往复泵故障智能诊断系统的设计

　　开发了往复泵故障的智能诊断系统，以故障诊断系统为核心，软件部分用VisualC++语言来开发，由软件控制同步进行压力、位置及流量等信号的数据采集和数据库管理。由于不同故障类型对应的信号曲线也不同，所以以压力信号为主，以流量信号为辅作为故障信息；然后应用基于人工智能理论的小波神经网络和小波包分解技术进行数据处理、保存和故障诊断。从小波神经网络诊断的结果可以看出:往复泵故障智能诊断系统诊断速度快，准确性高。

　　往复泵是大庆油田的重要设备之一，它的泵效高、适应性强且排液量范围广，并且在工作中操作简单方便，工作过程平稳可靠，因而在注水驱油、钻井及压裂等工艺过程中广泛应用。在各油气处理站、中转库中，将其作为冬季外输轻烃、外输气时加注甲醇的重要设备。但由于其易损件较多，其液力端关键部件为泵阀组件，而泵阀组件又因工况恶劣经常发生失效，故障率相对较高，因此对其状态进行监测及故障诊断，对于及时做出合理的维修保养决策具有重要意义。

　　在现场，操作工人对往复泵运行状态监测和故障判断过程存在很多问题。人为判断故障，适应性差，往复泵阀的各种故障，通过人工“看”、“听”，适应性差，不利于推广；环境干扰较大，往复泵现场不可避免地有电机等各种干扰，在常规测试中，环境干扰较大；人工盲目操作，劳动强度大；保护措施不完善。

　　为了解决上述问题，利用不断发展的小波分析和小波神经网络技术，加之微机测试技术的优势，建立高性能的综合智能故障诊断系统，并使之适应现场应用。验证结果表明:该诊断系统诊断速度快、准确性高。

1、往复泵系统工况综合诊断系统的总体方案

　　该系统由电容式压力传感器、磁电式流量传感器、信号放大线路、A/D模数转换器及微型计算机等组成。系统框图如图1所示。该系统主要包括软件设计和硬件设计两部分。

图1 往复泵系统结构

　　1.1、系统的硬件组成

　　硬件一般包括电源、控制、变换、微机、保护与仪表六大类设备。本系统主要由电容式压力传感器、磁电式流量传感器、往复泵系统工况综合诊断监控仪及微型计算机等组成。监控仪基于485端口，包含隔离RS-232到RS-485转换器ADAM4520和ADAM4017八路模拟量输入两个模块，监控仪就是由它们组成并用来负责采集系统的数据，并且把压力变送器传输过来的数据进行初步运算和处理传送给主机。计算机负责处理、保存并离线分析监控仪传来的数据，还可以在适当的时候打印结果，而后利用小波包分解和小波神经网络技术进行故障特征提取和故障诊断。

　　1.2、系统软件

　　笔者在缸体上安装一个电涡流传感器，用它作为时标信号来检测柱塞在靠近动力端什么位置停止，外触发信号由其发出的信号获得，泵缸内的压力信号通过触发点来采集。往复泵的泵缸内部作为压力变送器测取点选择的具体位置，压力变送器用来测量和传输实验所需的现场各种情况的压力值。

　　该系统的软件设计包括以下几个方面:

　　a.主程序框架的建立；

　　b.把主机与监控仪通过什么方式连接起来进行通信；

　　c.实时数据在经过监控仪处理过之后，要进行保存；

　　d.监控仪不论通过什么方式，传输过来的数据都要在界面上实时动态地显示出来。

　　图2为系统软件的主界面。本系统的设计重点包括参数设定、采样数据的同步动态显示、数据库管理和多线程技术。

图2 系统软件的主界面

　　参数设定可以使用户输入泵的工况参数和采样参数，对应参数意义见表1。

表1 采样参数

　　在主界面上共有两个显示界面，可以将采样来的4个完整运行周期的数据同时动态显示，一个界面显示的是实时的压力信号组成的压力信号曲线，另一个界面显示的是采集的流量信号组成的流量信号曲线。在这种情况下，用户就可以对数据在线地进行可靠的分析和必要的记录。数据库管理可以实现历史数据查询，方便用户进行离线分析。

　　对该系统来说，由于应用程序要同时进行数据采样、采样数据动态显示和对采样数据进行故障分析，因此建立多个线程是十分必要的。当应用程序运行时，CPU轮换着分配给这3个线程时间片，所以使得这3项工作可以同时进行，这就充分利用了CPU处理其他工作之外的空闲时间片，并且避免了用户长久地等待进行数据分析的时间，做到了对故障诊断的实时性，用户可以对故障做出及时的判断以避免了更大损失的发生。

