CN117436024B - 一种基于钻机运行数据分析的故障诊断方法及系统 - Google Patents
一种基于钻机运行数据分析的故障诊断方法及系统 Download PDFInfo
- Publication number
- CN117436024B CN117436024B CN202311744076.0A CN202311744076A CN117436024B CN 117436024 B CN117436024 B CN 117436024B CN 202311744076 A CN202311744076 A CN 202311744076A CN 117436024 B CN117436024 B CN 117436024B
- Authority
- CN
- China
- Prior art keywords
- data
- neighborhood
- vibration data
- vibration
- suspected abnormal
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000005553 drilling Methods 0.000 title claims abstract description 50
- 238000003745 diagnosis Methods 0.000 title claims abstract description 43
- 238000007405 data analysis Methods 0.000 title claims abstract description 13
- 230000002159 abnormal effect Effects 0.000 claims abstract description 202
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000010606 normalization Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 abstract 1
- 238000010276 construction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及数据处理技术领域，具体涉及一种基于钻机运行数据分析的故障诊断方法及系统，包括：获取钻机的振动数据序列和功率数据序列，根据振动数据序列中每个振动数据的离群程度得到疑似异常数据；获取每个疑似异常数据的若干邻域振动数据以及对应的邻域功率数据，获取每个邻域振动数据的邻域参考权重，根据邻域参考权重以及邻域功率数据得到每个邻域振动数据的修正局部可达密度；获取每个疑似异常数据的局部可达密度的可信度；根据局部可达密度的可信度和修正局部可达密度得到每个疑似异常数据的修正局部离群因子；根据修正局部离群因子进行钻机的故障诊断。从而有效排除其他因素对故障分析的干扰，实现准确的故障检测。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及一种基于钻机运行数据分析的故障诊断方法及系统。
背景技术
钻机故障会影响施工质量，降低施工效率。因而为了降低钻机故障对施工的影响。需对钻机的运行状况进行监督，及时发现钻机故障并及时处理，从而降低钻机故障对施工的影响。
一般通过对钻机的振动数据进行分析来实现钻机的故障诊断。钻机出现故障时，钻机产生的振动数据会存在差异，因而传统一般是通过判断振动数据中是否存在离群数据，根据振动数据中存在离群数据的情况来实现钻机的故障诊断。但是钻机在使用过程中会遇到多种地质条件。由于不同的地质条件产生的振动数据会不同。同时不同的功率下产生的振动数据也不同；而地质条件的变动或者是功率的变动导致的存在差异的振动数据，很容易被识别成离群数据；而这种由于地质变化，或者功率变化导致的存在差异的振动数据，不是钻机故障引起。因而如何排除，其他因素变动产生的离群振动数据，对故障诊断的干扰，实现准确的故障诊断成为亟待解决的问题。
发明内容
本发明提供一种基于钻机运行数据分析的故障诊断方法及系统，以解决现有的问题：如何排除，其他因素变动产生的离群振动数据，对故障诊断的干扰，实现准确的故障诊断。
本发明的一种基于钻机运行数据分析的故障诊断方法及系统采用如下技术方案：
本发明一个实施例提供了一种基于钻机运行数据分析的故障诊断方法，该方法包括以下步骤：
获取钻机的振动数据序列和功率数据序列，两序列的时间是对应的；
根据振动数据序列中所有振动数据的拟合规律得到每个振动数据的离群程度，根据每个振动数据的离群程度得到振动数据序列的所有振动数据中的疑似异常数据；
获取疑似异常数据的局部可达密度，获取每个疑似异常数据的若干邻域振动数据以及对应的邻域功率数据，根据每个邻域振动数据的邻域振动数据之间差异获取每个邻域振动数据的邻域参考权重，根据每个邻域振动数据的邻域参考权重、局部可达密度以及邻域功率数据差异得到每个邻域振动数据的修正局部可达密度；根据疑似异常数据与邻域振动数据的共同存在概率，邻域功率数据的差异，邻域振动数据的离群程度和邻域参考权重得到每个疑似异常数据的局部可达密度的可信度；根据每个疑似异常数据的局部可达密度的可信度和邻域振动数据的修正局部可达密度得到每个疑似异常数据的修正局部离群因子；
根据每个疑似异常数据的修正局部离群因子进行钻机的故障诊断。
优选的，所述根据振动数据序列中所有振动数据的拟合规律得到每个振动数据的离群程度，根据每个振动数据的离群程度得到振动数据序列的所有振动数据中的疑似异常数据，包括的具体方法为：
利用岭回归方法对振动数据序列进行拟合多项式处理得到多项式函数，根据多项式函数得到每个振动数据的拟合数据；
根据每个振动数据的拟合数据得到每个振动数据的离群程度计算方法为：
