摘 要 提出一種復(fù)雜工況下的油田機(jī)械設(shè)備運(yùn)行狀態(tài)監(jiān)測(cè)方法，采用EMD方法對(duì)油田機(jī)械設(shè)備的振動(dòng)信號(hào)進(jìn)行去噪處理，結(jié)合ITD算法提取油田機(jī)械設(shè)備振動(dòng)信號(hào)幅頻特征，輸入Teager能量算子獲得振動(dòng)信號(hào)幅頻特征，運(yùn)用SOFM網(wǎng)絡(luò)分析該信號(hào)的幅頻特性，得到特征聚類(lèi)結(jié)果，在此基礎(chǔ)上建立二叉樹(shù)支持向量機(jī)，將特征聚類(lèi)結(jié)果輸入進(jìn)去，完成油田機(jī)械設(shè)備運(yùn)行狀態(tài)的監(jiān)測(cè)識(shí)別。實(shí)驗(yàn)結(jié)果表明，所提方法的監(jiān)測(cè)性能良好，具有較高的監(jiān)測(cè)效率。

關(guān)鍵詞 油田機(jī)械設(shè)備 運(yùn)行狀態(tài)監(jiān)測(cè) 振動(dòng)信號(hào)幅頻特征 聚類(lèi)分析 二叉樹(shù)支持向量機(jī)

中圖分類(lèi)號(hào) TE9? ?文獻(xiàn)標(biāo)識(shí)碼 A? ?文章編號(hào) 0254?6094（2023）02?0169?06

為了提高石油資源的利用率，確保油田機(jī)械設(shè)備的安全穩(wěn)定運(yùn)行，需要加強(qiáng)油田機(jī)械設(shè)備的日常保養(yǎng)和狀態(tài)監(jiān)測(cè)工作［1］。對(duì)機(jī)械設(shè)備進(jìn)行狀態(tài)監(jiān)測(cè)，可以獲得機(jī)械設(shè)備在運(yùn)行狀態(tài)下的相關(guān)信息，歸類(lèi)對(duì)比狀態(tài)監(jiān)測(cè)數(shù)據(jù)，通過(guò)一定的技術(shù)手段，可以實(shí)現(xiàn)工程項(xiàng)目的利益最大化。同時(shí)，通過(guò)分析油田機(jī)械設(shè)備的狀態(tài)監(jiān)測(cè)數(shù)據(jù)，了解機(jī)械設(shè)備的運(yùn)行狀態(tài)，可以提前找出設(shè)備的故障原因［2，3］，從而制定解決方案并逐步排查安全隱患，從多個(gè)角度和層面保障油田機(jī)械設(shè)備的安全穩(wěn)定運(yùn)行。

胡杰等通過(guò)監(jiān)測(cè)機(jī)械設(shè)備的運(yùn)行狀態(tài)，獲取實(shí)時(shí)動(dòng)態(tài)數(shù)據(jù)信息，用于分析當(dāng)前設(shè)備狀態(tài)，同時(shí)利用k?means聚類(lèi)算法構(gòu)造獲取機(jī)械設(shè)備的健康矩陣，根據(jù)健康矩陣完成機(jī)械設(shè)備的運(yùn)行狀態(tài)監(jiān)測(cè)［4］，但是該方法存在監(jiān)測(cè)準(zhǔn)確率低的問(wèn)題。張聰?shù)韧ㄟ^(guò)多變量數(shù)據(jù)構(gòu)建機(jī)械設(shè)備的耦合網(wǎng)絡(luò)關(guān)系，在此基礎(chǔ)上，建立自主性異常監(jiān)測(cè)模型，提取機(jī)械設(shè)備運(yùn)行狀態(tài)特征，將運(yùn)行狀態(tài)特征輸入到多變量耦合網(wǎng)絡(luò)中，獲取機(jī)械設(shè)備的重建概率，并將其作為機(jī)械設(shè)備運(yùn)行異常指標(biāo)，完成機(jī)械設(shè)備的運(yùn)行狀態(tài)監(jiān)測(cè)，但是該方法存在監(jiān)測(cè)狀態(tài)識(shí)別率低的問(wèn)題［5］。劉偉鵬等通過(guò)奇異值分解方法獲取機(jī)械設(shè)備運(yùn)行狀態(tài)的特征量，利用降維處理優(yōu)化特征量構(gòu)建特征矩陣，將該特征矩陣輸入到支持向量機(jī)中，分類(lèi)處理機(jī)械設(shè)備運(yùn)行狀態(tài)，實(shí)現(xiàn)監(jiān)測(cè)，但是該方法存在監(jiān)測(cè)檢索時(shí)間長(zhǎng)的問(wèn)題［6］。

