CN110490024A - 一种泥浆泵故障诊断方法及其装置 - Google Patents
一种泥浆泵故障诊断方法及其装置 Download PDFInfo
- Publication number
- CN110490024A CN110490024A CN201810329547.4A CN201810329547A CN110490024A CN 110490024 A CN110490024 A CN 110490024A CN 201810329547 A CN201810329547 A CN 201810329547A CN 110490024 A CN110490024 A CN 110490024A
- Authority
- CN
- China
- Prior art keywords
- slush pump
- processing module
- data processing
- sensor
- vibration signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 230000002123 temporal effect Effects 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 230000015556 catabolic process Effects 0.000 claims abstract description 4
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 abstract description 3
- 238000003745 diagnosis Methods 0.000 abstract 3
- 238000005553 drilling Methods 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000013024 troubleshooting Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B51/00—Testing machines, pumps, or pumping installations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Abstract
本发明专利提供一种泥浆泵故障诊断方法及其装置，通过振动传感器检测泥浆泵的振动，通过数据线传输给动态信号测试仪，最后上传数据处理模块，利用数据处理模块进行信号处理及诊断。待测泥浆泵振动信号的小波特征值与无故障泥浆泵的小波特征值对比，该方法作为主要方法；将数据库中的时域特征作为训练样本，用式多项拟合的最小二乘法对待测泥浆泵进行故障诊断，该方法作为辅助方法；采用PNN神经网络法对待测泥浆泵进行故障诊断。硬件主要包括动态信号测试仪、电源开关、磁力座、振动传感器、防爆箱、数据处理模块。本发明能够帮助专家对设备运行状态进行判断，改变了传统通过耳听、目测的方法对泥浆泵进行故障判断，增加了判断的准确性。
Description
技术领域
本发明涉及石油钻井领域，具体涉及到一种泥浆泵故障诊断方法及其装置。
背景技术
泥浆泵是石油钻井循环中的重要设备，在钻井过程中因工况恶劣，常因故障导致施工停滞，从而影响钻井过程。目前在石油钻井中，一般是通过耳听、目测的方式，对泥浆泵的工作状态进行评估，主要靠工程师经验进行判断。这样不能及时准确判定泥浆泵故障，常常导致泥浆泵工作效率低，出现较严重故障，严重影响了钻井进程。
现场急需一种测试手段实现泥浆泵的现场测试，以满足泥浆泵工作状态评估的需要。虽然现在已有通过振动测试判断故障方法，现在主要应用的方法为BP神经网络对振动信号进行识别；由于泥浆泵自身振源很多的原因，这些方法都不能运用于泥浆泵。如采用BP神经网络识别，不但识别误差很高，同时也会使计算量很大，对数据处理模块要求高，不能满足现场测试的要求。本申请人通过多次实验发现先运用简约的方法处理数据，再以PNN神经网络识别，这方法识别故障的能力不但准确而且高效。
发明内容
本发明提供了一种泥浆泵故障诊断方法及其装置，该装置能够现场检测泥浆泵的工作状态，提供检修依据，在闲置时间对泥浆泵进行检修，保证了泥浆泵的在钻井过程中无故障运行，在发生故障时对泥浆泵进行故障检测，确保快速准确的诊断故障，节约了维修时间。
本发明解决其技术问题所采用的技术方案是：磁力座将振动传感器固定在泥浆泵的优选位置检测泥浆泵振动信号，动态信号测试模块采集的信号，通过无线AP将信号上传给数据处理模块。
所述的一种泥浆泵故障诊断方法及其装置，将编号为b6、b5、b4的传感器分别贴在左、中、右阀箱吸入阀与端盖的1/2处；将编号为b1、b2、b3的传感器分别贴在左、中、右阀箱排除阀压筒上；将编号为d1、d2、d10、d11、d12、d13的传感器分别贴在左、中、右缸套外壳上方；将编号为d3、d4、d5、d6、d9的传感器分别贴在左、中、右十字头外壳上方；将编号为c3、a4、传感器分别贴在两端传动轴轴承盖上方，将编号为c1、c2、c4、c5、a2、a6、a7、a7传感器分别贴在左曲轴和右曲轴的四个方向上。
所述的一种泥浆泵故障诊断方法及其装置，通过时域分析、小波分析，获得振动信号时域特征值和小波特征值，将故障振动信号特征值与故障相关联，建立数字化的专家数据库，该方法的具体步骤如下：
步骤1：在优选位置上，首先采集泥浆泵多组无故障状态下的振动信号，然后将现场大修泥浆泵的n种故障零部件,分别单一安装在无故障泥浆泵上，继续测试泥浆泵振动信号，并且上传数据处理模块；