其中，表示振动数据序列中第i个振动数据，/>表示第i个振动数据的拟合数据，表示振动数据序列中第p个振动数据，/>表示第p个振动数据的拟合数据，/>表示振动数据序列中振动数据的数量，/>表示线性归一化处理，/>表示第i个振动数据的离群程度，||表示绝对值符号；
将离群程度大于预设离群程度阈值的振动数据，判定为疑似异常数据。
优选的，所述获取疑似异常数据的局部可达密度，获取每个疑似异常数据的若干邻域振动数据，包括的具体方法为：
基于振动数据序列中的所有振动数据，利用LOF算法获取每个疑似异常数据的局部可达密度；
以振动数据序列中每个疑似异常数据为中心，获取连续的L个振动数据作为每个疑似异常数据的邻域振动数据，L表示每个疑似异常数据的邻域振动数据的数量；
在功率数据序列中获取，与每个疑似异常数据的邻域振动数据对应时段的功率数据作为每个疑似异常数据的邻域功率数据。
优选的，所述根据每个邻域振动数据的邻域振动数据之间差异获取每个邻域振动数据的邻域参考权重，包括的具体方法为：
获取邻域振动数据的邻域振动数据以及邻域振动数据的邻域功率数据，并将邻域振动数据的邻域振动数据记为邻域振动数据的参考振动数据，将邻域振动数据的任意两个参考振动数据随机组合得到每个邻域振动数据的若干组合；
每个疑似异常数据的邻域振动数据的邻域参考权重为：
其中，表示第/>个邻域振动数据的第/>个组合中的任意一个参考振动数据，表示第/>个邻域振动数据的第r个组合中的另外一个参考振动数据，||表示绝对值符号，/>表示每个邻域振动数据的组合数量，/>表示第/>个邻域振动数据的邻域参考权重。
优选的，所述根据每个邻域振动数据的邻域参考权重、局部可达密度以及邻域功率数据差异得到每个邻域振动数据的修正局部可达密度，包括的具体方法为：
其中，表示第/>个邻域振动数据的第/>个邻域功率数据，/>表示第/>个邻域振动数据的所有邻域功率数据的均值，K表示每个邻域振动数据的邻域功率数据的数量，/>表示第/>个邻域振动数据的邻域参考权重，/>表示第/>个邻域振动数据的局部可达密度，/>表示第/>个邻域振动数据的修正局部可达密度。
优选的，所述根据疑似异常数据与邻域振动数据的共同存在概率，邻域功率数据的差异，邻域振动数据的离群程度和邻域参考权重得到每个疑似异常数据的局部可达密度的可信度，包括的具体方法为：
获取每个邻域振动数据出现的条件下每个疑似异常数据出现概率；
每个疑似异常数据的局部可达密度的可信度的计算方法为：
其中，表示第j个疑似异常数据，/>表示第j个疑似异常数据的第/>个邻域振动数据，/>表示在/>个邻域振动数据出现的条件下第j个疑似异常数据出现概率，L表示每个疑似异常数据的邻域振动数据的数量，/>表示第j个疑似异常数据的第/>个邻域振动数据的邻域参考权重，/>表示第j个疑似异常数据的第/>个邻域振动数据的离群程度，表示第j个疑似异常数据的修正局部可达密度的可信度，/>表示第j个疑似异常数据的第/>个邻域功率数据，/>表示第j个疑似异常数据的所有邻域功率数据的均值。
优选的，所述获取每个邻域振动数据出现的条件下每个疑似异常数据出现概率，包括的具体方法为：
将任意一个疑似异常数据记为目标数据，将目标数据的任意一个邻域振动数据记为目标邻域数据，获取目标邻域数据在振动数据序列中的出现概率，记为目标邻域数据的概率；在振动数据序列中获取取值等于目标数据，并且邻域振动数据也与目标邻域数据取值相同的振动数据出现概率，记为目标数据与目标邻域数据的合并概率；将目标数据与目标邻域数据的合并概率，除以目标邻域数据的概率，得到在目标邻域数据出现的条件下目标数据出现概率；
获取每个邻域振动数据出现的条件下每个疑似异常数据出现概率。
优选的，所述根据每个疑似异常数据的局部可达密度的可信度和邻域振动数据的修正局部可达密度得到每个疑似异常数据的修正局部离群因子，包括的具体方法为：
其中，表示第j个疑似异常数据的第/>个邻域振动数据的修正局部可达密度，L表示每个疑似异常数据的邻域振动数据的数量，/>表示第j个疑似异常数据的局部可达密度，/>表示第j个疑似异常数据的局部可达密度的可信度，/>表示线性归一化处理，表示第j个疑似异常数据的修正局部离群因子。
优选的，所述根据每个疑似异常数据的修正局部离群因子进行钻机的故障诊断，包括的具体方法为：
将修正局部离群因子大于预设离群因子阈值的疑似异常数据判定为异常数据，当振动数据中存在异常数据时，则认为钻机存在故障。
一种基于钻机运行数据分析的故障诊断系统，该系统包括以下模块：
数据采集模块，用于获取钻机的振动数据序列和功率数据序列，两序列的时间是对应的；
疑似异常数据获取模块，用于根据振动数据序列中所有振动数据的拟合规律得到每个振动数据的离群程度，根据每个振动数据的离群程度得到振动数据序列的所有振动数据中的疑似异常数据；
疑似异常数据的修正局部离群因子获取模块，用于获取疑似异常数据的局部可达密度，获取每个疑似异常数据的若干邻域振动数据以及对应的邻域功率数据，根据每个邻域振动数据的邻域振动数据之间差异获取每个邻域振动数据的邻域参考权重，根据每个邻域振动数据的邻域参考权重、局部可达密度以及邻域功率数据差异得到每个邻域振动数据的修正局部可达密度；根据疑似异常数据与邻域振动数据的共同存在概率，邻域功率数据的差异，邻域振动数据的离群程度和邻域参考权重得到每个疑似异常数据的局部可达密度的可信度；根据每个疑似异常数据的局部可达密度的可信度和邻域振动数据的修正局部可达密度得到每个疑似异常数据的修正局部离群因子；
故障诊断模块，用于根据每个疑似异常数据的修正局部离群因子进行钻机的故障诊断。