為此，筆者提出復(fù)雜工況下油田機(jī)械設(shè)備運(yùn)行狀態(tài)監(jiān)測(cè)方法。其創(chuàng)新點(diǎn)是通過(guò)經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition，EMD）方法對(duì)油田機(jī)械設(shè)備振動(dòng)信號(hào)進(jìn)行去噪處理，提取油田機(jī)械設(shè)備振動(dòng)信號(hào)幅頻特征；然后運(yùn)用自組織特征映射（Self?Organizing Feature Mapping，SOFM）網(wǎng)絡(luò)分析振動(dòng)信號(hào)幅頻特性，得到特征聚類(lèi)結(jié)果；最后建立二叉樹(shù)支持向量機(jī)，得到特征聚類(lèi)結(jié)果，完成油田機(jī)械設(shè)備運(yùn)行狀態(tài)的監(jiān)測(cè)識(shí)別。

1 機(jī)械設(shè)備運(yùn)行振動(dòng)特征提取

油田機(jī)械設(shè)備的運(yùn)行振動(dòng)信號(hào)中存在大量噪聲，為了準(zhǔn)確提取振動(dòng)信號(hào)特征，需要對(duì)機(jī)械設(shè)備的振動(dòng)信號(hào)進(jìn)行去噪處理。采用EMD方法作為復(fù)雜工況下油田機(jī)械設(shè)備運(yùn)行狀態(tài)監(jiān)測(cè)方法，具體過(guò)程如下。

第1步。通過(guò)EMD非線(xiàn)性非平穩(wěn)信號(hào)分解方法，將油田機(jī)械設(shè)備的振動(dòng)信號(hào)u（t）分解成h個(gè)分量。

第2步。計(jì)算振動(dòng)信號(hào)u（t）分量的Hurst指數(shù)，當(dāng)分量對(duì)應(yīng)的Hurst指數(shù)在0.5附近波動(dòng)時(shí)，表明該分量為油田機(jī)械設(shè)備振動(dòng)信號(hào)中存在的噪聲干擾，表示為：

由圖2可知，處于正常狀態(tài)時(shí)，油田機(jī)械設(shè)備振動(dòng)信號(hào)的頻率較為平穩(wěn)；處于早期故障時(shí)，油田機(jī)械設(shè)備信號(hào)的頻率有較小波動(dòng)且不規(guī)律；處于嚴(yán)重故障時(shí)，油田機(jī)械設(shè)備振動(dòng)信號(hào)的頻率起伏波動(dòng)較大，振動(dòng)也更為明顯。

將識(shí)別率作為運(yùn)行設(shè)備監(jiān)測(cè)指標(biāo)，采用筆者所提方法、文獻(xiàn)［4］方法和文獻(xiàn)［5］方法展開(kāi)狀態(tài)監(jiān)測(cè)測(cè)試，得到識(shí)別率測(cè)試結(jié)果如圖3所示。

由圖3可知，筆者所提方法在3種運(yùn)行狀態(tài)下識(shí)別率均在80%以上，明顯高于文獻(xiàn)［4］方法、文獻(xiàn)［5］方法的識(shí)別率，表明采用筆者所提方法得到的監(jiān)測(cè)設(shè)備振動(dòng)信號(hào)幅頻特征具有很好的監(jiān)測(cè)識(shí)別功能。

