楊光喬 李 穎 王國程 劉明魁 柳小勤 鄧云楠

(1.中國石油長慶油田分公司第三采油廠 2.昆明理工大學(xué)機(jī)電工程學(xué)院)

0 引 言

油田注水能夠彌補原油開采造成的地下虧空，保持或提高油層壓力進(jìn)而穩(wěn)定油田產(chǎn)能，提高采收率。柱塞泵作為油田開發(fā)過程中的關(guān)鍵設(shè)備，其運行中存在壓力高、能耗高、故障率高、安全風(fēng)險高等問題，監(jiān)控不當(dāng)容易造成事故發(fā)生，成為油田設(shè)備管理的難點和重點[1-2]。保障柱塞泵系統(tǒng)安全穩(wěn)定生產(chǎn)、提高設(shè)備運行可靠度，對于提高油田開發(fā)經(jīng)濟(jì)效益具有重要意義。近年來，隨著基于振動信號處理的在線監(jiān)測系統(tǒng)建設(shè)日益成熟，柱塞泵在線監(jiān)測系統(tǒng)逐漸取代周期性人力現(xiàn)場檢修，承擔(dān)著油田的注水系統(tǒng)維護(hù)任務(wù)[3-4]。振動信號包含大量機(jī)械運行狀態(tài)信息及機(jī)組運行狀態(tài)信息，不同的故障特征、運行參數(shù)都能夠映射到振動數(shù)據(jù)特征中。在柱塞泵系統(tǒng)運行過程中完成數(shù)據(jù)實時傳輸及在線診斷能夠幫助維護(hù)人員及時掌握機(jī)組運行狀態(tài)，對于故障缺陷能夠快速響應(yīng)并調(diào)整運行策略，做到發(fā)現(xiàn)故障并及時處理。然而，生產(chǎn)計劃的頻繁變動往往導(dǎo)致柱塞泵機(jī)組的運行工況產(chǎn)生波動，進(jìn)一步導(dǎo)致振動強度發(fā)生波動[5]。由于故障缺陷和運行參數(shù)都影響著振動數(shù)據(jù)特征數(shù)值，油田柱塞泵振動信號特征往往受到工況擾動，傳統(tǒng)方法對故障特征的捕捉和學(xué)習(xí)能力較弱，難以對故障特征進(jìn)行診斷，進(jìn)而出現(xiàn)“不預(yù)警”或“錯誤預(yù)警”等威脅設(shè)備運行安全的問題。因此，探索高精度的智能化故障診斷方法是保障油田柱塞泵故障診斷準(zhǔn)確率，提高油田運行監(jiān)測效率的關(guān)鍵[6]。

近年來，深度學(xué)習(xí)優(yōu)秀的自適應(yīng)故障特征學(xué)習(xí)能力成為故障診斷領(lǐng)域的熱點方向，并在機(jī)械設(shè)備故障診斷領(lǐng)域得到廣泛關(guān)注。大量研究表明，基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)的故障診斷在工業(yè)場景具有關(guān)鍵意義，通過對工業(yè)數(shù)據(jù)強關(guān)聯(lián)特性的學(xué)習(xí)和表征，CNN能對工業(yè)環(huán)境下高溫、嘈雜等負(fù)面因素對故障診斷的干擾進(jìn)行消除，實現(xiàn)魯棒特征的學(xué)習(xí)能力[7-9]。由于一維卷積神經(jīng)網(wǎng)絡(luò)(One-dimensional Convolutional Neuyql Network，1D-CNN)相比傳統(tǒng)二維卷積神經(jīng)網(wǎng)絡(luò)具有輸入簡單、運算速度快，能夠獲取輕量化模型而受到廣泛關(guān)注[10-12]。卷積核在一維數(shù)據(jù)的連續(xù)滑動令1D-CNN能夠適用于各類傳感器數(shù)據(jù)的時間序列分析，并發(fā)掘出深層非線性特征用于表征目標(biāo)的性能，從而在保證預(yù)測精度的基礎(chǔ)上簡化模型結(jié)構(gòu)，提高模型訓(xùn)練效率。但柱塞泵體積較大、振動傳播路徑復(fù)雜，導(dǎo)致故障特征在信號中受到大量干擾而難以被提取。