本发明的技术方案的有益效果是：由于当钻机存在故障时，其产生的振动数据与不存在故障时其产生的振动数据的变动规律存在差异，本发明通过分析每个振动数据与所有振动数据的拟合规律的差异筛选出疑似异常数据。通过此可以筛选出疑似异常数据，而后面只需对疑似异常数据进行分析，无需对所有振动数据进行分析。通过此可以有效降低计算量。由于在对疑似异常数据进行异常分析时，一般需参考距离邻域内的振动数据，当距离邻域内的振动数据为离群数据时，距离邻域内的振动数据不够准确，应该较少的去参考该振动数据对疑似异常数据进行异常分析。因而获取每个疑似异常数据的距离邻域内的邻域振动数据，通过分析每个邻域振动数据与其他邻域振动数据的差异得到每个邻域振动数据的参考权重。同时由于邻域振动数据的离群可能是由于功率数据变动导致，其中功率数据会影响邻域振动数据的局部可达密度的准确性，为了防止疑似异常数据过多的参考不准确的邻域振动数据的局部可达密度，需根据邻域功率数据的差异对每个邻域振动数据的局部可达密度进行修正得到每个邻域振动数据的修正邻域可达密度。
由于地质条件变动发生概率较大，因而地质条件变动产生的振动变动规律不止出现一次，因而根据邻域振动数据与疑似异常数据的共同存在概率，邻域功率数据差异得到每个疑似异常数据的局部可达密度的可信度。根据每个疑似异常数据的局部可达密度的可信度，邻域振动数据的修正局部可达密度得到每个疑似异常数据的修正局部离群因子。根据修正局部离群因子实现故障诊断。
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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一种基于钻机运行数据分析的故障诊断方法的步骤流程图；
图2为本发明的一种基于钻机运行数据分析的故障诊断系统的结构框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于钻机运行数据分析的故障诊断方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于钻机运行数据分析的故障诊断方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于钻机运行数据分析的故障诊断方法的步骤流程图，该方法包括以下步骤：
步骤S001：获取振动数据序列和功率数据序列。
具体的，为了实现本实施例提出的一种基于钻机运行数据分析的故障诊断方法，本实施例首先需要采集振动数据序列和功率数据序列。采集振动数据序列和功率数据序列的具体操作为：
利用安装在钻机上的振动传感器和功率传感器，每间隔n秒采集一次振动数据和一次功率数据，采集N次，将采集到的N个振动数据按时序排列得到振动数据序列，将采集到的N个功率数据按时序排列得到功率数据序列。
本实施例中以n取10，N取1200为例进行叙述，其他实施例可以取其他值，本实施例不进行具体限制。
步骤S002：根据振动数据序列得到每个振动数据的离群程度，根据每个振动数据的离群程度得到疑似异常数据。
需要说明的是，由于钻机故障时振动数据的变动规律与非故障时的变动规律存在差异，因而可以通过分析每个振动数据符合变动规律的情况来获取疑似异常数据。
进一步的，利用岭回归方法对振动数据序列进行拟合多项式处理得到多项式函数，根据多项式函数得到每个振动数据的拟合数据。
每个振动数据的离群程度计算方法为：
其中，表示振动数据序列中第i个振动数据，/>表示第i个振动数据的拟合数据，表示振动数据序列中第p个振动数据，/>表示第p个振动数据的拟合数据，/>表示振动数据序列中振动数据的数量。/>表示线性归一化处理，/>表示第i个振动数据的离群程度。||表示绝对值符号。
进一步的，将离群程度大于预设离群程度阈值Y1的振动数据，判定为疑似异常数据。
本实施例以Y1取0.5为例进行叙述，其他实施例可以取其他值，本实施例不进行具体限制。
步骤S003：获取每个疑似异常数据的邻域振动数据，计算每个疑似异常数据的邻域振动数据的修正局部可达密度，计算每个疑似异常数据的局部可达密度的可信度，根据每个邻域振动数据的局部可达密度和每个疑似异常数据的可信度得到每个疑似异常数据的修正局部离群因子。
具体的，以振动数据序列中每个疑似异常数据为中心，获取连续的L个振动数据作为每个疑似异常数据的邻域振动数据。L表示每个疑似异常数据的邻域振动数据的数量。
在功率数据序列中获取，与每个疑似异常数据的邻域振动数据对应时段的功率数据作为每个疑似异常数据的邻域功率数据。
特殊的，对于振动数据序列的两端处的疑似异常数据，该疑似异常数据的邻域振动数量达不到L个，此时只需获取L以内的尽可能多的邻域振动数据。
本实施例以L取20为例进行叙述，其他实施例可以取其他值，本实施例不进行具体限制。
需要说明的是，局部离群因子算法（Local Outlier Factor），简称为LOF算法，其作为一种离群分析算法，常用于获取振动数据中的离群数据。该方法是根据每个数据周围分布数据分密度来实现离群分析。因而该方法在进行离群分析时，会计算每个数据的局部可达密度。
需要进一步的说明的是，在LOF算法中，计算每个数据的局部可达密度时，会参考K距离邻域内的数据。而在K距离邻域内数据分布较为离散时，说明K距离邻域内数据为离群数据的可能性较大，而离群数据对本数据的离群分析的参考作用较小，因而需根据K距离邻域内数据的离散情况调整K距离邻域内数据的参考权重。同时由于功率变动也会导致K距离邻域内的振动数据发生变动。本实施例中的每个疑似异常数据的邻域振动数据就是每个疑似异常数据的K距离邻域内的数据。
进一步的，按照每个疑似异常数据的邻域振动数据和邻域功率数据的获取方法，获取邻域振动数据的邻域振动数据以及邻域振动数据的邻域功率数据，并将邻域振动数据的邻域振动数据记为邻域振动数据的参考振动数据，将邻域振动数据的任意两个参考振动数据随机组合得到每个邻域振动数据的若干组合。
每个疑似异常数据的邻域振动数据的邻域参考权重为：
其中，表示第/>个邻域振动数据的第/>个组合中的任意一个参考振动数据，表示第/>个邻域振动数据的第r个组合中的另外一个参考振动数据，||表示绝对值符号，/>反映了第/>个邻域振动数据的参考振动数据之间的差异，该值越大说明该邻域振动数据的参考振动数据分布较为离散，因而该参考振动数据对邻域振动数据的参考程度应该越低，/>表示每个邻域振动数据的组合数量。/>表示第/>个邻域振动数据的邻域参考权重。