采用筆者所提方法、文獻(xiàn)［4］方法和文獻(xiàn)［5］方法展開(kāi)監(jiān)測(cè)準(zhǔn)確率測(cè)試，結(jié)果如圖4所示。

由圖4可知，文獻(xiàn)［4］方法與文獻(xiàn)［5］方法在機(jī)械設(shè)備運(yùn)行狀態(tài)監(jiān)測(cè)過(guò)程中的準(zhǔn)確率較低，筆者所提方法與這兩種方法相比具有較高的準(zhǔn)確率，這是因?yàn)楣P者所提方法提取了油田機(jī)械設(shè)備振動(dòng)信號(hào)的幅頻特征，并以此為依據(jù)對(duì)其狀態(tài)進(jìn)行監(jiān)測(cè)，從而大幅提升了監(jiān)測(cè)結(jié)果的準(zhǔn)確率，可見(jiàn)筆者所提方法具有很好的監(jiān)測(cè)性能且適用于各類(lèi)油田機(jī)械設(shè)備運(yùn)行狀態(tài)的監(jiān)測(cè)。

為進(jìn)一步驗(yàn)證筆者所提方法的有效性，對(duì)3種方法下的監(jiān)測(cè)時(shí)間進(jìn)行對(duì)比，結(jié)果如圖5所示。

由圖5可知，筆者所提方法每次迭代所用的監(jiān)測(cè)時(shí)間都比前兩者短，表明筆者所提方法可在較短時(shí)間內(nèi)完成油田機(jī)械設(shè)備的狀態(tài)監(jiān)測(cè)，具有較高的監(jiān)測(cè)效率。

4 結(jié)束語(yǔ)

針對(duì)現(xiàn)有油田機(jī)械設(shè)備運(yùn)行狀態(tài)監(jiān)測(cè)技術(shù)

手段及方法不夠完善的問(wèn)題，筆者提出一種復(fù)雜工況下的油田機(jī)械設(shè)備運(yùn)行狀態(tài)監(jiān)測(cè)方法，該方法提取了振動(dòng)信號(hào)的幅頻特征，展開(kāi)分類(lèi)識(shí)別，最終證實(shí)該方法具有準(zhǔn)確率高、識(shí)別率高及監(jiān)測(cè)效率高等優(yōu)點(diǎn)，解決了傳統(tǒng)方法中的諸多問(wèn)題，可以在復(fù)雜工況下開(kāi)展機(jī)械運(yùn)行設(shè)備的監(jiān)測(cè)任務(wù)，對(duì)以后工程項(xiàng)目的運(yùn)用提供了很好的設(shè)備基礎(chǔ)技術(shù)，保障了設(shè)備安全與工程安全。

參 考 文 獻(xiàn)

［1］ 穆錦標(biāo)，穆繼亮，鄒杰，等.低功耗自供電機(jī)械設(shè)備狀態(tài)監(jiān)測(cè)系統(tǒng)設(shè)計(jì)［J］.中北大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，42（4）：355-360.

［2］ 何知義，邵海東，程軍圣，等.基于彈性核凸包張量機(jī)的機(jī)械設(shè)備熱成像故障診斷方法［J］.中國(guó)機(jī)械工程，2021，32（12）：1456-1461；1478.

［3］ 曹智軍.農(nóng)業(yè)機(jī)械設(shè)備液壓元件故障診斷系統(tǒng)設(shè)計(jì)與應(yīng)用［J］.農(nóng)機(jī)化研究，2020，42（1）：255-260.

［4］ 胡杰，唐靜，謝仕義.基于實(shí)時(shí)動(dòng)態(tài)基線(xiàn)的運(yùn)行設(shè)備多元狀態(tài)估計(jì)方法［J］.熱力發(fā)電，2021，50（2）：125-131.

［5］ 張聰，朱永生，楊敏燕，等.采用多變量耦合網(wǎng)絡(luò)與變分圖自編碼器的機(jī)械設(shè)備異常檢測(cè)方法［J］.西安交通大學(xué)學(xué)報(bào)，2021，55（4）：20-28.