目前關(guān)于油田柱塞泵故障診斷的深度學(xué)習(xí)方法尚未被探索，且現(xiàn)有基于深度學(xué)習(xí)的故障診斷方法缺乏對振動信號的有效數(shù)據(jù)特征強化，多通道特征不具備有效的深度交互。鑒于此，本文提出基于高效通道注意力(Efficient Channel Attention，ECA)改進(jìn)1D-CNN的油田柱塞泵故障診斷方法，針對柱塞泵體積大、振動傳播路徑復(fù)雜導(dǎo)致傳統(tǒng)方法在振動故障信號特征提取中的局限，基于深度學(xué)習(xí)方法開展油田柱塞泵故障診斷智能模型研究。使用1D-CNN作為故障診斷基準(zhǔn)模型，并引入ECA，通過增強通道特征交互實現(xiàn)深層次柱塞泵振動信號特征挖掘，提高模型預(yù)測精度。在某采油廠的柱塞泵實際運行在線監(jiān)測數(shù)據(jù)中進(jìn)行試驗，通過實際的應(yīng)用和驗證結(jié)果，展示了本文方法在柱塞泵監(jiān)測應(yīng)用中的魯棒性和準(zhǔn)確性。

1 理論基礎(chǔ)

1.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)通過稀疏連接和權(quán)值參數(shù)共享將數(shù)據(jù)的簡單特征映射到更復(fù)雜的高維模式。其組成部分描述如下。

CNN主要由不同卷積參數(shù)的卷積層組成并對輸入數(shù)據(jù)進(jìn)行一系列卷積運算以獲取卷積特征，其數(shù)學(xué)表達(dá)為：

(1)

由于分布統(tǒng)一的數(shù)據(jù)能讓模型更容易學(xué)習(xí)到數(shù)據(jù)之中的規(guī)律，卷積處理后的數(shù)據(jù)通常需要批量歸一化(Batch Normalization，BN)處理，使隱含神經(jīng)元趨于標(biāo)準(zhǔn)正態(tài)分布，從而減少數(shù)據(jù)特征分布差異并有效緩解梯度消失問題。BN通過獨立的方式使每一個特征向量具有零均值和單位方差。當(dāng)卷積層輸出d維空間向量，則BN輸入X=(x(1)，…，x(d))。為減小內(nèi)部協(xié)變量轉(zhuǎn)移，將對每一維特征歸一化，可以被表示為：

(2)

式中：E[x(i)]為x(i)的期望值；Var[x(i)]為x(i)的方差。

使用式(2)對特征進(jìn)行歸一化會影響模型的表征能力，于是引入重構(gòu)參數(shù)γi和βi對歸一化值進(jìn)行調(diào)整，恢復(fù)原始網(wǎng)絡(luò)的特征分布，上述過程可以描述如下：

(3)

對數(shù)據(jù)進(jìn)行BN規(guī)范化后，采用激活函數(shù)對數(shù)據(jù)實施非線性映射。選用Rectified linear unit(ReLU)激活函數(shù)對輸入特征進(jìn)行處理得到輸出：

(4)

隨后進(jìn)行池化(Pooling)操作減小模型規(guī)模、提高運算速度，同時提高所提取特征的魯棒性，實現(xiàn)目標(biāo)區(qū)域特征提取并減少參數(shù)數(shù)量，防止模型過擬合。本文采用最大池化操作，函數(shù)表示如下：

(5)

經(jīng)過最大池化后的特征將被展平處理輸入全連接層，其表達(dá)式如下：

(6)

式中：wh表示相鄰層之間的權(quán)重矩陣；bh為偏置；dm表示輸入數(shù)據(jù)；σ(·)是激活函數(shù)。

在全連接層之后，通過SoftMax函數(shù)實現(xiàn)類別分類，即有：

(7)

式中：fk(y)是SoftMax函數(shù)對每個類別的預(yù)測值；k為目標(biāo)的輸出類別索引；C為訓(xùn)練中所涉及的樣本總數(shù)。

同時，模型訓(xùn)練采用交叉熵作為損失函數(shù)，公式如下：

(8)

式中：θ為模型的訓(xùn)練參數(shù)；hk為第k個目標(biāo)的輸出類別；fk(θ)為第k類樣本預(yù)測概率值；L(θ)為誤差損失值。

1.2 高效通道注意力

高效通道注意力(ECA)[13]是在SENet[14]的基礎(chǔ)上做出改進(jìn)，提出一種不降維的局部跨通道交互策略和自適應(yīng)選擇一維卷積核尺寸的方法。ECA通過不降低維數(shù)的通道級全局平均池化操作，將特征圖由二維矩陣壓縮成為單個數(shù)值，從而獲取特征圖的全局感受野信息。當(dāng)給定特征y∈RC，高效通道注意力可以被表示為：

ω=σ(Wy)

(9)

