基于自适应小波神经网络的往复泵故障诊断

　　为了对往复泵的故障进行正确诊断，提出了基于自适应小波神经网络的往复泵故障诊断方法。以往复泵单个泵缸内的压力信号作为系统特征信号采用小波变换来提取故障特征向量，同时将此特征向量作为小波神经网络的输入，利用小波神经网络对故障做进一步的精确实时诊断。通过对往复泵液力端多故障诊断实例的检验表明：该系统故障诊断正确率达到了93%以上。

　　往复泵是石油矿场中的重要设备，在钻井、驱油及压裂等工艺中被广泛应用，是一个复杂的机械系统。其液力端关键部件是泵阀组件，因其工况恶劣极易损坏，因此对其状态进行监测与故障诊断，及时做出合理的维修保养决策具有重要意义。现有的故障诊断方法主要有：基于知识的方法; 基于信号处理的方法; 基于解析模型的方法。由于往复泵结构比较复杂，激励源类型较多，受平衡力、不平衡惯性载荷和各种冲击载荷的作用，不可能应用基于解析模型的方法来分析泵阀的工作状态。但是，可以从测取的信号中提取故障特征向量，以此为依据进行故障诊断。

　　笔者提出以单个泵缸内的压力作为系统特征信号，通过小波变换来提取故障特征向量，同时利用小波神经网络对故障做进一步的精确实时诊断的方法。真空技术网(http://www.chvacuum.com/)对小波神经网络采用的优化算法是：在训练过程中动量因子和学习率根据误差大小进行自适应调整的梯度下降法，该方法可以提高学习速度并增加算法的可靠性。

1、用于泵阀故障诊断中的小波神经网络

　　1.1、紧致型小波神经网络结构*

　　小波神经网络是基于小波分析而构造出的一类前馈网络，它有两种结合方式：松散型和紧致型。紧致型结合方式是将小波分解同前馈神经网络进行直接融合，即将神经网络的隐节点函数用小波函数代替，并将相应的输出层到隐层的权值由小波函数的尺度所代替、输出层到隐层的阈值由小波函数的平移系数所代替。紧致型小波神经网络结构如图1 所示。

图1 紧致型小波神经网络结构

结束语

　　笔者构造了紧致型小波神经网络结构，根据小波神经网络的特点，采用了变步长的小波自适应网络算法，该算法中学习率、动量因子根据误差大小进行自适应调节，既提高了收敛速度，又不存在局部极小问题。并将构造的小波神经网络应用到往复泵的故障诊断中，正确率达到93% 以上。因此，基于自适应小波神经网络的往复泵故障诊断方法是一种比较理想的故障诊断方法，具有一定的应用价值。