公开/公告号CN112785091A
专利类型发明专利
公开/公告日2021-05-11
原文格式PDF
申请/专利权人 湖北工业大学;
申请/专利号CN202110239188.5
申请日2021-03-04
分类号G06Q10/04(20120101);G06Q10/00(20120101);G06Q10/06(20120101);G06Q50/02(20120101);G06F30/25(20200101);G06F30/27(20200101);G06N3/00(20060101);G06N3/04(20060101);G06N3/08(20060101);G06F111/06(20200101);
代理机构44525 深圳峰诚志合知识产权代理有限公司;
代理人李明香
地址 430064 湖北省武汉市洪山区南李路28号
入库时间 2023-06-19 10:57:17
技术领域
本发明涉及预测与健康管理技术领域,更具体地,涉及一种对油田电潜泵进行故障预测与健康管理的方法。
背景技术
随着科学技术的飞速发展,机械设备的集成度、复杂度及智能化程度急剧增加,传统的故障诊断、维修保障技术逐渐难以适应新的要求。
为了满足设备运行快捷、可靠、稳定的要求,向信息化、数字化、智能化转变,实现自主保障与自主诊断,在上世纪末PHM(预测与健康管理)技术应运而生,并迅速得到了以美国为代表的西方强国的高度重视。相较于传统的故障后维修或定期检修,这类基于当前健康状态的故障检测与诊断是对未来健康状态的预测,变被动式的维修活动为先导性的维护保障活动,大大提高了设备的安全高效性。该技术可为现代油田电潜泵实现自主式后勤、提高系统“六性”(可靠性、维修性、测试性、安全性、保障性和环境适应性)和降低全寿命周期费用提供有效的技术支撑。
目前对电潜泵已有多种基于监测数据的故障预测方法,例如北京工业大学高峰采用灰色理论对潜油电泵的振动状态进行预测、报警和存储等;中国石油大学姚垦采用PSO-BP神经网络的方法预测潜油电泵井的躺井时间,并能够结合其他泵参数判断潜油电泵井的故障,推测出现的工况;中国石油大学檀朝东利用人工神经网络自学习方法预测泵的工作状况并通过生产参数优化提高电潜泵油井产量;哈尔滨工程大学董振刚对潜油电泵机组井下传感器提出了基于RBF网络时序预测的状态监测方法。
上述研究均没有对油田电潜泵形成一套完整的故障预测与健康管理系统,且故障预测方法均采用单一预测模型。在使用不同的单一模型来预测设备性能时,预测的准确度与模型运行时间大不一样:如时间序列模型适用于处理数据中的线性关系,远期数据会对预测产生干扰,精确度会急剧下降;神经网络模型适用于提取数据中的非线性关系和变量间的相互作用,而训练过程较慢等,因此对于复杂设备的预测通常会出现单步预测不精确、多步预测无效的问题。
为了克服上述现有技术的不足,本发明首先对油田电潜泵的故障预测与健康管理系统架构进行了设计,其次提出了一种基于时间序列与BP神经网络组合的油田电潜泵故障预测方法。神经网络作为数据驱动的一种软计算方法,可以根据特定的输入输出样本学习复杂系统的规则,因此非常适合与其它预测方法构建具有强鲁棒性的组合模型。本方法可有效弥补单一预测方法的不足,能够处理数据中的线性关系、非线性关系和变量间的相互作用,捕捉设备的特征与变动模式,弱化单一模型在使用的时候缺点会被放大以至于结果误差增大的缺陷,提高模型的预测精度与性能,缩短模型预测的运行时间。
发明内容
本发明提出了一种对油田电潜泵进行故障预测与健康管理的方法,其主要目的在于对油田电潜泵通过状态监测采集到的数据信息,进行监控、管理、分析来实现油田电潜泵自身的健康状态评估,在系统发生故障之前对其进行故障预测与健康管理,并且假定电潜泵过去趋势会延伸到未来,预测所依据数据具有不规则性,撇开了因果关系,达到集故障检测、隔离、健康预测与评估及维护决策于一身的目的。
为实现上述目的,按照本发明的一个方面,提出了一种对油田电潜泵进行故障预测与健康管理的方法,包括:
故障模式分析模块,用于对油田电潜泵的功能进行分析,分析所有影响油田电潜泵性能的故障模式,得出影响电潜泵功能的关键部件;
状态监测模块,用于选用传感器对油田电潜泵运行状态进行连续的实时监测,以获得电潜泵的状态特征变化的图像、参数等确切信息,了解电潜泵的运行状态;
健康状态评估模块,用于通过对比系统健康状态的数据和维修的历史数据,对油田电潜泵健康状态进行实时评估;
故障预测模块,用于对电潜泵进行故障趋势预测,采用基于时间序列与BP神经网络组合的故障预测方法,利用故障趋势预测结果估计油田电潜泵的剩余使用寿命;
维修策略模块,用于根据电潜泵的故障模式及故障预测结果分析制定出相应的维修策略,实现保障决策。
进一步地,故障模式分析模块,包括:
故障模式、影响及危害性分析(FMECA),用于对油田电潜泵的功能进行分析,得出影响油田电潜泵性能的故障模式,并对各种可能导致该故障模式的原因及影响进行分析;
故障树分析(FTA),用于从上而下进行演绎,分析对油田电潜泵性能影响最大的关键部件,找出其故障发生的主要原因和故障机理。
进一步地,健康状态评估模块,包括:
(1)计算权重并构建权重矩阵。根据系统组成结构,计算各个部件及电潜泵分系统的权重。采用9标度层次分析法进行两两比较建立判断矩阵,计算权重向量并进行一致性检验,最终得到权重矩阵;
(2)建立部件级劣化度模糊判断矩阵。将各部件的劣化度代入岭形分布隶属度函数中,得到部件级劣化度模糊判断矩阵;
(3)计算分系统级健康状态评价矩阵。利用部件级权重矩阵和部件级劣化度模糊判断矩阵,进行矩阵相乘运算,得到分系统级健康状态评价矩阵。并以此类推,得到上一级健康状态评价矩阵;
(4)按照最大隶属度原则判断电潜泵健康状态。
进一步地,步骤(1)包括:
(1-1)对油田电潜泵进行故障模式、影响及危害性分析(FMECA),得出各系统发生故障的严酷度;
(1-2)将9标度与上述的严酷度进行对应,进而根据电潜泵分级评价模型确定权重建立权重矩阵。
健康状态评估模块中9标度与严酷度对应关系,包括:
进一步地,采用基于时间序列与BP神经网络组合的故障预测方法,包括:
(1)建立对油田电潜泵进行监测的特征参数时间序列模型;
(2)确定特征参数输入的个数,对数据序列进行归一化处理后,计算序列中各变量之间的相关系数,确定与下一时刻相关性较大的特征参数;
(3)将步骤(1)中时间序列模型确定的历史特征参数与残差以及步骤(2)确定的历史特征参数共同作为神经网络的输入变量,从而确定神经网络的结构;
(4)采用粒子群优化的神经网络建立特征参数得预测模型;
(5)采用平均绝对误差(MAE)、平均相对误差(MAPE)和均方根误差(RMSE)指标评价预测质量好坏;
(6)利用已通过检验的基于时间序列与BP神经网络组合的故障预测模型进行估值预测。
进一步地,维修策略模块,包括:任务准备、任务执行、维修规划、维修执行。
本发明实施例构建了油田电潜泵完备的故障预测与健康管理系统架构,通过对监测数据和历史数据的处理分析,实现与设备故障模式对应的故障预测,达到及时制定维修决策的目的。其中采用基于时间序列与BP神经网络结合的故障预测方法,可有效弥补单一预测方法的不足,提高了模型的预测精度与性能,有效缩短了模型预测的运行时间。
附图说明
为了更清楚地说明本发明技术方案,下面将技术描述中所需要使用的附图作一简单地介绍。
图1为本发明实施例提供的一种对油田电潜泵进行故障预测与健康管理的方法流程图;
图2为本发明实施例提供的一种对电潜泵建立分级评价模型的示意图;
图3为本发明实施例提供的一种进行健康状态评估示意图;
图4为本发明实施例提供的一种对油田电潜泵进行基于时间序列与BP神经网络组合的故障预测方法的示意图;
图5为本发明实施例提供的一种维修策略示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用限定本发明。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种对油田电潜泵进行故障预测与健康管理的方法,包括:
图1为本发明实施例提供的一种对油田电潜泵进行故障预测与健康管理的方法流程图;
故障模式分析模块,用于对油田电潜泵的功能进行分析,分析所有影响油田电潜泵性能的故障模式,得出影响电潜泵功能的关键部件;
状态监测模块,用于选用传感器对油田电潜泵运行状态进行连续的实时监测,以获得电潜泵的状态特征变化的图像、参数等确切信息,了解电潜泵的运行状态;
健康状态评估模块,用于通过对比系统健康状态的数据和维修的历史数据,对油田电潜泵健康状态进行实时评估;
故障预测模块,用于对电潜泵进行故障趋势预测,采用基于时间序列与BP神经网络组合的故障预测方法,利用故障趋势预测结果估计油田电潜泵的剩余使用寿命;
维修策略模块,用于根据电潜泵的故障模式及故障预测结果分析制定出相应的维修策略,实现保障决策。
优选的,故障模式分析模块的具体实施方式为:
(1)通过对油田电潜泵进行系统全面性的分析得出该电潜泵故障模式及影响分析表FMEA,其主要包括:部位、功能、故障模式、故障原因、故障影响、严酷的类别及可能措施;
(2)进一步地,对油田电潜泵进行分析得出危害性分析表CA,其主要包括:部位、故障率λ
(3)通过步骤(1)、(2)实现对油田电潜泵故障模式、影响及危害性分析(FMECA),用于对油田电潜泵的功能进行分析,得出影响油田电潜泵性能的故障模式,并对各种可能导致该故障模式的原因及影响进行分析;
(4)进一步地,进行故障树分析(FTA),用于从上而下进行演绎,分析得出影响电潜泵功能的关键部件,找出其故障发生的主要原因和故障机理。
优选的,状态监测模块的具体实施方式为:
通过确定测试点安装传感器对油田电潜泵运行状态进行连续的实时监测,以获得电潜泵的状态特征变化的图像、参数等确切信息,了解电潜泵的运行状态,并进行数据实时存储。
优选的,健康状态评估模块的具体实施方式为:
如图2所示为本发明实施例提供的一种对电潜泵建立分级评价模型的示意图;
层次结构分为四层,第一层为目标层,是电潜泵的健康状态;第二层是能力层,是健康评估指标的因素;第三层是指标层,是健康评价指标体系;第四层是参数层,是健康状态参或参数特征组成的评价基底。
如图3所示为本发明实施例提供的一种进行健康状态评估示意图;
表1为9标度表与严酷度对应关系
对油田电潜泵进行故障模式、影响及危害性分析(FMECA)后,得出各系统发生故障的严酷度;表1将9标度与上述的严酷度进行对应,便于确定权重建立权重矩阵。
(1)计算权重并构建权重矩阵。根据系统组成结构,计算各个部件及电潜泵分系统的权重。采用9标度层次分析法进行两两比较建立判断矩阵,计算权重向量并进行一致性检验,最终得到权重矩阵。
表2平均随机一致性指标RI
一致性指标
CI=0,有完全的一致性,CI接近于0,有满意的一致性,CI越大,不一致越严重。其中:n为判断矩阵的阶数。
一致性比率
利用一致性指标和一致性比率<0.1及随机一致性指标RI的数值表(表2),对权重矩阵A进行检验的过程。由于λ(A的特征根)连续的依赖于a
(2)建立部件级劣化度模糊判断矩阵。将各部件的劣化度代入岭形分布隶属度函数中,得到部件级劣化度模糊判断矩阵。
状态监测模块中获得的系统状态特征数据作为劣化度计算过程中输入。
劣化度取值范围为[0,1],0代表没有产生任何劣变,1代表故障或失效。对于第i个状态特征参数,其劣化度计算公式为:
其中,A
(3)计算分系统级健康状态评价矩阵。利用部件级权重矩阵和部件级劣化度模糊判断矩阵,进行矩阵相乘运算,得到分系统级健康状态评价矩阵。并以此类推,得到上一级健康状态评价矩阵。
(4)按照最大隶属度原则判断电潜泵健康状态。
最大隶属度原则,设A
表3四维油田电潜泵健康状态评价表
根据劣化度取值范围为[0,1],本文参照相关的评价标准及专家经验,结合岭形分布隶属度函数随劣化度变化过程,“正常”状态采取偏小型分布(处理区间内数据偏小),“亚健康”和“异常”状态选择中间型分布(处理区间内中间段数据),“故障”状态选用偏大型分布(处理区间内偏大数据)。构建出四维油田电潜泵健康状态隶属度向量等级,如表3所示。根据隶属度最大原则判断电潜泵健康状态,从而可以看出,该部件基本处于何种状态。
优选的,故障预测模块的具体实施方式为:
如图4所示为本发明实施例提供的一种对油田电潜泵进行基于时间序列与BP神经网络组合的故障预测方法的示意图;
(1)建立对油田电潜泵进行监测的特征参数时间序列模型;
分析时间序列数据,检查时间序列是否平稳,时间序列与BP神经网络组合的平稳性是建模的重要前提,若为非平稳序列数据进行差分处理,使数据为平稳序列;
针对观测期数较少的白噪声检验采用LB统计量分析,当差分序列延迟期数m分别为5、10、15时,p值均小于α=0.05,以95%的置信水平拒绝原假设,即该序列为非白噪声序列,通过白噪声检验;
序列确定为非白噪声的平稳序列后,通过序列的自相关与偏自相关函数图来确定相应的时间序列模型。
(2)确定特征参数输入的个数,对数据序列进行归一化处理后,计算序列中各变量之间的相关系数,确定与下一时刻相关性较大的特征参数;
(3)将步骤(1)中时间序列模型确定的历史特征参数与残差以及步骤(2)确定的历史特征参数共同作为神经网络的输入变量,从而确定神经网络的结构;
(4)采用粒子群优化的神经网络建立特征参数得预测模型;
将网络的权值和阈值作为粒子的位置向量,权值和阈值的个数即为粒子的维度,然后设定粒子种群规模、最大迭代次数、学习因子、惯性权重及每个粒子的初始速度与位置;
选取神经网络的训练样本集,对样本进行归一化后,开始训练网络,采用滚动优化策略不断更新输入的信息,并对训练后得出的数据进行反归一化,将其与实际值之间的均方误差作为粒子的适应度函数,计算粒子个体与群体的适应度值,适应度值越小,则表明粒子位置越好,反之,则粒子位置越差。根据适应度值不断地更新粒子的位置,直到找到最优的权值阈值,若达到最大迭代次数时还未达到目标值,算法停止,按照目前找到的最优位置确定网络的权值阈值。
(5)采用平均绝对误差(MAE)、平均相对误差(MAPE)和均方根误差(RMSE)指标评价预测质量好坏;
其中,N——测试样本的总数,Xobs,i——第i个测试样本的估计值,Xmodel,i——第i个测试样本的实际值;
对油田电潜泵进行安装振动传感器获得监测数据,采用本发明方法进行故障预测。
表4基于时间序列与BP神经网络组合的故障预测方法计算结果
从表4可以看出,时间序列与BP神经网络组合的故障预测的平均绝对误差(MAE)、平均相对误差(MAPE)和均方根误差(RMSE)较时间序列法分别减少了63%、61%和65%,较BP神经网络法分别减少了48%、39%和37%,说明组合模型的预测精度较高,同时组合模型的训练时间较时间序列法缩短了一个数量级,较BP神经网络法缩短了57%。
(6)利用已通过检验的基于时间序列与BP神经网络组合的故障预测模型进行估值预测。取30%数据作为建模的历史数据,对后70%数据进行预测,观察其与实际数据之间的趋势效果,检测模型预测效果。同时实现后期短期预测,预测结果以文本形式输出保存,包括:数据类型、故障模式、故障原因、故障影响、处理方式及剩余使用寿命。
优选的,维修策略模块的具体实施方式为:
如图5所示为本发明实施例提供的一种维修策略示意图;
将接收的油田电潜泵故障、异常情况和油田电潜泵的系统功能状态信息进行诊断分析,根据情况给出推理决策,应急处理方案,判断这些问题是否会影响此次油田电潜泵任务,并给出是否继续执行任务还是停机等任务建议,同时对数据进行进一步的分析,进行故障深层诊断故障预测和油田电潜泵性能趋势分析,据此进行维修规划、动态调度资源、执行并完成维修活动。最后根据分析结果在油田电潜泵完成任务前触发相应的维修保障活动。
机译: 完善的电潜泵及在井筒生产中提高利用电潜泵的方法
机译: 完善的电潜泵及在井筒生产中提高利用电潜泵的方法
机译: 完善的电潜泵及在井筒生产中提高利用电潜泵的方法