其中：W為學(xué)習(xí)通道注意力帶狀矩陣，被表示為：

(10)

W包含p×C個參數(shù)，相比原始通道注意力機(jī)制更少。其中每個通道特征yn的權(quán)重wn可以通過與鄰域內(nèi)p個參數(shù)的交互，該過程被表示為：

(11)

所有通道的特征權(quán)重共享，即共同使用wv，此時可以通過以卷積核尺寸為p的一維卷積來表示式(11)中的計算，即有：

w=σ(Conv1Dp(y))

(12)

式中：Conv1D表示一維卷積操作。

式(12)即為ECA的計算表達(dá)式，詳細(xì)模塊架構(gòu)如圖1所示。

圖1 注意力機(jī)制Fig.1 Attention mechanism

1.3 基于ECA的1D-CNN故障診斷模型

1.3.1 模型構(gòu)建

在1D-CNN的基礎(chǔ)上引入高效通道注意力模塊，基于1D-CNN從油田柱塞泵振動信號中學(xué)習(xí)各類故障的多層次特征；然后引入高效通道注意力模塊對特征通道的重要程度進(jìn)行提取，根據(jù)這個重要程度實現(xiàn)故障特征增強，對無效的特征進(jìn)行抑制，使網(wǎng)絡(luò)獲得魯棒性更高的分類線索。其網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖2所示。

圖2 ECA改進(jìn)的1D-CNN油田柱塞泵故障診斷模型結(jié)構(gòu)Fig.2 Structure of fault diagnosis model for oilfield plunger pump based on ECA improved 1D-CNN

故障診斷模型主要由輸入層、隱含層、注意力層以及全連接層組成。輸入層以油田柱塞泵一維振動信號樣本作為輸入，隱含層包括卷積層、BN層、池化層，本文設(shè)計的網(wǎng)絡(luò)結(jié)構(gòu)包含2個隱含層。輸入數(shù)據(jù)經(jīng)過卷積操作后生成特征圖，隨后經(jīng)過卷積核尺寸為2的最大池化操作得到第1個隱含層的輸出；其次經(jīng)過第2隱含層經(jīng)過卷積和池化操作；隨后將隱含層輸出送入ECA模塊進(jìn)行通道交互；進(jìn)一步地，將ECA輸出展平進(jìn)行全連接計算，通過激活函數(shù)獲得模型輸出；最后將標(biāo)記好的特征序列送到SoftMax分類器中實現(xiàn)柱塞泵故障分類。

1.3.2 油田柱塞泵故障診斷流程

基于ECA改進(jìn)的1D-CNN故障診斷流程如圖3所示。將ECA引入1D-CNN實現(xiàn)網(wǎng)絡(luò)模型構(gòu)建，然后進(jìn)行模型參數(shù)θ初始化設(shè)定，采用SoftMax分類器映射輸出特征，以交叉熵作為損失函數(shù)L(θ)更新模型參數(shù)；通過迭代計算損失函數(shù)判斷其收斂特性，最后完成模型訓(xùn)練并保存模型參數(shù)。具體步驟信息如下：

(1)信號采集。采用HY-107Z測振系統(tǒng)對油田柱塞泵振動加速度信號進(jìn)行采集，用于狀態(tài)分析和診斷模型構(gòu)建。

(2)數(shù)據(jù)集準(zhǔn)備。按預(yù)設(shè)比例將油田柱塞泵振動加速度數(shù)據(jù)劃分為訓(xùn)練集和測試集。

(3)模型構(gòu)建與訓(xùn)練。設(shè)計故障診斷模型架構(gòu)并初始化模型參數(shù)，基于訓(xùn)練集數(shù)據(jù)對模型進(jìn)行訓(xùn)練，并利用前向傳播和反向傳播迭代求取梯度、更新模型參數(shù)，完成指定迭代次數(shù)后，結(jié)束訓(xùn)練保存最優(yōu)模型。

(4)故障診斷測試。以訓(xùn)練獲取的最優(yōu)模型進(jìn)行測試，基于測試集數(shù)據(jù)開展模型的性能驗證和評估。

2 試驗驗證

2.1 試驗介紹

本文在某油田柱塞泵上開展信號采集分析試驗，以驗證提出的故障預(yù)警技術(shù)。柱塞泵型號為5DSB，主要信息如圖4所示。

圖4 油田柱塞泵實物及傳感器安裝示意圖Fig.4 Schematic diagram of oilfield plunger pump and installed sensors

