅值阈值，当BP神经网络的输出大于该频谱幅值阈值时，则判定存在转子断条故障；否则，潜油电机为正常运行。

本实施方式中，三相定子电流的检测采用电流传感器实现，对采集信号的处理过程采用数据采集卡实现。由电流传感器采样后均获得毫伏级的正弦波电流信号，由于此毫伏级的正弦波电流信号不能直接作为数据采集卡的输入信号，因此采用信号调理电路将采样获得的毫伏级的正弦波电流信号转变成毫伏级的电压信号，并进一步放大为0-1.5V的交流电压信号，再由信号调理电路中1.8V直流电压源举升为0-3.3V的交流电压信号，然后送到数据采集卡采样通道，作为数据采集卡的原始输入信号。

对原始输入信号所进行的一系列算法过程，都在计算机的matlab中实现，及至最后实现对转子断条故障的判断。

电流传感器可以使用KEHAI公司的KT75A/P型号的电流传感器。它的测量范围宽，频率特性好，反应速度快，过载能力强。

数据采集卡可以采用PCI-1711型号，它具有16模拟输入通道和高达100K的采样频率，完全能够满足算法的实时性和精度。

具体实施方式二：本实施方式对实施方式一作进一步说明，所述步骤四中的边频成分的幅值为定子电流信号幅值频谱W(ω)中(1-2s)f₀处的幅值，其中s为转差率，f₀为定子电流信号幅值频谱W(ω)中的基波频率，f₀＝50Hz。

具体实施方式三：下面结合图1至图11进行说明，本实施方式对实施方式一或二作进一步说明，所述步骤三中对待识别的原始定子电流信号进行处理获得定子电流幅值X(t)，再对定子电流幅值X(t)进行希尔伯特变换，获得分析信号Z(t)，对分析信号Z(t)进行傅里叶变换获得定子电流信号幅值频谱W(ω)的具体过程为：

对待识别的原始定子电流信号进行经验模态分解，直至筛选为本征模态函数，将本征模态函数作为定子电流幅值X(t)进行希尔伯特变换，获得分析信号Z(t)的幅值虚部Y(t)：

$Y\left(t\right)=\frac{1}{\mathrm{\π}}P{\∫}_{-\∞}^{\∞}\frac{X\left(t^{\′}\right)}{t-t^{\′}}d{t}^{\′},$

式中P为柯西主值，t为当前时间量，t′为当前时间量t的前一个时间量，

由此获得分析信号Z(t)的幅值a(t)：

$a\left(t\right)={[X^2\left(t\right)+Y^2\left(t\right)]}^{1/2},\mathrm{\θ}\left(t\right)=\arctan \left(\frac{Y\left(t\right)}{X\left(t\right)}\right),$

式中θ(t)为分析信号Z(t)的相位；

上述X(t)和Y(t)构成了复杂的共轭对，由此获得分析信号Z(t)：

Z(t)＝X(t)+iY(t)＝a(t)e^iθ(t)，

对分析信号Z(t)进行傅里叶变换获得定子电流信号幅值频谱W(ω)：

$W\left(\mathrm{\ω}\right)={\∫}_{-\∞}^{\∞}Z\left(t\right)e^{-\mathrm{i\ωt}}\mathrm{dt}={\∫}_{-\∞}^{\∞}a\left(t\right)e^{\mathrm{i\θ}\left(t\right)}{e}^{-\mathrm{i\ωt}}\mathrm{dt}$

$={\∫}_{-\∞}^{\∞}a\left(t\right)e^{i(\mathrm{\θ}\left(t\right)-\mathrm{\ωt})}\mathrm{dt},$

式中ω为定子电流信号的瞬时频率，

$\mathrm{\ω}=\frac{\mathrm{d\θ}\left(t\right)}{\mathrm{dt}}.$

判断转子断条故障的原理：

电机定子电流中的边频成分的谐波f_k为：

f_k＝(1±2ks)f₀，(k＝1，2，3，....)。

由于转子断条故障信息的获取是通过在稳态条件下检测潜油电机定子电流中边频成分来获得的。如果有断条的话，这些边频成分的幅值，特别是(1-2s)f₀处的幅值会比正常条件下要大。这些频率会随着负载的变化而变化；在重载条件下，(1-2s)f₀处的特征频率会比轻载时低。为推导潜油电机转子断条故障的特征频率，即区别于正常条件下的断条故障下信号频率，根据电机学理论可知，转子电流频率为sf₀，则转子转速n为：

