首页 / 专利分类库 / 液体变容式机械;液体泵或弹性流体泵 / 一种钻井装备故障诊断方法和装置

一种钻井装备故障诊断方法和装置

申请号 CN202311549852.1 申请日 2023-11-20 公开(公告)号 CN117759527A 公开(公告)日 2024-03-26
申请人 昆仑数智科技有限责任公司; 中国石油天然气集团有限公司; 发明人 万莹; 程乐平; 傅仁军; 宣梓鹏; 王选政; 王瑞; 王登朵; 高亮; 孙存; 何奇多; 连超; 李鹏; 史冠祺;
摘要 一种钻井装备故障诊断方法和装置,所述方法包括:通过 传感器 实时采集设备的相关监测数据;其中,所述监测数据包括:泥浆 泵 的振动数据和泥浆泵压 力 数据;根据所述监测数据中的泥浆泵压力数据确定泥浆泵发生故障;对所述监测数据中泥浆泵的振动数据进行慢特征分析,得到快慢特征 信号 ;根据所述快慢特征信号确定泥浆泵故障的诊断结果。
权利要求

1.一种钻井装备故障诊断方法,其特征在于,所述方法包括:
通过传感器实时采集设备的相关监测数据;其中,所述监测数据包括:泥浆振动数据和泥浆泵压数据;
根据所述监测数据中的泥浆泵压力数据确定泥浆泵发生故障;
对所述监测数据中泥浆泵的振动数据进行慢特征分析,得到快慢特征信号
根据所述快慢特征信号确定泥浆泵故障的诊断结果。
2.根据权利要求1所述的钻井装备故障诊断方法,其特征在于,
所述根据所述监测数据中的泥浆泵压力数据确定泥浆泵发生故障,包括:
根据泥浆泵的冲次计算泥浆泵的流量数据;
对所述监测数据中的泥浆泵压力数据和所述泥浆泵的流量数据进行归一化处理;
根据归一化后的流量数据和归一化后的压力数据确定流量与压力的对应关系和泥浆泵运行的特征曲线;
根据所述流量与压力的对应关系和所述泥浆泵运行的特征曲线确定实测压力数据和特征曲线中的拟合压力数据的均方根误差;
根据所述均方根误差确定泥浆泵发生故障。
3.根据权利要求2所述的钻井装备故障诊断方法,其特征在于,
所述流量与压力的对应关系为:
其中, 表示流量与压力的数据集, 表示不同流量条件下的实测压力值,下标1~N为不同流量下的序号,t表示实测压力数据集合。
4.根据权利要求2所述的钻井装备故障诊断方法,其特征在于,
所述泥浆泵的特性曲线为:
其中, 表示泥浆泵的特征曲线的离散点数据集, 表示不同流量条件下的特性曲线拟合压力值,下标1~N为不同流量下的序号,r表示拟合压力数据集合。
5.根据权利要求2所述的钻井装备故障诊断方法,其特征在于,
所述根据所述流量与压力的对应关系和所述泥浆泵运行的特征曲线确定实测压力数据和特征曲线中的拟合压力数据的均方根误差,包括:
确定所述流量与压力对应关系中每个流量序号i下泥浆泵的实测压力值;
确定所述泥浆泵的特征曲线中每个流量序号i下特性曲线对应的拟合压力值;
根据相同流量序号下的实测压力值与特性曲线对应的拟合压力值、利用均方根公式计算两者的均方根误差;
其中,所述均方根公式为:
t
上述公式中,RMSE为均方根误差,N为样本总数,Pi 为流量序号i下泥浆泵的实测压力r
