基于模糊神經網絡的抽油機故障診斷方法*

1  引言
近年來,我國經濟迅速發展,石油工業的戰略地位越來越重要。抽油機是石油工業的重要設備,及時掌握抽油機的狀態參數以及運行工況,準確的對抽油機進行故障診斷,實現故障診斷的自動化,可以提高抽油系統的工作效率和自動化水平,降低原油的生產成本,獲得更高的經濟效益[1]。目前,對抽油機井的故障診斷方法主要是繪制示功圖,然后對示功圖進行分析解釋,以判斷油井與設備故障。其工作量比較大,人為因素干預太多,需要有一定的專家經驗[2]。因此,對抽油機井進行自動故障診斷研究具有重要意義。隨著科學技術的進步和計算機技術的發展,特別是人工智能這一學科的發展,利用專家的經驗,模擬專家診斷的思維方法進行演繹推理,處理各種模糊現象與不確定信息,使有桿抽油機井系統故障診斷進入了采用人工智能技術[3,4]的新階段。
人工神經網絡具有良好的自組織、自學習、容錯性、并行處理、聯想記憶等特性[5]。但神經網絡的局限性在于它的學習速度及問題求解容易陷入局部極小特性,其知識獲取過程的可解釋性差,對不確定、模糊信息表達能力較差。模糊邏輯能模仿人的模糊綜合判斷推理來處理常規方法難以解決的問題,具有良好的模糊性和對不確定信息表達的能力[6]。為此,將模糊邏輯與神經網絡相結合,構造模糊神經網絡,建立抽油機故障集與征兆集,對神經網絡輸入層進行模糊量化處理,采用隸屬度函數描述設備故障程度,避免神經網絡對不確定信息的表達[7]。并利用黃金分割法的變步長BP算法訓練網絡,根據誤差變化趨勢動態調整學習速率,使網絡學習具有良好的自適應性,提高網絡收斂速度,有效防止網絡陷入局部極小。

2  抽油機的故障集及征兆集的建立
目前每口井都裝有無線巡檢系統,對抽油機井參數檢測主要包括測量回油溫度、最大電流、最小電流、均方電流、熱洗溫度、摻水溫度、摻水壓力、沖次等。經過分析,由于電流曲線是一種規則波形,任一電流曲線都標志著抽油機井系統的工作狀態。因此,抽油機井系統如果抽油桿柱、減速器、四連桿機構(包括曲柄、連桿和游粱)等發生故障,必然使電流曲線的形態也發生相應的變化,可知抽油機井的故障與抽油機井的工作電流有關系[8]。當抽油機不平衡、抽油桿斷脫和偏磨時會導致一個沖次(周期)的電流曲線形狀或者月周期曲線發生不同情況的變化。通過對電流曲線特征參數的分析,可判斷出抽油機井出現的故障類型。
對于電流曲線來說,最大電流、峰值、次峰值、谷值、差值、均方電流、上沖程等特征最能表現出抽油機井的運行狀況。選取上述約10個電流曲線特征參數建立故障征兆集為,通過對引起電動機工作異常的電流曲線分析,得到抽油機主要故障集, 即抽油機不平衡;抽油桿斷脫;抽油桿偏磨。

3  模糊神經網絡的結構
根據模糊邏輯和神經網絡各自的特點,采用串聯方式將二者結合,構造如下模糊神經網絡。首先基于模糊理論將輸入的故障征兆信號模糊化,從而使神經網絡的訓練樣本更精確;然后基于BP神經網絡進行抽油機的故障診斷;最后清晰化故障診斷的結果,其結構如圖1所示。