步骤2：提取影响最大的时域特征值；
步骤3：通过编写的程序，计算泥浆泵各故障时域特征值的拟合多项式系数，建立泥浆泵各故障的故障模式；
步骤4：采集无故障的泥浆泵的多组振动信号，提取小波特征值；
步骤5：基于粗糙集属性简约对各故障模式和小波特征值去除冗余，对所给信息进行分析处理，找出隐含知识和挖掘潜在的规律，进行分类累储存，建立数据库。
步骤6：通过数据处理模块建立概率神经网络仿真，将上述的各个数据导入函数并且反复训练，直到识别误差满足要求。
所述的一种泥浆泵故障诊断方法及其装置，其特征是；小波特征值比较为主，项式拟合法为辅，采用PNN神经网络进行故障识别，该方法具体步骤如下：
步骤1：在优选位置，测试待测泥浆泵，并且将数据上传数据处理模块
步骤2：利用数据处理模块提取影响最大的时域特征值，计算时域特征值的拟合多项式系数，将泥浆泵振动信号的小波分为4层提取小波特征值。
步骤3：通过数据处理模块PNN神经网络仿真，上述小波特征值与数据库中的进行比较；上述时域特征值的多项式与数据库中各故障模式多项式进行拟合，根据小波特征值比较为主，多项式拟合为辅做出故障判断。
步骤4：在数据处理模块显示界面输出结果。
本发明的有益效果是：本发明能够实现现场测试，改变了传统通过耳听、目测的方法对泥浆泵进行故障判断，增加了判断的准确性，能够很好的判断设备的状态，为及时检修提供了依据，防止了设备工作时突然损坏，出现较严重故障，严重影响了钻井进程。
附图说明
图1硬件方案设计图；
图2工作原理图；
图3故障诊断流程图；
图4优选传感器位置图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。下面参考附图并结合实施例来详细说明本发明。
一种泥浆泵故障诊断方法及其装置，包括电源开关、防爆箱、无线AP、振动传感器、动态信号测试仪、磁力座。磁力座把振动传感器固定在泥浆泵的指定位置，振动传感器与动态信号测试仪相连，动态信号测试仪采集的数据通过无线AP上传到数据处理模块，所述数据处理模块放置在防爆箱内。
如图所示，优选的传感器测试位置，将编号为b6、b5、b4的传感器分别贴在左、中、右阀箱吸入阀与端盖的1/2处；将编号为b1、b2、b3的传感器分别贴在左、中、右阀箱排除阀压筒上；将编号为d1、d2、d10、d11、d12、d13的传感器分别贴在左、中、右缸套外壳上方；将编号为d3、d4、d5、d6、d9的传感器分别贴在左、中、右十字头外壳上方；将编号为c3、a4、传感器分别贴在两端传动轴轴承盖上方，将编号为c1、c2、c4、c5、a2、a6、a7、a7传感器分别贴在左曲轴和右曲轴的四个方向上。
优选的，所述泥浆泵故障诊断方法及其装置，采集频率10Hz，10Mpa的工况下进行故障实验，对故障泥浆泵进行数据采集，并且建立各种泥浆泵故障数据库。传感器布置为优选传感器位置，首先采集泥浆泵无故障状态下的振动信号，然后将现场大修的故障零部件，分别单一的安装在无故障泵上，继续测试泥浆泵振动信号。将采集的振动信号进行数据处理，通过时域分析得出时域特征值；通过小波分解得出小波特征值。
需要说明的是，对泥浆泵故障振动特征值的提取，本发明滤波处理方法采用小波阈值降噪技术处理，然后进行时域分析、小波分析，获得故障振动信号小波特征值。
实施例1数据库的建立：首先采集泥浆泵无故障状态下的振动信号，然后将现场大修泥浆泵的n种故障零件分别单一的安装在无故障泥浆泵上，继续测试振动信号，将所得信号进行小波阈值滤波处理去除干扰信号，提取振动信号影响最大的时域特征参数，计算各拟合多项式系数，建立各故障的故障模式；采集多组无故障泥浆泵的振动信号进行小波分解，得出各小波特征值；对泥浆泵的各种拟合多项式系数和无故障的小波特征值进行基于粗糙集数据简约，去除冗余，对所给信息进行分析处理，找出隐含知识与挖掘潜在的规律；将泥浆泵故障振动信号特征值与故障相关联，建立数字化的专家数据库。
实施例2多项式拟合判定故障：采集待测泥浆泵振动信号，提取振动信号影响最大的时域特征参数，计算拟合多项式系数，最后比较各系数与数据库各故障模式的多项式系数间的距离，若待测泥浆泵拟合多项式系数与某一故障模式的多项式系数间的距离最小，就判定属于该故障。
实施例3小波分解诊断故障：采集待测泥浆泵振动信号，提取小波信号并分为四层，提取小波特征值，将提取的小波特征值与数据库中的无故障小波特征值对比判断是否出现故障。
实施例4故障识别：利用数据处理建立PNN神经网络仿真，将数据库中数据导入PNN神经网络，反复进行训练，直到识别误差满足要求。采集待测泥浆泵振动信号，提取震动信号影响最大的时域特征参数，计算拟合多项式系数，然后利用程序对震动信号进行小波分析，提取小波特征值；将所得时域值的多项式系数和小波特征值导入PNN神经网络，以小波分析为主，多项式拟合为辅做出判断，输出结果。
以上所述，仅为本发明的具体实施例，不能以其限定本发明实施的范围，所以其同等方法置换，或依本发明专利保护范围所作的等同变化与修饰，而这些修改与修饰，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (4)
1.一种泥浆泵故障诊断方法及其装置，其特征在于：磁力座将振动传感器固定在泥浆泵的优选位置检测泥浆泵振动信号，动态信号测试模块采集的信号，通过无线AP将信号上传给数据处理模块。
2.根据权利要求1所述的一种泥浆泵故障诊断方法及其装置，其特征是：将编号为b6、b5、 b4的传感器分别贴在左、中、右阀箱吸入阀与端盖的1/2处；将编号为b1、b2、b3的传感器分别贴在左、中、右阀箱排除阀压筒上；将编号为d1、d2、d10、d11、d12、d13的传感器分别贴在左、中、右缸套外壳上方；将编号为d3、d4、d5、d6、d9的传感器分别贴在左、中、右十字头外壳上方；将编号为c3、a4、传感器分别贴在两端传动轴轴承盖上方，将编号为c1、c2、c4、c5、a2、a6、a7、a8传感器分别贴在左曲轴和右曲轴的四个方向上。