需要说明单的是，由于功率变动导致的K距离邻域内的振动数据变动，会导致其计算出的局部可达密度不够准确，因而为了防止K距离邻域内的振动数据的局部可达密度数据的不准确对疑似异常数据分析的影响，需将K距离邻域内的振动数据的局部可达密度数据的取值调低。
进一步的，利用LOF算法获取每个邻域振动数据的局部可达密度和每个疑似异常数据的局部可达密度。
根据每个邻域振动数据的局部可达密度得到每个邻域振动数据的修正局部可达密度的计算方法为：
其中，表示第/>个邻域振动数据的第/>个邻域功率数据，/>表示第/>个邻域振动数据的所有邻域功率数据的均值，K表示每个邻域振动数据的邻域功率数据的数量。/>表示第/>个邻域振动数据的邻域参考权重，/>表示第/>个邻域振动数据的局部可达密度，/>表示第/>个邻域振动数据的修正局部可达密度。/>反映了第/>个邻域振动数据的邻域功率数据的分布离散情况，由于功率数据的变动也会引起振动数据的变动，因而当邻域功率数据分布越离散时，越无法确定第/>个邻域振动数据的离群是由于功率数据变动引起还是本身异常引起的，因而该邻域振动数据计算出的局部可达密度越不可信，为了降低该邻域振动数据对疑似异常数据异常分析的影响，需将该邻域振动数据的局部可达密度调低。
需要说明的是，由于地质条件的变动也会导致振动数据产生离群现象，因而为了实现准确的故障诊断，需排除地质条件变动导致的振动数据离群的干扰。由于地质条件变动导致的振动数据变动不止出现一次，并且地质条件变动引起的振动数据变动规律也相似，因而可以基于此来排除地质条件变动的干扰。
进一步的，将任意一个疑似异常数据记为目标数据，将目标数据的任意一个邻域振动数据记为目标邻域数据，获取目标邻域数据在振动数据序列中的出现概率，记为目标邻域数据的概率；在振动数据序列中获取取值等于目标数据，并且邻域振动数据也与目标邻域数据取值相同的振动数据出现概率，记为目标数据与目标邻域数据的合并概率。将目标数据与目标邻域数据的合并概率，除以目标邻域数据的概率，得到在目标邻域数据出现的条件下目标数据出现概率。同理获取每个邻域振动数据出现的条件下每个疑似异常数据出现概率。通过该值能够反映了振动数据的变动规律。
每个疑似异常数据的局部可达密度的可信度的计算方法为：
其中，表示第j个疑似异常数据，/>表示第j个疑似异常数据的第/>个邻域振动数据，/>表示在/>个邻域振动数据出现的条件下第j个疑似异常数据出现概率，L表示每个疑似异常数据的邻域振动数据的数量。/>表示第j个疑似异常数据的第/>个邻域振动数据的邻域参考权重。/>表示第j个疑似异常数据的第/>个邻域振动数据的离群程度。当疑似异常数据的每个邻域振动数据的离群程度越大说明该邻域振动数据的可能为离群数据，通过参考该邻域振动数据得到的疑似异常数据的局部可达密度不够准确。反映了第j个疑似异常数据与邻域振动数据之间的同时存在关系，当该疑似异常数据与邻域振动数据多次重复出现，则说明导致第j个疑似异常数据离群的原因可能是由于地质变动引起的，因而该疑似异常数据的局部可达密度的可信度就比较低。/>表示第j个疑似异常数据的修正局部可达密度的可信度。/>表示第j个疑似异常数据的第/>个邻域功率数据，/>表示第j个疑似异常数据的所有邻域功率数据的均值，/>反映了第j个疑似异常数据的分布离散情况，该值越大说明第j个疑似异常数据的离群是由于功率变动引起的可能性越大，因而第j个疑似异常数据的修正局部可达密度的可信度就越低。
进一步的，每个疑似异常数据的修正局部离群因子的计算方法为：
其中，表示第j个疑似异常数据的第/>个邻域振动数据的修正局部可达密度，L表示每个疑似异常数据的邻域振动数据的数量，/>表示第j个疑似异常数据的局部可达密度，/>表示第j个疑似异常数据的局部可达密度的可信度，/>表示线性归一化处理。表示第j个疑似异常数据的修正局部离群因子。
步骤S004：根据每个疑似异常数据的修正局部离群因子进行故障诊断。
具体的，将修正局部离群因子大于预设离群因子阈值Y2的疑似异常数据判定为异常数据。当振动数据中存在异常数据时，则认为钻机存在故障。
本实施例以Y2取1为例进行叙述，其他实施例可以取其他值，本实施例不进行具体限制。
请参阅图2，其示出了本发明实施例提供的一种基于钻机运行数据分析的故障诊断系统，该系统包括以下模块：
数据采集模块，用于获取钻机的振动数据序列和功率数据序列，两序列的时间是对应的；
疑似异常数据获取模块，用于根据振动数据序列中所有振动数据的拟合规律得到每个振动数据的离群程度，根据每个振动数据的离群程度得到振动数据序列的所有振动数据中的疑似异常数据；
疑似异常数据的修正局部离群因子获取模块，用于获取疑似异常数据的局部可达密度，获取每个疑似异常数据的若干邻域振动数据以及对应的邻域功率数据，根据每个邻域振动数据的邻域振动数据之间差异获取每个邻域振动数据的邻域参考权重，根据每个邻域振动数据的邻域参考权重、局部可达密度以及邻域功率数据差异得到每个邻域振动数据的修正局部可达密度；根据疑似异常数据与邻域振动数据的共同存在概率，邻域功率数据的差异，邻域振动数据的离群程度和邻域参考权重得到每个疑似异常数据的局部可达密度的可信度；根据每个疑似异常数据的局部可达密度的可信度和邻域振动数据的修正局部可达密度得到每个疑似异常数据的修正局部离群因子；
故障诊断模块，用于根据每个疑似异常数据的修正局部离群因子进行钻机的故障诊断。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于钻机运行数据分析的故障诊断方法，其特征在于，该方法包括以下步骤：
获取钻机的振动数据序列和功率数据序列，两序列的时间是对应的；
根据振动数据序列中所有振动数据的拟合规律得到每个振动数据的离群程度，根据每个振动数据的离群程度得到振动数据序列的所有振动数据中的疑似异常数据；