［6］ 劉偉鵬，張國(guó)鋼，劉亞魁，等.基于主成分分析和支持向量機(jī)的高壓斷路器機(jī)械狀態(tài)識(shí)別方法［J］.高壓電器，2020，56（9）：267-272；278.

［7］ 魯鐵定，錢(qián)文龍，賀小星，等.一種確定分界IMF分量的改進(jìn)EMD方法［J］.大地測(cè)量與地球動(dòng)力學(xué)，2020，40（7）：720-725.

［8］ 吳濤，熊新，吳建德，等.基于QH?ITD和AMCKD的滾動(dòng)軸承故障診斷研究［J］.電子測(cè)量與儀器學(xué)報(bào)，2020，34（4）：79-89.

［9］ 楊小彬，裴艷宇，程虹銘，等.基于SOFM神經(jīng)網(wǎng)絡(luò)模型的巖爆烈度等級(jí)預(yù)測(cè)方法［J］.巖石力學(xué)與工程學(xué)報(bào)，2021，40（S1）：2708-2715.

［10］ 李志明，唐永中.基于歐式距離的AES算法模板攻擊［J］.計(jì)算機(jī)工程與應(yīng)用，2022，58（2）：110-115.

［11］ 鞏曉赟，張偉業(yè)，敬永杰，等.基于稀疏表示的軸承耦合故障振動(dòng)特性分析及其特征提?。跩］.機(jī)械傳動(dòng)，2020，44（10）：38-43；54.

［12］ 黃豐喜，胡素黎，劉曉英.基于kmeans?SVM的二叉樹(shù)粗分類(lèi)方法［J］.計(jì)算機(jī)與數(shù)字工程，2021，49（3）：506-509.

［13］ 趙紹東.基于機(jī)器學(xué)習(xí)的建筑能耗SVM模型降階分析與研究［J］.天津科技大學(xué)學(xué)報(bào)，2021，36（1）：56-61.

［14］ 聞?shì)x，賈冬順，嚴(yán)濤，等.勢(shì)函數(shù)聚類(lèi)的優(yōu)化下采樣SVM分類(lèi)方法［J］.計(jì)算機(jī)集成制造系統(tǒng)，2020，26（1）：152-160.

［15］ 李玉，宮學(xué)亮，趙泉華.基于張量徑向基核函數(shù)支持向量機(jī)的高光譜影像分類(lèi)［J］.儀器儀表學(xué)報(bào)，2020，41（12）：253-262.

（收稿日期：2022-06-29，修回日期：2023-03-13）

Monitoring Method for Operating State of Oilfield?Machinery under Complex Working Conditions

DUAN Bing?hong

（SINOPEC Shengli Oilfield Company）

Abstract? ?A monitoring method for the operation status of oilfield machinery under complex working conditions was proposed， including having EMD method adopted to denoise vibration signals of oilfield machinery and the ITD algorithm combined to extract amplitude frequency characteristics of their vibration signals， and the Teager energy operator input to obtain amplitude frequency characteristics of the vibration signals as well as the SOFM network employed to analyze amplitude frequency characteristics of the signals so as to get feature clustering results. On this basis， the binary tree support vector machine was established and the feature clustering results were input to complete monitoring and identification of operating status. The experimental results show that， the method proposed has better monitoring performance and high efficiency.

Key words? ? oilfield machinery， operation status monitoring， vibration signal amplitude?frequency characteristics， cluster analysis， binary tree SVM

作者簡(jiǎn)介：段秉紅（1981-），高級(jí)工程師，從事泛在油氣田設(shè)備智能化發(fā)展等相關(guān)方向的研究，duanbinghong.slyt@sinopec.com。

引用本文：段秉紅.復(fù)雜工況下油田機(jī)械設(shè)備運(yùn)行狀態(tài)監(jiān)測(cè)方法［J］.化工機(jī)械，2023，50（2）：169-174.