　　1.3、故障诊断系统

　　一般情况下，往复泵泵阀组件的各种故障是通过安装在出口管线上的压力计和流量计来判断的，这种方法的缺点是不能确定哪一个泵阀出现故障，因此需要对所有泵阀进行逐一检查，这样不仅增加了维修时间，也增大了工作量。近年来，泵阀的故障诊断大多应用振动测试技术，将泵阀处采集的振动信号作为故障信息，在信号处理和诊断方法上已经有很多成功的例子。但是，往复泵结构比较复杂，泵阀轮流关闭，形成瞬时冲击，同时还存在多种激励振源。所以，目前的往复泵故障诊断主要是利用振动测试技术对单缸发生故障时进行监测和诊断，而对于3缸协同工作、多故障同时发生时的故障诊断难以实现，甚至在振动信号中无法提取故障特征信号。所以，笔者将压力传感器安装在往复泵缸中，利用缸体内的压力信号作为故障信息，可以方便地判断故障发生的具体位置。同时，用小波包分析的方法提取故障特征信号。然后，根据得到的特征信号利用小波神经网络理论进行故障类型的判别和诊断。

　　往复泵故障诊断的过程分为3个阶段:第一阶段是采集到泵腔内的压力信号；第二阶段是排除噪声干扰，提高诊断的灵敏度和准确率，从所采集来的压力信号中提取故障特征，笔者使用的是小波包分析技术；第三阶段是根据故障特征和其他诊断信息作出诊断决策，这一阶段通过建立小波神经网络，确定网络结构来实现，实际中先对教师信号进行特征提取、训练，输神经网络，然后采集实际数据，进行特征提取，通过二者的比较可以诊断并确定往复泵的故障。

2、故障诊断系统的应用

　　由于系统采用了以压力信号为故障特征信息的方法，这是和以前的常规方法不同之处，实际上可以从压力信号的波形变化趋势直观地看出各个故障之间的区别。

　　2.1、系统工作基本正常时的压力曲线

　　系统工作基本正常时，吸入阀与排出阀工作正常，密封严密，除正常泄露外，不存在故障导致的漏失，升压与泻压平稳，基本不存在波动现象，压力曲线如图3所示。

图3 系统工作正常时压力曲线

　　2.2、各种故障条件下压力曲线及分析

　　2.2.1、密封圈坏时的泵缸内的压力信号变化曲线

　　密封圈坏主要分为吸入阀组密封件损坏和排出阀组密封件损坏。其一，吸入阀组密封圈损坏。该种特征的图形出现是由于吸入密封圈损坏后，柱塞挤压泵腔内液体时，被加压的液体可从吸入阀密封圈处泄漏，导致升压过程滞后，且排出过程中，导致降压过程提前发生。压力信号变化曲线如图4所示。其二，排出阀组密封圈损坏。吸液过程中，管线中液体可回流入泵内，造成降压滞后现象。压力信号变化曲线如图5所示。

　　2.2.2、弹簧断裂故障时的压力变化曲线

　　弹簧断裂故障也可以分为吸入阀弹簧故障和排出阀弹簧故障。吸入阀弹簧损坏后，由于阀回位不及时，导致升压过程滞后，如图6所示。排出阀弹簧损坏时，对压力变化影响不明显。

图6 吸入阀弹簧损坏压力曲线

　　2.3、泵阀损伤

　　排出阀密封面磨损与排出阀密封圈坏表现基本相同，均为升压滞后，降压提前。排出阀密封面磨损变化曲线如图7所示，吸入阀密封面损伤压力变化曲线如图8所示。

　　2.4、运行参数不合理

　　当往复泵柱塞往复速度太快时，运行时易导致阀芯关闭不严，导致升压降压不能达到有效最大、最小值，以至出现周期性的次极大、极小值。压力曲线如图9所示。但频率下降到一定数值时，该现象消失。该现象表明，往复泵系统有优化的空间。

图9 运行参数不合理压力曲线

　　2.5、柱塞漏失压力流量曲线

　　柱塞漏失压力流量曲线如图10所示。

图10 柱塞漏失压力流量曲线

　　对于往复泵的故障诊断而言，将采集来的单个泵缸内的压力信号作为系统特征信号来提取故障特征向量。笔者对采集到的原始压力信号进行3层小波包分解，构成8维特征向量来提取往复泵的故障特征，并将其作为小波神经网络的输入向量，因此输入节点数为8。笔者分别对往复泵的密封圈故障、泵阀磨损故障和弹簧断裂故障3种工况进行诊断，分别用(001)、(010)、(100)代表这3种工况，作为网络的目标输出，因此输出节点数为3。小波神经网络采用3层结构，隐层小波为Morlet小波，隐层节点数的确定采用逐步检验法。首先设定好一个误差E*，取较小的隐层节点数，计算得出其误差E，然后比较E与E*。若E<E*，则所取的隐层节点数即为所求；否则，隐层节点数加1继续计算，直到满足E。

表2 测试样本及结果

3、结束语

　　笔者开发了基于485端口的往复泵故障智能诊断系统，应用基于人工智能理论的小波神经网络和小波包分解技术进行数据处理、保存和故障诊断。根据采集来的压力和流量数据，可以看出故障类型不同，对应的信号曲线也不同，说明以压力信号为主，以流量信号为辅进行故障信息提取是有效的故障监测方法，从小波神经网络诊断的结果也可以看出其对于故障的辨别是正确的、符合实际的。该综合诊断技术适应油田地面所有往复泵，目前聚合物驱已大面积推广，三元复合驱也在工业化实验，油田注聚井已有两千口左右，往复泵已成注入工艺中对注入体系影响的重要设备，该技术具有广阔的推广应用前景。