5DSB系列柱塞泵裝置主要由驅(qū)動電機(jī)、皮帶輪、柱塞泵及基座組成，其中柱塞泵分為動力端與液力端2部分。傳感器安裝位置如下：電機(jī)驅(qū)動端軸承垂直方向2V-a；泵前軸承垂直方向3V-a；泵后軸承垂直方向4V-a。文中所有數(shù)據(jù)均來自3V測點。

試驗數(shù)據(jù)為通過油田日常運行與檢修維護(hù)獲取的現(xiàn)場在線監(jiān)測數(shù)據(jù)，包含油田柱塞泵3種狀態(tài)：正常狀態(tài)、連桿斷裂故障、軸承斷裂故障，在文中用F1～F3來表示3種狀態(tài)。油田柱塞泵數(shù)據(jù)采集及分析使用上海華陽檢測器進(jìn)行狀態(tài)監(jiān)測，具體為：設(shè)備的振動數(shù)據(jù)采集選用的儀器為華陽檢測公司研發(fā)的HY-107Z工作測振儀。本次測量采用機(jī)械振動狀態(tài)監(jiān)測中加速度參數(shù)，單位為m/s2，取有效值；數(shù)據(jù)的采樣頻率為12.8 kHz，單次采樣點數(shù)為8 192個點，采樣間隔為5 min。每類柱塞泵狀態(tài)數(shù)據(jù)在試驗中共選取300組信號作為總樣本數(shù)據(jù)，其中訓(xùn)練集隨機(jī)選擇信號總樣本數(shù)據(jù)的70%，其余30%的信號樣本數(shù)據(jù)作為測試集。具體信息如表1所示。

表1 油田柱塞泵健康狀態(tài)及數(shù)據(jù)參數(shù)Table 1 Health status and data parameters of oilfield plunger pump

2.2 模型參數(shù)選擇

針對所處理油田柱塞泵振動加速度信號，設(shè)計2層卷積層，以保證故障診斷性能的同時避免參數(shù)過多導(dǎo)致算法效率下降。考慮到在線監(jiān)測數(shù)據(jù)的工況波動特性，設(shè)計較少的卷積層以避免對當(dāng)前數(shù)據(jù)分布的過擬合。輸入層所輸入的是原始一維振動信號，因此在卷積層1中設(shè)計了寬卷積核以抑制干擾特征[15]。

為了覆蓋更多參數(shù)組合的選擇及降低人工選擇參數(shù)引入的隨機(jī)性，引入了網(wǎng)格搜索算法來尋最優(yōu)模型的參數(shù)，即將各個參數(shù)可能的取值進(jìn)行排列與組合，然后使用各參數(shù)組合對構(gòu)建的模型進(jìn)行訓(xùn)練，通過交叉驗證對模型診斷性能進(jìn)行測試[16-17]。擬合函數(shù)遍歷所有的參數(shù)組合后，自動選擇最佳參數(shù)組合。參數(shù)優(yōu)化結(jié)果如表2所示。

表2 模型主要參數(shù)Table 2 Main parameters of the model

此外，試驗Batchsize設(shè)為64，訓(xùn)練Epoch為30，正則化選用L2范數(shù)。優(yōu)化器設(shè)置為Adam(學(xué)習(xí)率為0.000 1)，最后保存最優(yōu)的模型進(jìn)行測試。

2.3 數(shù)據(jù)波形和頻譜分析

導(dǎo)出系統(tǒng)中的油田注水泵振動加速度數(shù)據(jù)進(jìn)行波形和頻譜分析。試驗中F1正常狀態(tài)數(shù)據(jù)來源于2021年12月的在線監(jiān)測數(shù)據(jù)，F(xiàn)2連桿斷裂故障及F3軸承斷裂故障數(shù)據(jù)來源于2022年1月在線監(jiān)測數(shù)據(jù)。信號時域波形、頻譜如圖5所示。

圖5 柱塞泵不同狀態(tài)下的數(shù)據(jù)波形和頻譜Fig.5 Data waveform and spectrum of plunger pump under different states

從圖5的時域信號可以看出，受到實際運行環(huán)境中的各類干擾因素影響，信號波形呈現(xiàn)出復(fù)雜、多變的特征，即使相近時間段內(nèi)的數(shù)據(jù)特征也可能出現(xiàn)較大差異。從3種狀態(tài)數(shù)據(jù)的頻譜來看，頻帶能量分布的不確定性更加顯著，相同狀態(tài)在不同頻帶均可能出現(xiàn)顯著的能量分布。