值,Pi为流量序号i下特性曲线对应的拟合压力值。
6.根据权利要求1所述的钻井装备故障诊断方法,其特征在于,
所述对所述监测数据中泥浆泵的振动数据进行慢特征分析,得到快慢特征信号,包括:
利用慢特征分析确定转换函数;
利用所述转换函数将所述泥浆泵的振动数据映射到特征空间,并提取所述振动数据中的快慢特征信号;
其中,所述快慢特征信号为:
T
S=[Sd,Se]
Sd=[S1,S2,…Si,…,Sq]
Se=[Sq+1,Sq+2,…Si,…,Sm]
上述快慢特征信号包括m个特征,Si表示第i个特征,Sd表示取前q个
变化速度慢的慢特征组成的矩阵,Se表示取剩余m‑q个变化速度快的快特征组成的矩阵。
7.根据权利要求1所述的钻井装备故障诊断方法,其特征在于,所述根据所述快慢特征信号确定泥浆泵故障的诊断结果,包括:
利用XGBOOST对所述快慢特征信号进行特征重要性分析,得到变量重要性指标变化矩阵;
根据所述变量重要性指标变化矩阵对变量进行筛选,得到故障变量集合;
根据所述故障变量集合确定泥浆泵故障的诊断结果。
8.根据权利要求7所述的钻井装备故障诊断方法,其特征在于,所述利用XGBOOST对所述快慢特征信号进行特征重要性分析,得到变量重要性指标变化矩阵,包括:
根据故障样本数据生成对应的XGBOOST信息树,确定所述信息树的叶子节点的第一权d
重值,得到故障阶段时的权重向量W;
根据正常样本数据生成对应的XGBOOST信息树,确定所述信息树的叶子节点的第二权n
重值,得到正常阶段时的权重向量W;
d n
根据所述故障阶段时的权重向量W与所述正常阶段时的权重向量W得到变量重要性指标变化矩阵;
其中,所述变量重要性指标变化矩阵为:
上述矩阵中,D表示变量重要性指标变化矩阵, dm表示第m个变量故障前后的变化程度; 表示故障阶段时第m个特征的重要程度;
表示正常阶段时第m个特征的重要程度。
9.根据权利要求8所述的钻井装备故障诊断方法,其特征在于,
所述根据变量重要性指标变化矩阵对变量进行筛选,得到的故障变量集合,包括:
判断所述变量重要性指标变化矩阵中的元素值是否大于预设的阈值
若所述元素值大于预设的阈值,则确定该元素所对应的变量为故障变量;
将所有故障变量进行组合,形成故障变量集合F={F1,F2,…,Fk}。
10.根据权利要求9所述的钻井装备故障诊断方法,其特征在于,所述根据所述故障变量集合确定泥浆泵故障的诊断结果,包括:
k×n
对所述故障变量集合中的每个变量分别提取其时域特征X∈R ;
根据所述时域特征信号进行SVM诊断,确定该单个变量的诊断结果;
利用DS证据论证对各个变量的诊断结果进行融合,得到最终的故障诊断结果。
11.一种钻井装备故障诊断装置,其特征在于,所述装置包括:存储器和处理器;所述存储器用于保存进行钻井装备故障诊断的程序,所述处理器用于读取执行所述用于进行钻井装备故障诊断的程序,执行权利要求1‑10任一项所述的方法。
12.一种计算机可读存储介质,所述计算机可读存储介质上存储有数据处理程序,所述数据处理程序被处理器执行权利要求1‑10任一项所述的钻井装备故障诊断方法。