获取疑似异常数据的局部可达密度，获取每个疑似异常数据的若干邻域振动数据以及对应的邻域功率数据，根据每个邻域振动数据的邻域振动数据之间差异获取每个邻域振动数据的邻域参考权重，根据每个邻域振动数据的邻域参考权重、局部可达密度以及邻域功率数据差异得到每个邻域振动数据的修正局部可达密度；根据疑似异常数据与邻域振动数据的共同存在概率，邻域功率数据的差异，邻域振动数据的离群程度和邻域参考权重得到每个疑似异常数据的局部可达密度的可信度；根据每个疑似异常数据的局部可达密度的可信度和邻域振动数据的修正局部可达密度得到每个疑似异常数据的修正局部离群因子；
根据每个疑似异常数据的修正局部离群因子进行钻机的故障诊断；
所述根据每个疑似异常数据的修正局部离群因子进行钻机的故障诊断，包括的具体方法为：
将修正局部离群因子大于预设离群因子阈值的疑似异常数据判定为异常数据，当振动数据中存在异常数据时，则认为钻机存在故障；
所述根据每个疑似异常数据的局部可达密度的可信度和邻域振动数据的修正局部可达密度得到每个疑似异常数据的修正局部离群因子，包括的具体方法为：
其中，表示第j个疑似异常数据的第/>个邻域振动数据的修正局部可达密度，L表示每个疑似异常数据的邻域振动数据的数量，/>表示第j个疑似异常数据的局部可达密度，表示第j个疑似异常数据的局部可达密度的可信度，/>表示线性归一化处理，/>表示第j个疑似异常数据的修正局部离群因子；
根据振动数据序列中所有振动数据的拟合规律得到每个振动数据的离群程度，根据每个振动数据的离群程度得到振动数据序列的所有振动数据中的疑似异常数据，包括的具体方法为：
利用岭回归方法对振动数据序列进行拟合多项式处理得到多项式函数，根据多项式函数得到每个振动数据的拟合数据；
根据每个振动数据的拟合数据得到每个振动数据的离群程度计算方法为：
其中，表示振动数据序列中第i个振动数据，/>表示第i个振动数据的拟合数据，/>表示振动数据序列中第p个振动数据，/>表示第p个振动数据的拟合数据，/>表示振动数据序列中振动数据的数量，/>表示线性归一化处理，/>表示第i个振动数据的离群程度，||表示绝对值符号；
将离群程度大于预设离群程度阈值的振动数据，判定为疑似异常数据；
所述根据每个邻域振动数据的邻域参考权重、局部可达密度以及邻域功率数据差异得到每个邻域振动数据的修正局部可达密度，包括的具体方法为：
其中，表示第/>个邻域振动数据的第/>个邻域功率数据，/>表示第/>个邻域振动数据的所有邻域功率数据的均值，K表示每个邻域振动数据的邻域功率数据的数量，/>表示第/>个邻域振动数据的邻域参考权重，/>表示第/>个邻域振动数据的局部可达密度，/>表示第/>个邻域振动数据的修正局部可达密度；
所述根据疑似异常数据与邻域振动数据的共同存在概率，邻域功率数据的差异，邻域振动数据的离群程度和邻域参考权重得到每个疑似异常数据的局部可达密度的可信度，包括的具体方法为：
获取每个邻域振动数据出现的条件下每个疑似异常数据出现概率；
每个疑似异常数据的局部可达密度的可信度的计算方法为：
其中，表示第j个疑似异常数据，/>表示第j个疑似异常数据的第/>个邻域振动数据，/>表示在/>个邻域振动数据出现的条件下第j个疑似异常数据出现概率，L表示每个疑似异常数据的邻域振动数据的数量，/>表示第j个疑似异常数据的第/>个邻域振动数据的邻域参考权重，/>表示第j个疑似异常数据的第/>个邻域振动数据的离群程度，/>表示第j个疑似异常数据的修正局部可达密度的可信度，/>表示第j个疑似异常数据的第/>个邻域功率数据，/>表示第j个疑似异常数据的所有邻域功率数据的均值。
2.根据权利要求1所述一种基于钻机运行数据分析的故障诊断方法，其特征在于，所述获取疑似异常数据的局部可达密度，获取每个疑似异常数据的若干邻域振动数据，包括的具体方法为：
基于振动数据序列中的所有振动数据，利用LOF算法获取每个疑似异常数据的局部可达密度；
以振动数据序列中每个疑似异常数据为中心，获取连续的L个振动数据作为每个疑似异常数据的邻域振动数据，L表示每个疑似异常数据的邻域振动数据的数量；
在功率数据序列中获取，与每个疑似异常数据的邻域振动数据对应时段的功率数据作为每个疑似异常数据的邻域功率数据。
3.根据权利要求1所述一种基于钻机运行数据分析的故障诊断方法，其特征在于，所述根据每个邻域振动数据的邻域振动数据之间差异获取每个邻域振动数据的邻域参考权重，包括的具体方法为：
获取邻域振动数据的邻域振动数据以及邻域振动数据的邻域功率数据，并将邻域振动数据的邻域振动数据记为邻域振动数据的参考振动数据，将邻域振动数据的任意两个参考振动数据随机组合得到每个邻域振动数据的若干组合；
每个疑似异常数据的邻域振动数据的邻域参考权重为：
其中，表示第/>个邻域振动数据的第/>个组合中的任意一个参考振动数据，/>表示第/>个邻域振动数据的第r个组合中的另外一个参考振动数据，||表示绝对值符号，/>表示每个邻域振动数据的组合数量，/>表示第/>个邻域振动数据的邻域参考权重。
4.根据权利要求1所述一种基于钻机运行数据分析的故障诊断方法，其特征在于，所述获取每个邻域振动数据出现的条件下每个疑似异常数据出现概率，包括的具体方法为：
将任意一个疑似异常数据记为目标数据，将目标数据的任意一个邻域振动数据记为目标邻域数据，获取目标邻域数据在振动数据序列中的出现概率，记为目标邻域数据的概率；在振动数据序列中获取取值等于目标数据，并且邻域振动数据也与目标邻域数据取值相同的振动数据出现概率，记为目标数据与目标邻域数据的合并概率；将目标数据与目标邻域数据的合并概率，除以目标邻域数据的概率，得到在目标邻域数据出现的条件下目标数据出现概率；
获取每个邻域振动数据出现的条件下每个疑似异常数据出现概率。
5.一种基于钻机运行数据分析的故障诊断系统，其特征在于，该系统包括以下模块：
数据采集模块，用于获取钻机的振动数据序列和功率数据序列，两序列的时间是对应的；
疑似异常数据获取模块，用于根据振动数据序列中所有振动数据的拟合规律得到每个振动数据的离群程度，根据每个振动数据的离群程度得到振动数据序列的所有振动数据中的疑似异常数据；