上述分析表明，傳統(tǒng)故障特征分析難以在環(huán)境復(fù)雜、背景嘈雜、工況多變的油田柱塞泵實際運行監(jiān)測中實現(xiàn)及時、準(zhǔn)確的故障診斷，基于學(xué)習(xí)能力更強、魯棒性更優(yōu)的深度學(xué)習(xí)方法進(jìn)行故障診斷對于油田生產(chǎn)具有重要意義。

2.4 試驗結(jié)果分析

通過引入回調(diào)函數(shù)，結(jié)合模型在訓(xùn)練過程中的表現(xiàn)，進(jìn)行預(yù)先保存，得到最佳的模型參數(shù)。訓(xùn)練集數(shù)據(jù)和測試集數(shù)據(jù)的故障診斷準(zhǔn)確率及損失率分別如圖6a和圖6b所示。

圖6 診斷準(zhǔn)確率曲線Fig.6 Diagnostic accuracy curve

從圖6可以看出，模型驗證性能良好，經(jīng)過40次的循環(huán)迭代，測試集的準(zhǔn)確率能夠達(dá)到93.7%。為了進(jìn)一步地評價構(gòu)建的模型對油田柱塞泵故障的診斷效果，引入多分類混淆矩陣對試驗結(jié)果進(jìn)行詳細(xì)分析。基于高效通道注意力的一維卷積神經(jīng)網(wǎng)絡(luò)與1D-CNN混淆矩陣如圖7所示。

圖7 多分類混淆矩陣Fig.7 Multi-classification confusion matrix

從圖7可以看出，測試集300個樣本中，本文提出的方法只有F1的5個樣本被誤判為連桿斷裂狀態(tài)，其余的數(shù)據(jù)都能達(dá)到100%的診斷正確率，這表明本文提出的模型有較高的故障識別率。對比之下，1D-CNN在F1狀態(tài)的診斷中出現(xiàn)了15個誤判，F(xiàn)2的預(yù)測中出現(xiàn)了3個誤判，出現(xiàn)了較多診斷失效的案例。

為了驗證本文構(gòu)建模型的性能，將廣泛應(yīng)用的1D-CNN、全連接神經(jīng)網(wǎng)絡(luò)(FCNN)和多尺度卷積神經(jīng)網(wǎng)絡(luò)(MC-CNN)[18-19]對數(shù)據(jù)進(jìn)行分析和試驗結(jié)果比較。激活函數(shù)、優(yōu)化器、損失函數(shù)、Dropout的比例和迭代次數(shù)等均和本文構(gòu)建的模型設(shè)置相同。所應(yīng)用的模型試驗結(jié)果如表3所示。

表3 4種模型的故障診斷準(zhǔn)確率Table 3 Fault diagnosis accuracy of 4 models

從表3可以看出，本文模型、1D-CNN，MC-CNN及FCNN的診斷準(zhǔn)確率分別為98.1%、93.3%、93.4%及67.6%，本文構(gòu)建的模型診斷準(zhǔn)確率顯著優(yōu)于其他模型，并且本文在F1和F3的診斷中達(dá)到100%的正確率。這表明本文提出的方法具有較高精度的同時泛化性能也較好。狀態(tài)F2數(shù)據(jù)的診斷正確率相比其余狀態(tài)表現(xiàn)不高，主要是被誤判為F1狀態(tài)，這可能是網(wǎng)絡(luò)特征提取能力不足造成的。相比其他算法，本文提出的算法具有顯著的性能優(yōu)勢。

3 結(jié) 論

本文提出基于高效通道注意力的一維卷積神經(jīng)網(wǎng)絡(luò)故障診斷方法，研究得出以下結(jié)論：

(1)針對柱塞泵體積大、振動傳播路徑復(fù)雜導(dǎo)致傳統(tǒng)方法在振動故障信號特征提取中的局限性，開發(fā)了基于深度學(xué)習(xí)的油田柱塞泵故障診斷智能模型，有效提高了油田柱塞泵故障診斷效率。

(2)使用1D-CNN作為故障診斷基準(zhǔn)模型，并引入高效通道注意力，通過增強通道特征交互實現(xiàn)網(wǎng)絡(luò)性能改進(jìn)，從而實現(xiàn)深層次柱塞泵振動信號特征挖掘，成功改善了柱塞泵故障診斷模型的預(yù)測性能。

(3)通過油田生產(chǎn)在線監(jiān)測數(shù)據(jù)的試驗驗證，與當(dāng)前其他深度學(xué)習(xí)模型相比，基于高效通道注意力的1D-CNN模型具有出色的診斷精度和魯棒性，具備理論指導(dǎo)意義和工程實用價值。