说明书全文

一种钻井装备故障诊断方法和装置

技术领域

[0001] 本文涉及钻井技术领域,尤指一种钻井装备故障诊断方法和装置。

背景技术

[0002] 泥浆作为钻井作业中的核心设备,负责在钻井作业过程中输送钻井液破碎岩石、带出岩屑、冷却钻头的作用,其寿命和可靠性关系到钻井作业的安全和运行成本。然而泥浆泵常年在恶劣的环境中运行,容易受外界环境的影响,泥浆泵输送的泥浆含砂量大、压高、腐蚀性强,工作环境极差,在长期工作的情况下容易出现零件磨损、密封失效、管线堵死等情况,尤其是液力端在长期负载下容易发生故障,即便是最短停机时间也可能导致巨大的经济损失。
[0003] 泥浆泵液力端常见失效形式有:缸套失效、活塞失效、吸入排出阀故障等。引起失效的原因多种多样,包含阀座损坏、弹簧断裂、进排液阀漏失等。泥浆泵故障形式多样,振源有惯性力、压力波动柱塞与缸套的振动等多个来源,逐一考虑振源、泥浆泵结构类型以及传递特性等因素对振动信号的具体影响,难度大、可行性差。泥浆泵部件在运行过程中会受到磨损、腐蚀等损伤,在信号的表现形式中往往以不易察觉的缓慢变化表征出来,而诸如弹簧断裂等的振源往往具有瞬变性,难以有效地将缓变特征和瞬变特征变化分离表征出来。
[0004] 现有的泥浆泵故障诊断方式多使用单个监测信号进行诊断,虽然能有效对整机的运行状态及故障模式进行评估及诊断,但对于故障发生部位以及故障发生原因无法有效判断,难以定位故障部件以及故障诊断。泥浆泵各状态监测参数表征不同,而基于权值的多源信息融合方法存在信息不一致的问题,难以有效兼容多参数的环境特征信息,单个传感器的误差对整个设备的诊断结论有较大的影响,对于复杂工况下、运行环境恶劣、故障形式多样的泥浆泵并不适用。
[0005] 因此,针对运行环境多变的情况下,亟需实现一种对泥浆泵进行有效的诊断方法。发明内容
[0006] 本申请提供一种钻井装备故障诊断方法和装置,所述方法包括:通过传感器实时采集设备的相关监测数据;根据相关监测数据进行SFA分析得到若干包含快慢特征的信号,最后实现在复杂工况下的设备故障诊断。
[0007] 第一方面,本申请提供了一种钻井装备故障诊断方法,所述方法包括:
[0008] 通过传感器实时采集设备的相关监测数据;其中,所述监测数据包括:泥浆泵振动数据和泥浆泵压力数据;
[0009] 根据所述监测数据中的泥浆泵压力数据确定泥浆泵发生故障;
[0010] 对所述监测数据中泥浆泵的振动数据进行慢特征分析,得到快慢特征信号;
[0011] 根据所述快慢特征信号确定泥浆泵故障的诊断结果。
[0012] 第二方面,本发明实施例还提供一种钻井装备故障诊断装置,其特征在于,所述装置包括:存储器和处理器;所述存储器用于保存进行钻井装备故障诊断的程序,所述处理器用于读取执行所述用于进行钻井装备故障诊断的程序,执行上述实施例中任一项所述的方法。
[0013] 第三方面,本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有数据处理程序,所述数据处理程序被处理器执行上述实施例中任一项所述的钻井装备故障诊断方法。
[0014] 与相关技术相比,本申请提供一种钻井装备故障诊断方法和装置,所述方法包括:通过传感器实时采集设备的相关监测数据;根据所述监测数据中的泥浆泵压力数据确定泥浆泵发生故障;对所述监测数据中泥浆泵的振动数据进行慢特征分析,得到快慢特征信号;
根据所述快慢特征信号确定泥浆泵故障的诊断结果。本申请通过传感器实时采集设备的相关监测数据;根据相关监测数据进行慢特征分析得到若干包含快慢特征的信号,最后实现在复杂工况下的设备故障诊断。
[0015] 本申请的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请而了解。本申请的其他优点可通过在说明书以及附图中所描述的方案来实现和获得。

附图说明

[0016] 附图用来提供对本申请技术方案的理解,并且构成说明书的一部分,与本申请的实施例一起用于解释本申请的技术方案,并不构成对本申请技术方案的限制。
[0017] 图1为本申请实施例的钻井装备故障诊断方法流程图
[0018] 图2为一些示例性实施例中的钻井装备故障诊断装置示意图;
[0019] 图3为一些示例性实施例中钻井装备故障诊断方法流程示意图;
[0020] 图4为本申请实施例的钻井装备故障诊断装置示意图。