模糊神經網絡的結構有三個組成模塊[9]。
(1) 輸入模糊化模塊。完成從特征信號到網絡輸入模式之間的轉化,即將故障征兆信號轉化為以隸屬度表示的模糊量集合。
(2) 學習推理模塊。應用BP神經網絡算法完成從故障征兆到故障原因的推理診斷過程。
(3) 輸出清晰化模塊。完成神經網絡的輸出模式到診斷結果的去模糊化過程,即根據ANN輸出向量的隸屬度最終確定故障的原因。
3.1  模糊神經網絡的模糊化及其隸屬度函數
常用的隸屬度函數主要形式有三角形隸屬度函數trimf()、Z形隸屬度函數zmf()、梯形隸屬度函數trapmf()、高斯型隸屬度函數gaussmf()等。由于10個電流特征參數數據全部需要進行模糊量化,這里僅以檢測到的最大電流這一參數的模糊量化為例進行說明。根據多次測試和專家的實際經驗,抽油機電動機正常工作狀態下的最大電流在60A時系統運行狀態良好,系統處于平衡狀態,此時電流曲線波形變化比較平穩,下沖程電流最大值和上沖程電流最大值比較接近。當系統出現不平衡狀態時,也就是電流平衡比(上沖程電流的最大值與下沖程電流的最大值之比)超出0.8—1.2的范圍。當上沖程電流的最大值為60A時,系統運行狀況良好的隸屬度為1,此時下沖程電流的最大值接近60A,所以當上沖程電流最大值下降到50A后系統出現不平衡狀態,即平衡比低于0.8,故系統運行良好的隸屬度為0。在50A—60A之間系統運行良好的隸屬度將變大,因為平衡比在0.8—1之間。在60A—72A之間系統運行良好的隸屬度將變小,因為平衡比在1—1.2之間。當上沖程電流最大值上升到72A后,系統出現不平衡狀態,即平衡比高于1.2.,故系統運行良好的隸屬為0。這樣就通過隸屬函數將最大電流參數轉換為[0,1]區間的運行良好的隸屬度,這樣的數據比較適合作為神經網絡的輸入。經以上分析,我們將最大電流信號選取三角形隸屬度函數進行模糊量化比較合適。三角形隸屬度函數參數分別選為:a=50,b=60,c=72。
3.2  模糊神經網絡的清晰化過程
模糊神經網絡的清晰化過程就是將模糊神經網絡訓練后的模糊輸出向量Y進行解模糊化。通常有以下幾種方法:最大隸屬度法、中位數法(面積平分法bisector)、加權平均法(面積重心法centroid)。
針對一些復雜的設備診斷時,通常采用最大隸屬度法[10],即選取模糊輸出向量Y中隸屬度最大的元素為故障原因。對于故障原因(即:抽油機不平衡;:抽油桿斷脫;:抽油桿偏磨)的存在程度,采用如表1所示的模糊范疇描述。

4  模糊神經網絡的學習算法
4.1  BP學習算法
BP學習算法的基本原理是梯度最速下降法,其中心思想是調整權值使網絡總誤差最小,也就是采用梯度搜索技術,以期使網絡的實際輸出值與期望輸出值的誤差均方值為最小。其網絡學習過程是一種誤差邊向后傳播邊修正權系數的過程。多層網絡運用BP學習算法時,實際上包含了正向傳播和反向傳播兩個階段。
(1) 正向傳播過程
輸入層:節點i的輸出值等于其輸入值;隱含層:節點j的輸入值和輸出值分別為,(其中為隱含層節點j的閾值,為激活函數)。
輸出層:節點k的輸入值和輸出值分別為,(其中為輸出層節點k的閾值)。
(2) 反向傳播過程
定義誤差函數為分別是輸出層節點k的期望輸出和實際輸出)。BP學習算法采用梯度下降法調整權值,輸出層與隱含層之間的權值的調整量為:為學習速率)。隱含層與輸入層之間的權值的調整量為:
4.2  基于黃金分割法的變步長BP算法 
BP算法最大的缺點是收斂速度慢且極易陷入局部極小值。BP算法采用梯度下降法訓練網絡時,是沿著誤差曲面的斜面向下逼近的,由于誤差曲面的復雜性和不規則特性,網絡有可能被陷入到誤差曲面的一個較高的谷中[11](即局部極小值點)。為防止網絡陷入局部極小值,提高收斂速度,不少學者針對不同應用領域提出了各種加快學習的優化算法,典型的改進算法有:增加慣性項;引入動量項;變尺度法;帶動量項的自適應調整學習速率。其中帶動量項的自適應調整學習速率算法是當前廣為應用的一種算法。但該方法存在的缺點是改變學習速率的參數依然是常數[12],這就造成學習效率低的問題依然存在。由于學習速率與誤差曲面上的陡度及誤差曲面上的曲率變化有關,每一次迭代一定有一個最優的學習速率,但如何動態選取每次迭代的最優學習速率,一般是根據實驗和專家經驗來確定。
本文對BP算法進行改進,采用了黃金分割法的變步長BP算法。在每次學習過程中,根據誤差的變化趨勢不斷調整學習速率,利用黃金分割法尋求最優學習速率,以實現學習速率的動態調整,降低了網絡對誤差曲面局部細節的敏感性,能有效抑制網絡陷入局部極小值,使BP神經網絡學習過程具有更好的自適應性,提高網絡的學習速度。
算法中學習速率按如下規則自適應調整:
(1) 設置和的值分別表示最大和最小的學習速率,黃金分割搜索區間的長度下界);
(2)的初始值為:;(其中和分別為和的黃金分割位置);
(3) 如果相鄰兩次的梯度之積不變號,誤差增量,說明誤差減小,收斂情況較好,則應加大學習速率,
;
(4) 如果相鄰兩次的梯度之積變號,誤差增量,說明誤差增大,防止發散情況,則需要減小學習速率,;
(5) 若黃金分割搜索區間的長度,則不再調整學習速率。
學習速率動態調整的實質是:在區間內取黃金分割點作為初始值,如果如果,重新開始,這樣每次可將搜索區間縮小,并且縮小后的區間將包含極小點,然后在保留下來的區間上作同樣處理,如此迭代下去,將搜索區間逐步縮小,直到滿足預先給定的精度時,即獲得最優近似解。
模糊神經網絡故障診斷模型利用黃金分割法的變步長BP算法訓練網絡,其中學習推理模塊采用三層BP神經網絡。以經過模糊量化處理后的故障樣本數據作為神經網絡的輸入。顯然BP神經網絡的輸入層應該有10個節點。(,分別代表最大電流、峰值、次峰值等)。網絡的輸出層有4個節點。(:正常工作;:抽油機不平衡;:抽油桿斷脫;:抽油桿偏磨)。隱含層節點數確定為21個,參數經過模糊量化后,網絡的輸入向量范圍為[0,1],總步長設為1000,全局誤差設置為0.01,取
取得4組模糊量化后的輸入數據P和期望輸出數據t對網絡進行訓練:說明:(其中t矩陣表示的是故障診斷模型的期望輸出,P矩陣和T矩陣分別表示的是經過模糊量化處理后的訓練樣本數據和測試樣本數據。)                                                                                                                         