3.根据权利要求1所述的一种泥浆泵故障诊断方法及其装置，其特征是：通过时域分析、小波分析，获得振动信号时域特征值和小波特征值，将故障振动信号特征值与故障相关联，建立数字化的专家数据库，该方法的具体步骤如下：
步骤1：在优选位置上，首先采集泥浆泵多组无故障状态下的振动信号，然后将现场大修泥浆泵的n种故障零部件,分别单一安装在无故障泥浆泵上，继续测试泥浆泵振动信号，并且上传数据处理模块；
步骤2：提取影响最大的时域特征值；
步骤3：通过编写的程序，计算泥浆泵各故障时域特征值的拟合多项式系数，建立泥浆泵各故障的故障模式；
步骤4：采集无故障的泥浆泵的多组振动信号，提取小波特征值；
步骤5：基于粗糙集属性简约对各故障模式和小波特征值去除冗余，对所给信息进行分析处理，找出隐含知识和挖掘潜在的规律，进行分类累储存，建立数据库；
步骤6：通过数据处理模块建立概率神经网络仿真，将上述的各个数据导入函数并且反复训练，直到识别误差满足要求。
4.根据权利要1所述的一种泥浆泵故障诊断方法及其装置，其特征是：小波特征值比较为主，多项式拟合法为辅，采用PNN神经网络进行故障识别，该方法具体步骤如下：
步骤1：在优选位置，测试待测泥浆泵，并且将数据上传数据处理模块；
步骤2：利用数据处理模块提取影响最大的时域特征值，计算时域特征值的拟合多项式系数，将泥浆泵振动信号的小波分为4层提取小波特征值；
步骤3：通过数据处理模块PNN神经网络仿真，上述小波特征值与数据库中的进行比较；上述时域特征值的多项式与数据库中各故障模式多项式进行拟合，根据小波特征值比较为主，多项式拟合为辅做出故障判断；
步骤4：在数据处理模块显示界面输出结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810329547.4A CN110490024A (zh) | 2018-04-09 | 2018-04-09 | 一种泥浆泵故障诊断方法及其装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810329547.4A CN110490024A (zh) | 2018-04-09 | 2018-04-09 | 一种泥浆泵故障诊断方法及其装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110490024A true CN110490024A (zh) | 2019-11-22 |
Family
ID=68543804
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810329547.4A Pending CN110490024A (zh) | 2018-04-09 | 2018-04-09 | 一种泥浆泵故障诊断方法及其装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110490024A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111271300A (zh) * | 2020-03-30 | 2020-06-12 | 上海交通大学 | 基于神经网络的挖泥船泥泵转速在线辨识控制方法及系统 |
| CN114544162A (zh) * | 2022-02-28 | 2022-05-27 | 浙江工业大学 | 一种数字阀岛故障诊断方法 |
| CN117329135A (zh) * | 2023-10-13 | 2024-01-02 | 山东中探机械有限公司 | 基于数据分析的泥浆泵运行状态监测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140172326A1 (en) * | 2012-12-17 | 2014-06-19 | General Electric Company | Fault detection system and associated method |
| CN103900816A (zh) * | 2014-04-14 | 2014-07-02 | 上海电机学院 | 一种风力发电机组轴承故障诊断方法 |
| CN104634570A (zh) * | 2015-01-21 | 2015-05-20 | 山西潞安环保能源开发股份有限公司 | 基于振动检测的便携式轴承故障诊断装置及诊断方法 |
| CN106650071A (zh) * | 2016-12-12 | 2017-05-10 | 中国航空工业集团公司上海航空测控技术研究所 | 用于滚动轴承智能故障诊断的方法 |
-
2018
- 2018-04-09 CN CN201810329547.4A patent/CN110490024A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140172326A1 (en) * | 2012-12-17 | 2014-06-19 | General Electric Company | Fault detection system and associated method |
| CN103900816A (zh) * | 2014-04-14 | 2014-07-02 | 上海电机学院 | 一种风力发电机组轴承故障诊断方法 |
| CN104634570A (zh) * | 2015-01-21 | 2015-05-20 | 山西潞安环保能源开发股份有限公司 | 基于振动检测的便携式轴承故障诊断装置及诊断方法 |
| CN106650071A (zh) * | 2016-12-12 | 2017-05-10 | 中国航空工业集团公司上海航空测控技术研究所 | 用于滚动轴承智能故障诊断的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王仕强: "基于振动测试的钻井泵故障诊断系统研究", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111271300A (zh) * | 2020-03-30 | 2020-06-12 | 上海交通大学 | 基于神经网络的挖泥船泥泵转速在线辨识控制方法及系统 |
| CN114544162A (zh) * | 2022-02-28 | 2022-05-27 | 浙江工业大学 | 一种数字阀岛故障诊断方法 |
| CN117329135A (zh) * | 2023-10-13 | 2024-01-02 | 山东中探机械有限公司 | 基于数据分析的泥浆泵运行状态监测方法 |
| CN117329135B (zh) * | 2023-10-13 | 2024-04-05 | 山东中探机械有限公司 | 基于数据分析的泥浆泵运行状态监测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN208207843U (zh) | 一种泥浆泵故障诊断装置 | |
| CN108426713B (zh) | 基于小波变换和深度学习的滚动轴承微弱故障诊断方法 | |
| US11543326B2 (en) | Method and system for performing fault diagnosis by bearing noise detection | |
| CN109033612B (zh) | 一种基于振动噪声及bp神经网络的变压器故障诊断方法 | |
| Islam et al. | Discriminant feature distribution analysis-based hybrid feature selection for online bearing fault diagnosis in induction motors | |
| CN106528975B (zh) | 一种应用于电路与系统的故障预测与健康管理方法 | |
| Gao et al. | A fault diagnosis method of rolling bearing based on complex morlet CWT and CNN | |
| CN110490024A (zh) | 一种泥浆泵故障诊断方法及其装置 | |
| CN108181105B (zh) | 基于逻辑回归和j散度的滚动轴承故障预诊方法及系统 | |
| CN105241680A (zh) | 一种基于概率密度函数的旋转机械健康状态评估方法 | |
| CN108399277B (zh) | 一种基于温度与应变关联性的桥梁损伤识别方法 | |
| CN109583386A (zh) | 一种智能旋转机械故障深度网络特征辨识方法 | |
| CN108304348B (zh) | 一种基于二元维纳过程的轴承剩余寿命预测方法 | |
| CN110376522A (zh) | 一种数据融合的深度学习网络的电机故障诊断方法 | |
| CN111506049B (zh) | 基于aann网络系统的航空发动机控制系统多重故障诊断方法 | |
| CN112052871B (zh) | 一种基于支持向量机的火箭发动机健康诊断方法及系统 | |
| CN110471395B (zh) | 一种故障检测方法、装置、设备及存储介质 | |
| WO2019043600A1 (en) | ESTIMATOR OF REMAINING USEFUL LIFE ESTIMATOR | |
| CN112711850A (zh) | 一种基于大数据的机组在线监测方法 | |
| CN111678699A (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
| De Lima et al. | On fault classification in rotating machines using fourier domain features and neural networks | |
| Ribeiro et al. | Rotating machinery fault diagnosis using similarity-based models | |
| CN108613820A (zh) | 一种用于gis本体机械缺陷诊断和定位的在线异声监测算法 | |
| Shi et al. | Condition monitoring and fault diagnosis of rolling element bearings based on wavelet energy entropy and SOM | |
| CN112577664A (zh) | 传感器故障检测方法、装置及相关产品 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191122 |