具体实施方式

[0021] 本申请描述了多个实施例,但是该描述是示例性的,而不是限制性的,并且对于本领域的普通技术人员来说显而易见的是,在本申请所描述的实施例包含的范围内可以有更多的实施例和实现方案。尽管在附图中示出了许多可能的特征组合,并在具体实施方式中进行了讨论,但是所公开的特征的许多其它组合方式也是可能的。除非特意加以限制的情况以外,任何实施例的任何特征或元件可以与任何其它实施例中的任何其他特征或元件结合使用,或可以替代任何其它实施例中的任何其他特征或元件。
[0022] 本申请包括并设想了与本领域普通技术人员已知的特征和元件的组合。本申请已经公开的实施例、特征和元件也可以与任何常规特征或元件组合,以形成由权利要求限定的独特的发明方案。任何实施例的任何特征或元件也可以与来自其它发明方案的特征或元件组合,以形成另一个由权利要求限定的独特的发明方案。因此,应当理解,在本申请中示出和/或讨论的任何特征可以单独地或以任何适当的组合来实现。因此,除了根据所附权利要求及其等同替换所做的限制以外,实施例不受其它限制。此外,可以在所附权利要求的保护范围内进行各种修改和改变。
[0023] 此外,在描述具有代表性的实施例时,说明书可能已经将方法和/或过程呈现为特定的步骤序列。然而,在该方法或过程不依赖于本文所述步骤的特定顺序的程度上,该方法或过程不应限于所述的特定顺序的步骤。如本领域普通技术人员将理解的,其它的步骤顺序也是可能的。因此,说明书中阐述的步骤的特定顺序不应被解释为对权利要求的限制。此外,针对该方法和/或过程的权利要求不应限于按照所写顺序执行它们的步骤,本领域技术人员可以容易地理解,这些顺序可以变化,并且仍然保持在本申请实施例的精神和范围内。
[0024] 本发明实施例提供一种钻井装备故障诊断方法,如图1所示,所述方法包括步骤S100‑S130:
[0025] S100:通过传感器实时采集设备的相关监测数据;
[0026] S110:根据所述监测数据确定泥浆泵发生故障;
[0027] S120:对所述监测数据中泥浆泵的振动数据进行慢特征分析,得到快慢特征信号;
[0028] S130:根据所述快慢特征信号确定泥浆泵故障的诊断结果。
[0029] 在本实施例中,通过传感器实时采集设备的相关监测数据可以通过如图2所示的钻井装备故障诊断系统中设置多个传感器进行采集。关于传感器位置的设置如表1泥浆泵关键测点信息所示。通过传感器可以实时采集的监测数据包括:泥浆泵振动数据和泥浆泵压力数据。
[0030] 表1
[0031]序号 测点 数量 设备监测计划
1 泥浆泵液力端 6 加装振动传感器
2 泥浆泵排出管 1 加装压力传感器
[0032] 如图2所示,钻井装备故障诊断系统可分为边缘端和端。边缘端主要进行数据采集信号处理、故障检测、数据传输等任务,通过人机交互界面可视化展示云端的诊断结论;云端进行数据存储、数据管理、数据分析、故障定位及故障诊断,实现信息集成、状态监测、报警处理等功能。现场的钻井设备故障诊断系统部署在云端,故障诊断系统后端及数据分析工作由云端服务器完成。
[0033] 边缘端:如表1所示测点安装传感器,传感器系统由振动传感器以及压力传感器组成,连接数据采集组件采集现场数据,通过数据采集组件获取监视控制系统的控制参数,在数据采集组件中完成信号处理、故障检测,汇集到云端服务器中进行数据存储、管理及分析。现场人员通过人机交互界面获取设备正常运行及事故相关信息获取及报警处理,指导现场人员采取相关措施。
[0034] 云端:云端主要分为云端数据库以及云端服务器。云端数据库主要对边缘端数据进行存储、备份、管理等,云端服务器主要进行数据分析、故障定位、故障诊断以及系统部署。系统的前端主要采用Vue搭建,进行泥浆泵状态监测情况以及故障诊断结果的展示。系统后端数据分析部分进行数据处理、SFA分析(即慢特征分析)、XGBOOST特征分析、SVM故障诊断、DS证据论证决策融合等内容,实现泥浆泵的故障检测、故障定位、故障诊断等模型的更新功能。
[0035] 一种示例性实施例中,根据监测数据确定泥浆泵故障的过程,如图3所示,包括:
[0036] 步骤1,所述根据泥浆泵的冲次计算泥浆泵的流量数据,包括:
[0037] Ql=A·S·N·Z
[0038] 其中,其中Ql表示泥浆泵流量;A表示活塞横截面积;S表示活塞在液缸内的运动行程;N表示冲次;Z表示活塞数量。
[0039] 步骤2,对所述监测数据中的压力数据和所述泥浆泵的流量数据进行归一化处理;
[0040] 在本步骤中,对各信号进行归一化处理,通过最大最小标准化进行处理,假设泥浆泵液力端共计n个传感器,第j个传感器采集到的样本可表示为:S'j={x1,x2,…xm},共计m个样本,归一化计算公式如下:
[0041]
[0042] 其中,S′j为第j个传感器采集到的样本数据,minS'j为原始传感器样本集合中的最小值,maxS'j为原始传感器样本集合中的最大值,Sj为第j个归一化后的传感器信号集合,经过变换后的数据会映射到[0,1]的区间范围。
[0043] 步骤3,根据归一化后的流量数据和归一化后的压力数据确定流量与压力的对应关系和泥浆泵运行的特征曲线;
[0044] 其中,所述流量与压力的对应关系为:
[0045]
[0046] 其中, 表示流量与压力的数据集, 表示不同流量条件下的实测压力值,下标1~N为不同流量下的序号,t表示实测的压力数据集合。
[0047] 所述泥浆泵的特性曲线为:
[0048]
[0049] 其中, 表示泥浆泵的特征曲线的离散点数据集, 表示不同流量条件下的特性曲线拟合压力值,下标1~N为不同流量下的序号,r表示拟合得到的压力数据集合。
[0050] 步骤4,根据所述流量与压力的对应关系和所述泥浆泵运行的特征曲线确定均方根误差,包括:
[0051] 步骤41,确定所述流量与压力对应关系中每个流量序号i下泥浆泵的实测压力值;
[0052] 步骤42,确定所述泥浆泵运行的特征曲线中每个流量序号i下特性曲线对应的拟合压力值;
[0053] 步骤43,根据相同流量下的实测压力值与特性曲线对应的拟合压力值、利用均方根公式计算两者的均方根误差;
[0054] 其中,所述均方根公式为:
[0055]
[0056] 上述公式中,RMSE为均方根误差,N为样本总数,Pit为流量序号i下泥浆泵的实测压r力值,Pi为流量序号i下特性曲线对应的拟合压力值。
[0057] 步骤5,根据所述均方根误差确定泥浆泵故障。
[0058] 根据计算得出的RMSE值,与预设的阈值进行判定,若RMSE值大于阈值,则认为该泥浆泵设备存在故障,进行分析确定泥浆泵故障的步骤。否则泥浆泵为正常运行。
[0059] 一种示例性实施例中,对所述监测数据中泥浆泵的振动数据进行SFA慢特征分析,得到快慢特征信号,包括:
[0060] 步骤1,利用SFA慢特征分析确定转换函数;
[0061] 步骤2,利用所述转换函数将所述泥浆泵的振动数据映射到特征空间,并提取所述振动数据中的快慢特征信号;
[0062] 其中,所述快慢特征信号为:
[0063] S=[Sd,Se]T
[0064] Sd=[S1,S2,…Si,…,Sq]
[0065] Se=[Sq+1,Sq+2,…Si,…,Sm]
[0066] 上述快慢特征信号包括m个特征,Si表示第i个特征,Sd表示取前q个变化速度慢的慢特征组成的矩阵,Se表示取剩余m‑q个变化速度快的快特征组成的矩阵。
[0067] 在本实施例中,对所述监测数据中泥浆泵的振动数据进行SFA分析,得到快慢特征T信号为:(1)对于输入的第j个传感器信号Sj=[x1,x2,…xm] ,SFA的目的是寻找一个转换函T
数g(x)=[g1(x),g2(x),…,gm(x)],使得特征F(t)=g(Sj)变化最慢。
[0068] (2)对进行归一化后的传感器信号Sj的协方差矩阵进行SVD分解:
[0069]
[0070] 其中, 表示输入数据的协方差矩阵,Λ表示奇异值矩阵,U表示Λ的左奇异值矩阵。
[0071] 白化可以消除变量间的互相关性,白化后的数据可以表示为:
[0072] Z=Λ‑12UTSj=QSj
[0073] 此时的SFA转变为求取矩阵P=WQ‑1,W=[w1,w2,...,wm]T,wi为SFA中的权重向量,QT T T T定义为: P由m个正交向量组成,满足S=PZ和P P=P<ZZ>tP=<SS>t=I,接着计算白化后数据的差分 对差分数据的协方差矩阵进行二次SVD分解,即:
[0074]
[0075] 由此,可得到慢特征:
[0076] S=PZ=WQ‑1Sj
[0077] 其中,Ω中的奇异值按照从小到大进行顺序排列表示变化速度由慢到快排列。对应奇异值越小的慢特征,变化速度越慢,反之亦然。根据特征的变化速度快慢可将所获取的特征分成两部分:
[0078] S=[Sd,Se]T
[0079] Sd=[S1,S2,…Si,…,Sq]
[0080] Se=[Sq+1,Sq+2,…Si,…,Sm]
[0081] 上述快慢特征信号包括m个特征,Si表示第i个特征,Sd表示取前q个变化速度慢的慢特征组成的矩阵,Se表示取剩余m‑q个变化速度快的快特征组成的矩阵。慢特征表征了泥浆泵不受外界干扰的重要运行状态信息,快特征被认为是噪声,因此省去。
[0082] 一种示例性实施例中,所述根据所述快慢特征信号确定泥浆泵故障的诊断结果,包括:
[0083] 步骤1,利用XGBOOST对所述快慢特征信号进行特征重要性分析,得到变量重要性指标变化矩阵,包括:
[0084] 步骤11,根据故障样本数据生成对应的XGBOOST信息树,确定所述信息树的叶子节d点的第一权重值,得到故障阶段时的权重向量W;
[0085] 在本步骤中,(2)通过XGBOOST来计算故障阶段和正常阶段的变量重要性指标。以m×n故障阶段为例,经SFA分析得到的故障样本数据集为X∈R ,其中m为特征个数,n为采样点数即样本的长度。
[0086] XGBOOST的目标函数可以定义为:
[0087]
[0088] 其中,i为第i个样本,n为采样点数,k是第k棵树,l为损失函数,Ω为惩罚项,fk为树结构函数,yi是第i个样本的实测值, 是第i个样本xi的预测值
[0089] 用每一棵树的预测结果拟合上一颗树预测结果的残差,使得到的模型更加精确,目标函数可以转换为叶子节点求和的形式:
[0090]
[0091] 其中,Gj为叶子节点j所包含样本的一阶偏导数累加和,Hj为叶子节点j所包含样本的二阶偏导数累加和,Wj为叶子节点j的权重,λ和γ是用来控制相应部件比重的权重因子,T表示树的叶子节点数量。
[0092] 叶子节点的分裂依据采用切分前的目标函数值减去切分后的目标函数值,若其Gain为正值,说明切分后的模型效果更好,Gain增益计算公式如下:
[0093]
[0094] 其中,L为左子树,R为右子树, 为左子树的信息分量, 为右子树的信息分量, 为尚未分割的信息量,GL表示左树样本一阶偏导数累加之和,GR表示右树样本一阶偏导数累加之和,HL表示左树样本二阶偏导数累加之和,HR表示右树样本二阶偏导数累加之和,λ和γ是权重因子,权重因子λ是表示L1正则的惩罚性,权重因子γ是表示L2正则的惩罚性。
[0095] 以故障样本为例生成对应的XGBOOST信息树,各变量对应的叶子节点的权值可以表征特征重要性,权重向量的表达式如下:
[0096]
[0097] 其中, 表示故障阶段时第m个特征的重要程度。
[0098] 步骤12,根据正常样本数据生成对应的XGBOOST信息树,确定所述信息树的叶子节n点的第二权重值,得到正常阶段时的权重向量W;
[0099] 步骤13,根据所述故障阶段时的权重向量Wd与所述正常阶段时的权重向量Wn得到变量重要性指标变化矩阵;
[0100] 其中,所述变量重要性指标变化矩阵为:
[0101]
[0102] 上述矩阵中,D表示变量重要性指标变化矩阵, dm表示第m个变量故障前后的变化程度; 表示故障阶段时第m个特征的重要程度;表示正常阶段时第m个特征的重要程度。
[0103] 相应的可以得到正常阶段时的权值向量:
[0104]
[0105] 其中, 表示正常阶段时第m个特征的重要程度。
[0106] 由Wd与Wn可以得到变量重要性指标变化矩阵,用于衡量变量故障前后的变化程度,其计算结果如下:
[0107]
[0108] 步骤2,根据所述变量重要性指标变化矩阵对变量进行筛选,得到故障变量集合,包括:
[0109] 步骤21,判断所述变量重要性变化矩阵中的元素值是否大于预设的阈值;
[0110] 步骤22,若所述元素值大于预设的阈值,则确定该元素所对应的变量为故障变量,并执行步骤23;