疑似异常数据的修正局部离群因子获取模块，用于获取疑似异常数据的局部可达密度，获取每个疑似异常数据的若干邻域振动数据以及对应的邻域功率数据，根据每个邻域振动数据的邻域振动数据之间差异获取每个邻域振动数据的邻域参考权重，根据每个邻域振动数据的邻域参考权重、局部可达密度以及邻域功率数据差异得到每个邻域振动数据的修正局部可达密度；根据疑似异常数据与邻域振动数据的共同存在概率，邻域功率数据的差异，邻域振动数据的离群程度和邻域参考权重得到每个疑似异常数据的局部可达密度的可信度；根据每个疑似异常数据的局部可达密度的可信度和邻域振动数据的修正局部可达密度得到每个疑似异常数据的修正局部离群因子；
故障诊断模块，用于根据每个疑似异常数据的修正局部离群因子进行钻机的故障诊断；
所述根据每个疑似异常数据的修正局部离群因子进行钻机的故障诊断，包括的具体方法为：
将修正局部离群因子大于预设离群因子阈值的疑似异常数据判定为异常数据，当振动数据中存在异常数据时，则认为钻机存在故障；
所述根据每个疑似异常数据的局部可达密度的可信度和邻域振动数据的修正局部可达密度得到每个疑似异常数据的修正局部离群因子，包括的具体方法为：
其中，表示第j个疑似异常数据的第/>个邻域振动数据的修正局部可达密度，L表示每个疑似异常数据的邻域振动数据的数量，/>表示第j个疑似异常数据的局部可达密度，表示第j个疑似异常数据的局部可达密度的可信度，/>表示线性归一化处理，/>表示第j个疑似异常数据的修正局部离群因子；
根据振动数据序列中所有振动数据的拟合规律得到每个振动数据的离群程度，根据每个振动数据的离群程度得到振动数据序列的所有振动数据中的疑似异常数据，包括的具体方法为：
利用岭回归方法对振动数据序列进行拟合多项式处理得到多项式函数，根据多项式函数得到每个振动数据的拟合数据；
根据每个振动数据的拟合数据得到每个振动数据的离群程度计算方法为：
其中，表示振动数据序列中第i个振动数据，/>表示第i个振动数据的拟合数据，/>表示振动数据序列中第p个振动数据，/>表示第p个振动数据的拟合数据，/>表示振动数据序列中振动数据的数量，/>表示线性归一化处理，/>表示第i个振动数据的离群程度，||表示绝对值符号；
将离群程度大于预设离群程度阈值的振动数据，判定为疑似异常数据；
所述根据每个邻域振动数据的邻域参考权重、局部可达密度以及邻域功率数据差异得到每个邻域振动数据的修正局部可达密度，包括的具体方法为：
其中，表示第/>个邻域振动数据的第/>个邻域功率数据，/>表示第/>个邻域振动数据的所有邻域功率数据的均值，K表示每个邻域振动数据的邻域功率数据的数量，/>表示第/>个邻域振动数据的邻域参考权重，/>表示第/>个邻域振动数据的局部可达密度，/>表示第/>个邻域振动数据的修正局部可达密度；
所述根据疑似异常数据与邻域振动数据的共同存在概率，邻域功率数据的差异，邻域振动数据的离群程度和邻域参考权重得到每个疑似异常数据的局部可达密度的可信度，包括的具体方法为：
获取每个邻域振动数据出现的条件下每个疑似异常数据出现概率；
每个疑似异常数据的局部可达密度的可信度的计算方法为：
其中，表示第j个疑似异常数据，/>表示第j个疑似异常数据的第/>个邻域振动数据，/>表示在/>个邻域振动数据出现的条件下第j个疑似异常数据出现概率，L表示每个疑似异常数据的邻域振动数据的数量，/>表示第j个疑似异常数据的第/>个邻域振动数据的邻域参考权重，/>表示第j个疑似异常数据的第/>个邻域振动数据的离群程度，/>表示第j个疑似异常数据的修正局部可达密度的可信度，/>表示第j个疑似异常数据的第/>个邻域功率数据，/>表示第j个疑似异常数据的所有邻域功率数据的均值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311744076.0A CN117436024B (zh) | 2023-12-19 | 2023-12-19 | 一种基于钻机运行数据分析的故障诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311744076.0A CN117436024B (zh) | 2023-12-19 | 2023-12-19 | 一种基于钻机运行数据分析的故障诊断方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117436024A CN117436024A (zh) | 2024-01-23 |
| CN117436024B true CN117436024B (zh) | 2024-03-08 |
Family
ID=89558563
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311744076.0A Active CN117436024B (zh) | 2023-12-19 | 2023-12-19 | 一种基于钻机运行数据分析的故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117436024B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117828516B (zh) * | 2024-03-06 | 2024-05-24 | 湖南大学 | 一种数字化压力罐生产车间现场数据优化采集系统 |
| CN117909692B (zh) * | 2024-03-18 | 2024-05-31 | 山东海纳智能装备科技股份有限公司 | 一种双盘式电机轴承运行数据智能分析方法 |
| CN117951455B (zh) * | 2024-03-22 | 2024-06-07 | 汶上义桥煤矿有限责任公司 | 一种刮板输送机运行故障在线监测方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5566092A (en) * | 1993-12-30 | 1996-10-15 | Caterpillar Inc. | Machine fault diagnostics system and method |