公式二：n＝(1-s)n_s，

其中，n_s为同步转速，其单位为rpm；

电机的转子电流能够产生正序、逆序及零序旋转磁场，定子电流基频产生的磁场与转子电流产生的正序磁场的转速相同，均为同步转速，大小为

其中p为电机磁极对数。在正常条件下，由于定转子的对称性，转子电流产生的逆序与零序磁场很小，可以忽略不计，定子中只有f₀频率的基波电流。而在故障状态下，尤其是在断条状态下，由于转子物理结构的非对称性引起电流分布的非对称性，会引起磁场的非对称性。将在电机气隙中产生较强的反向旋转磁场，磁场的转速为-sn_s，负号表示反相于转子方向，相对于定子转速为(1-2s)n_s。因而在定子电流中感应产生(1-2s)f₀频率的谐波电流。即在故障条件下，由于电机磁场物理结构的改变定子中将产生特定频率的谐波；同时，由于转子的故障造成转矩的脉动与转速的抖动，在定子绕组中又会产生频率为(1+2s)f₀的谐波电流。

频谱分析表明，(1±2s)f处的信号被基频淹没，信号提取十分困难，上述过程属于低信噪比问题，即从电网频率大噪声信号中提取微弱信号(1±2s)f₀的问题。提取特征频率(1±2s)f₀信号，即求取特定频率的幅值与相位故障信息，应用希尔伯特HHT变换来解决。采用HHT算法对采样数据进行变换，能够保证计算过程的可靠性与快速性。

比较图2与图3可知，在转子断条故障条件下，定子电流变化趋势不甚明显，但电流波形更加不规则。

图4为潜油电机正常运行状态的定子电流信号幅值频谱图，图6所示频谱范围在分析基本变频带时取为(0，100Hz)，图4在分析整个电流频谱时取为(0，1kHz)。图5为潜油电机故障运行状态的定子电流信号幅值频谱图，频谱范围取为(0，1kHz)。分析表明，在电机故障诊断中，最重要、最困难的问题就是提取能够正确反映电机故障的特征信息，而有效信息、尤其是(1±2s)f₀处的信息极可能被50Hz处的基频信号湮没，使有效特征信息提取变得相当困难。

结合图6、图7、图8、图9、图10、图11和表1至表3说明特征频率(1±2s)f₀幅值与相位的分析和提取：

用HHT对潜油电机待识别的原始定子电流信号进行数字滤波分析，首先滤掉50Hz处的低频干扰，获取频率为(1±2s)f₀的电流信号。在潜油电机正常运行状态、轻微故障运行状态及完全故障运行状态的条件下，分别测试多组样本，然后统计其定子电流信号幅值频谱W(ω)的有效值与标准差。其中特征频段为HHT滤波后2sf₀处，选取频宽。对其中数据进行统计。以下表1为特征频段检测结果统计分析表；表2为BP神经网络训练算法；表3为BP神经网络测试结果。

表1

表2

表3

结合图10、图11和表1分析表明，电机完全故障运行状态时定子电流信号幅值频谱W(ω)的有效值与标准差均大于电机正常运行状态，电机轻微故障运行状态时定子电流信号幅值频谱W(ω)分布范围介于二者之间，即比电机完全故障运行状态时要小，但比潜油电机潜油电机正常运行状态时要大。

具体实施方式四：下面结合图12进行说明，本实施方式对实施方式三作进一步说明，步骤四中所述对定子电流信号幅值频谱W(ω)基于BP神经网络进行训练和测试，通过调试与分析设定频谱幅值阈值的具体方法为：

首先，选择定子电流信号幅值频谱W(ω)的有效值和标准差作为BP神经网络的输入矢量，所述输入矢量为2×1的列矢量；

然后，分别根据实验获得的潜油电机正常运行状态、轻微故障运行状态及完全故障运行状态时定子电流信号幅值频谱W(ω)的有效值与标准差，确定BP神经网络的有效值输入范围和标准差输入范围；

将BP神经网络设置为两层结构，一层为隐层，另一层为输出层；所述BP神经网络的输入矢量首先传播到隐层节点，经隐层的传递函数，传输到输出层的输出节点后获得BP神经网络的输出；

确定BP神经网络隐层的神经元个数，并且隐层的传递函数采用正切Sigmoid函数f(x)：

$f\left(x\right)=\frac{2}{1+e^{-2x}}-1,$

其中x为BP神经网络的输入矢量；

再确定BP神经网络输出层的神经元个数，并且输出层的输出函数采用线性传递函数Y(x)：

Y(x)＝ky，

其中y为隐层的输出；k为线性传递函数的比例参数；

对BP神经网络采用Levenberg-Marquardt优化方法进行训练和测试，通过调试与分析设定频谱幅值阈值；BP神经网络的训练目标误差为0。

图12为BP神经网络训练误差。可见在当前条件下，随着采样点数增多，神经网络训练误差越来越低，最后稳定在0.0123344附近。为根据BP神经网络的输出判断潜油电机是否有转子断条故障发生，通过测试分析确定阈值为0.36，以此为参考点，当神经网络的输出大于该阈值时，故障发生。根据实测数据，最后诊断结果如表4所示。

表4

Claims (4)