[0111] 步骤23,将所有故障变量进行组合,形成故障变量集合F={F1,F2,…,Fk}。
[0112] 步骤3,根据所述故障变量集合确定泥浆泵故障的诊断结果,包括:
[0113] 步骤31,对所述故障变量集合中的每个变量分别提取其时域特征X∈Rk×n;
[0114] 在本步骤中,F1,F2,…,Fk为故障变量集合,第k个故障变量可表示为Fk={x1,x2,…,xn},共包含n个样本。划分时间窗,并提取平均值、标准差、均方根、偏度、峭度等时域特征,其时域特征参数计算公式如下表2所示:
[0115] 表2
[0116]
[0117] 步骤32,根据所述时域特征信号进行SVM诊断,确定该单个变量的诊断结果;由步k×n骤31得到的时域特征可描述为X∈R ,其中n为样本个数,k为每个样本的维度。SVM划定的超平面可表示为:
[0118] f(x)=w·x+b
[0119] 其中,w为最优分类面权重系数向量,x为训练样本,b为偏置。
[0120] 最优超平面可变换为:
[0121]
[0122]
[0123] 其中,ξi表示在约束条件下引入的非负松弛变量,C是对训练误差和置信范围二者的折中,即惩罚因子。
[0124] 最优分类函数可定义为:
[0125] f(x)=sgn[(w*·x)+b*]=sgn[α*yi(xi·x)+b*]
[0126] 其中,w*表示为最终计算得到的最优分类面权重系数向量最优解,α*为拉格朗日乘*子,yi(xi·x)为核函数,b为偏置最优解。
[0127] 步骤33,利用DS证据论证对各个变量的诊断结果进行融合,得到最终的故障诊断结果。
[0128] 在本步骤中,单一数据的训练结果作为证据,采用DS证据论证进行融合。DS的合成规则为:
[0129]
[0130] 其中,k为描述证据的冲突程度,m1,m2为对应的基本概率分配函数,E、F为对应事件的组成元素,m为用Dempster规则融合后的证据体。
[0131] 为利用冲突信息,根据可信度将证据冲突概率按各命题加权进行分配,因此,故障诊断模型可以写为:
[0132] m(φ)=0
[0133]
[0134] 其中,Ai为第i个焦元,mi为第i个焦元的基本概率分配函数,n为命题总数。
[0135] 本实施例,通过部署在设备上的传感器采集各测点数据,经由数据采集组件、数据读取组件以及数据远程传输等手段,实现从现场设备到服务器的传输,最终形成传感器参数至钻井装备故障诊断系统的集成。引入特性曲线数据,对比实际的流量‑压力数据以及流量‑压力特性曲线数据,检测泥浆泵是否发生故障。若发生故障,则通过慢特征分析提取多传感器信号中的特征信息,利用XGBOOST对比故障前后的特征重要性,筛选出变化较大的特征变量,汇总为故障变量集合。最终筛选得到的故障变量通过SVM进行单个信息源的诊断,通过DS证据论证进行决策融合,得出故障诊断的结论。该方法具有在复杂工况下优秀的特征提取能力,具备更为可靠的参数融合方法,具有更为优秀的准确性和鲁棒性。
[0136] 本发明实施例提供一种钻井装备故障诊断装置,如图4所示,装置包括:存储器400和处理器410;所述存储器用于保存进行钻井装备故障诊断的程序,所述处理器用于读取执行所述用于进行钻井装备故障诊断的程序,执行上述实施例中任一项所述的方法。
[0137] 本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有数据处理程序,所述数据处理程序被处理器执行上述实施例中任一项所述的钻井装备故障诊断方法。
[0138] 本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件固件硬件及其适当的组合。在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器,如数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD‑ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
QQ群二维码
意见反馈