| CN109767352A (zh) * | 2018-12-24 | 2019-05-17 | 国网山西省电力公司信息通信分公司 | 一种电力信息物理融合系统安全态势评估方法 |
| CN112492633A (zh) * | 2020-11-25 | 2021-03-12 | 中国电子科技集团公司第五十四研究所 | 一种基于改进局部异常因子的无线节点故障诊断方法 |
| CN112949735A (zh) * | 2021-03-15 | 2021-06-11 | 南京航空航天大学 | 一种基于离群数据挖掘的液态危化品挥发浓度异常发现方法 |
| WO2021204731A1 (en) * | 2020-04-06 | 2021-10-14 | Universita' Politecnica Delle Marche | Fault diagnostic method and system for a machine driven by an electric motor |
| CN114581233A (zh) * | 2022-03-02 | 2022-06-03 | 中国工商银行股份有限公司 | 洗钱账户确定方法、装置、设备、存储介质和程序产品 |
| CN114966392A (zh) * | 2022-04-29 | 2022-08-30 | 江苏奥派电气科技有限公司 | 一种风机工作异常的检测方法 |
| CN115235613A (zh) * | 2022-09-21 | 2022-10-25 | 江苏泰恩特环境技术有限公司 | 一种风机盘管的质量检测方法 |
| WO2023016616A1 (en) * | 2021-08-13 | 2023-02-16 | Universal Robots A/S | A robot system for anomaly detection |
| CN115959549A (zh) * | 2022-12-30 | 2023-04-14 | 北京博华信智科技股份有限公司 | 基于数字孪生的扶梯故障诊断方法 |
| EP4206963A1 (en) * | 2021-12-28 | 2023-07-05 | AO Kaspersky Lab | System and method for diagnostics and monitoring of anomalies of a cyber-physical system |
| CN116879662A (zh) * | 2023-09-06 | 2023-10-13 | 山东华尚电气有限公司 | 基于数据分析的变压器故障检测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3620983B1 (en) * | 2018-09-05 | 2023-10-25 | Sartorius Stedim Data Analytics AB | Computer-implemented method, computer program product and system for data analysis |
| WO2020097944A1 (zh) * | 2018-11-18 | 2020-05-22 | 浙江大学 | 一种基于真实功率曲线的风电机组偏航误差固有偏差辨识及补偿方法 |
-
2023
- 2023-12-19 CN CN202311744076.0A patent/CN117436024B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5566092A (en) * | 1993-12-30 | 1996-10-15 | Caterpillar Inc. | Machine fault diagnostics system and method |
| CN109767352A (zh) * | 2018-12-24 | 2019-05-17 | 国网山西省电力公司信息通信分公司 | 一种电力信息物理融合系统安全态势评估方法 |
| WO2021204731A1 (en) * | 2020-04-06 | 2021-10-14 | Universita' Politecnica Delle Marche | Fault diagnostic method and system for a machine driven by an electric motor |
| CN112492633A (zh) * | 2020-11-25 | 2021-03-12 | 中国电子科技集团公司第五十四研究所 | 一种基于改进局部异常因子的无线节点故障诊断方法 |
| CN112949735A (zh) * | 2021-03-15 | 2021-06-11 | 南京航空航天大学 | 一种基于离群数据挖掘的液态危化品挥发浓度异常发现方法 |
| WO2023016616A1 (en) * | 2021-08-13 | 2023-02-16 | Universal Robots A/S | A robot system for anomaly detection |
| EP4206963A1 (en) * | 2021-12-28 | 2023-07-05 | AO Kaspersky Lab | System and method for diagnostics and monitoring of anomalies of a cyber-physical system |
| CN114581233A (zh) * | 2022-03-02 | 2022-06-03 | 中国工商银行股份有限公司 | 洗钱账户确定方法、装置、设备、存储介质和程序产品 |