1.一种基于HHT的潜油电机转子断条故障识别方法，其特征在于，它包括以下步骤：

步骤一：采集潜油电机的三相定子电流；

步骤二：采用信号调理电路对三相定子电流进行调理，获得0-3.3V的电压信号，作为待识别的原始定子电流信号；

步骤三：对待识别的原始定子电流信号进行处理获得定子电流幅值X(t)，再对定子电流幅值X(t)进行希尔伯特变换，获得分析信号Z(t)，对分析信号Z(t)进行傅里叶变换获得定子电流信号幅值频谱W(ω)，由定子电流信号幅值频谱W(ω)获得电机定子电流中的边频成分；

步骤四：将步骤三中获得的电机定子电流中的边频成分的幅值与额定幅值进行比较，若边频成分的幅值大于额定幅值，则判定存在转子断条故障；

否则，对定子电流信号幅值频谱W(ω)基于BP神经网络进行训练和测试，通过调试与分析设定频谱幅值阈值，当BP神经网络的输出大于该频谱幅值阈值时，则判定存在转子断条故障；否则，潜油电机为正常运行。

2.根据权利要求1所述的基于HHT的潜油电机转子断条故障识别方法，其特征在于，所述步骤四中的边频成分的幅值为定子电流信号幅值频谱W(ω)中(1-2s)f₀处的幅值，其中s为转差率，f₀为定子电流信号幅值频谱W(ω)中的基波频率，f₀＝50Hz。

3.根据权利要求1或2所述的基于HHT的潜油电机转子断条故障识别方法，其特征在于，所述步骤三中对待识别的原始定子电流信号进行处理获得定子电流幅值X(t)，再对定子电流幅值X(t)进行希尔伯特变换，获得分析信号Z(t)，对分析信号Z(t)进行傅里叶变换获得定子电流信号幅值频谱W(ω)的具体过程为：

对待识别的原始定子电流信号进行经验模态分解，直至筛选为本征模态函数，将本征模态函数作为定子电流幅值X(t)进行希尔伯特变换，获得分析信号Z(t)的幅值虚部Y(t)：

$Y\left(t\right)=\frac{1}{\mathrm{\π}}P{\∫}_{-\∞}^{\∞}\frac{X\left(t^{\′}\right)}{t-t^{\′}}d{t}^{\′},$

式中P为柯西主值，t为当前时间量，t′为当前时间量t的前一个时间量，

由此获得分析信号Z(t)的幅值a(t)：

$a\left(t\right)={[X^2\left(t\right)+Y^2\left(t\right)]}^{1/2},\mathrm{\θ}\left(t\right)=\arctan \left(\frac{Y\left(t\right)}{X\left(t\right)}\right),$

式中θ(t)为分析信号Z(t)的相位；

上述X(t)和Y(t)构成了复杂的共轭对，由此获得分析信号Z(t)：

Z(t)＝X(t)+iY(t)＝a(t)e^iθ(t)，

对分析信号Z(t)进行傅里叶变换获得定子电流信号幅值频谱W(ω)：

$W\left(\mathrm{\ω}\right)={\∫}_{-\∞}^{\∞}Z\left(t\right)e^{-\mathrm{i\ωt}}\mathrm{dt}={\∫}_{-\∞}^{\∞}a\left(t\right)e^{\mathrm{i\θ}\left(t\right)}{e}^{-\mathrm{i\ωt}}\mathrm{dt}$

$={\∫}_{-\∞}^{\∞}a\left(t\right)e^{i(\mathrm{\θ}\left(t\right)-\mathrm{\ωt})}\mathrm{dt},$

式中ω为定子电流信号的瞬时频率，

$\mathrm{\ω}=\frac{\mathrm{d\θ}\left(t\right)}{\mathrm{dt}}.$

4.根据权利要求3所述的基于HHT的潜油电机转子断条故障识别方法，其特征在于，

步骤四中所述对定子电流信号幅值频谱W(ω)基于BP神经网络进行训练和测试，通过调试与分析设定频谱幅值阈值的具体方法为：

首先，选择定子电流信号幅值频谱W(ω)的有效值和标准差作为BP神经网络的输入矢量，所述输入矢量为2×1的列矢量；

然后，分别根据实验获得的潜油电机正常运行状态、轻微故障运行状态及完全故障运行状态时定子电流信号幅值频谱W(ω)的有效值与标准差，确定BP神经网络的有效值输入范围和标准差输入范围；

将BP神经网络设置为两层结构，一层为隐层，另一层为输出层；所述BP神经网络的输入矢量首先传播到隐层节点，经隐层的传递函数，传输到输出层的输出节点后获得BP神经网络的输出；

确定BP神经网络隐层的神经元个数，并且隐层的传递函数采用正切Sigmoid函数f(x)：

$f\left(x\right)=\frac{2}{1+e^{-2x}}-1,$

其中x为BP神经网络的输入矢量；

再确定BP神经网络输出层的神经元个数，并且输出层的输出函数采用线性传递函数Y(x)：

Y(x)＝ky，

其中y为隐层的输出；k为线性传递函数的比例参数；

对BP神经网络采用Levenberg-Marquardt优化方法进行训练和测试，通过调试与分析设定频谱幅值阈值；BP神经网络的训练目标误差为0。

Images