經過132步訓練后網絡性能達到要求。訓練曲線如圖2所示。

再取模糊量化后的6組測試樣本數據T對訓練好的網絡進行故障檢測,其中第2、3、6組數據分別為抽油機不平衡、抽油桿斷脫、抽油桿偏磨故障數據,其它組數據為正常運行數據。(該6組測試樣本數據是用來進行故障檢測的樣本數據,其中有正常數據和故障數據,T陣中行數代表待檢測故障樣本的組數,列數代表待檢測故障樣本的10個特征參數,即故障征兆集

利用6組測試樣本數據對訓練好的網絡進行故障檢測,測試結果實質上就是模型故障診斷的輸出,采用最大隸屬度法進行清晰化,根據表1的模糊化范疇描述可以判斷故障存在的情況,如表2所示,模糊神經網絡故障診斷模型完全準確診斷出6組測試樣本數據中的故障數據及正常數據,并且判斷出故障原因,可見模糊神經網絡故障診斷模型對抽油機的故障診斷準確率極高,滿足了實際需要的抽油機故障診斷要求。(表2中組號代表的是檢測樣本數據的組數,表中的每一列代表的是檢測結果的實際輸出,例:第1組檢測樣本的實際輸出結果為:

對圖2與圖3進行比較明顯可以看出,實現同樣訓練目標誤差精度,BP算法需要861步訓練后網絡性能達到要求,黃金分割法的變步長BP算法僅需要132步訓練后網絡性能達到要求。由此可見,采用黃金分割法的變步長BP算法訓練網絡提高了網絡收斂的速度,具有較好的自適應性,利用黃金分割法尋求最優學習速率,實現了學習速率的動態調整,降低了網絡對誤差曲面局部細節的敏感性,能有效抑制網絡陷入局部極小值。

6  結束語
本文利用模糊神經網絡故障診斷模型對抽油機進行故障診斷。該方法克服了神經網絡對不精確信息表達的缺點,具有較強的自適應性,提高了故障診斷的準確率;神經網絡的訓練采用黃金分割法的變步長BP算法,提高了網絡的收斂速度和穩定性,防止網絡陷入局部極小點。通過實驗證實了該方法是一種簡單、實用、有效的故障診斷方法,滿足了當前對抽油機智能故障診斷的需求。

參考文獻:
[1]  宮建村．基于專家系統的抽油井故障診斷系統[D]．北京:中國石油大學,2007．
[2]　徐芃,徐士進,尹宏偉．有桿抽油系統故障診斷的人工神經網絡方法[J].石油學報,2006,27(2):107—110．
[3]　王凱,劉宏昭,熊俊,唐小彪.基于改進的超球支持向量機的有桿抽油泵故障診斷研究[J]．機械科學與技術,2011,30(1):133—141．
[4]　Nazi,GMet．Application of Artificial Neural Network to Pump Card Diagnosis[C].SPE 25420
[5]　韓力群．人工神經網絡理論、設計及應用[M].北京:化學工業版社,2002．
[6]　張東煜,許化龍．基于模糊神經網絡的導彈故障診斷專家系統[J]．計算機測量與控制,2009,17(1):124—128．
[7] 周成容,楊大地．基于模糊神經網絡的設備故障診斷分析[J].重慶科技學院學報,2005,7(3):81—85．
[8]  張正剛．基于小波神經網絡的故障診斷方法研究[D]．
大慶:大慶石油學院,2005
[9]  李國勇,楊慶佛.基于模糊神經網絡的車用發動機智能故障診斷系統[J]．系統仿真學報,2007,19(5):1034—1037．
[10]　孫煒,白劍林,雷英杰,李濤.最大隸屬度在多傳感器信息融合航跡相關中的應用[J].電光與控制,2008,15(8):10-13． 
[11]　馬寧．BP網絡局部極小值的修正算法．[J]．北華航天工業學院學報.2007,17(5):24—27．
[12]　徐雅斌,杜鵬.基于隸屬度函數的BP人工神經網絡改進算法[J].遼寧工程技術大學學報,2009,28(5):795—797．

作者簡介:任偉建(1963-),女,教授,博士生導師,從事復雜系統的優化控制及故障診斷的研究。