| CN114966392A (zh) * | 2022-04-29 | 2022-08-30 | 江苏奥派电气科技有限公司 | 一种风机工作异常的检测方法 |
| CN115235613A (zh) * | 2022-09-21 | 2022-10-25 | 江苏泰恩特环境技术有限公司 | 一种风机盘管的质量检测方法 |
| CN115959549A (zh) * | 2022-12-30 | 2023-04-14 | 北京博华信智科技股份有限公司 | 基于数字孪生的扶梯故障诊断方法 |
| CN116879662A (zh) * | 2023-09-06 | 2023-10-13 | 山东华尚电气有限公司 | 基于数据分析的变压器故障检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于数据驱动的风电机组故障诊断与预警研究;时义龙;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20230215(第02期);第C042-721页 * |
| 第646-649页.Using power spectral density and vibration analysis for fault diagnosis of kind of low speed electromotor(case study:a starter motor used in vehicles).《Journal of American Science》.第8卷(第4期),第646-649页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117436024A (zh) | 2024-01-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117436024B (zh) | 一种基于钻机运行数据分析的故障诊断方法及系统 | |
| US12093804B2 (en) | Satellite anomaly detection method and system for adversarial network auto-encoder | |
| KR101903283B1 (ko) | 발전 설비의 자동 진단 시스템 및 자동 진단 방법 | |
| CN112766342A (zh) | 一种电气设备的异常检测方法 | |
| US20220334574A1 (en) | Method and system for diagnosing anomaly in a manufacturing plant | |
| KR102169452B1 (ko) | IoT 기상환경 수집 데이터의 안정성 확보 방법 | |
| US11131606B2 (en) | Method for providing measured values of a technical installation, technical system, and method for operating the technical system | |
| CN116304898A (zh) | 基于机器学习的传感器数据智能存储系统 | |
| CN107391515A (zh) | 基于关联规则分析的电力系统指标分析方法 | |
| CN111143101B (zh) | 用于确定故障根源的方法、装置、存储介质及电子设备 | |
| CN115453356B (zh) | 一种动力设备运行状态监测分析方法、系统、终端及介质 | |
| CN116401137B (zh) | 一种芯粒健康状态预测方法、装置、电子设备及存储介质 | |
| CN117688497B (zh) | 基于后向轨迹模型的海上风电尾流干扰的数据处理方法 | |
| CN116739829B (zh) | 一种基于大数据的电力数据分析方法、系统及介质 | |
| CN111322082A (zh) | 一种tbm滚刀状态监测及故障诊断方法、系统 | |
| You et al. | Signal anomaly identification strategy based on Bayesian inference for nuclear power machinery | |
| CN116388402A (zh) | 一种应用于变电设备的异常报警分析方法 | |
| CN106330535A (zh) | 一种车地通信数据处理方法及装置 | |
| CN107368678A (zh) | 离群判断方法及装置 | |
| CN111881978B (zh) | 海洋定点浮标设备故障诊断方法、装置及电子设备 | |
| EP2882139B1 (en) | System and method for IT servers anomaly detection using incident consolidation | |
| CN111314110B (zh) | 一种用于分布式系统的故障预警方法 | |
| KR20220132824A (ko) | 배전설비 상태 이상 개소 감시 시스템 및 방법 | |
| Urmeneta et al. | A methodology for performance assessment at system level—Identification of operating regimes and anomaly detection in wind turbines | |
| Li et al. | Meteorological radar fault diagnosis based on deep learning |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |