基于模糊神经网络的抽油机故障诊断方法*

1  引言
近年来,我国经济迅速发展,石油工业的战略地位越来越重要。抽油机是石油工业的重要设备,及时掌握抽油机的状态参数以及运行工况,准确的对抽油机进行故障诊断,实现故障诊断的自动化,可以提高抽油系统的工作效率和自动化水平,降低原油的生产成本,获得更高的经济效益[1]。目前,对抽油机井的故障诊断方法主要是绘制示功图,然后对示功图进行分析解释,以判断油井与设备故障。其工作量比较大,人为因素干预太多,需要有一定的专家经验[2]。因此,对抽油机井进行自动故障诊断研究具有重要意义。随着科学技术的进步和计算机技术的发展,特别是人工智能这一学科的发展,利用专家的经验,模拟专家诊断的思维方法进行演绎推理,处理各种模糊现象与不确定信息,使有杆抽油机井系统故障诊断进入了采用人工智能技术[3,4]的新阶段。
人工神经网络具有良好的自组织、自学习、容错性、并行处理、联想记忆等特性[5]。但神经网络的局限性在于它的学习速度及问题求解容易陷入局部极小特性,其知识获取过程的可解释性差,对不确定、模糊信息表达能力较差。模糊逻辑能模仿人的模糊综合判断推理来处理常规方法难以解决的问题,具有良好的模糊性和对不确定信息表达的能力[6]。为此,将模糊逻辑与神经网络相结合,构造模糊神经网络,建立抽油机故障集与征兆集,对神经网络输入层进行模糊量化处理,采用隶属度函数描述设备故障程度,避免神经网络对不确定信息的表达[7]。并利用黄金分割法的变步长BP算法训练网络,根据误差变化趋势动态调整学习速率,使网络学习具有良好的自适应性,提高网络收敛速度,有效防止网络陷入局部极小。

2  抽油机的故障集及征兆集的建立
目前每口井都装有无线巡检系统,对抽油机井参数检测主要包括测量回油温度、最大电流、最小电流、均方电流、热洗温度、掺水温度、掺水压力、冲次等。经过分析,由于电流曲线是一种规则波形,任一电流曲线都标志着抽油机井系统的工作状态。因此,抽油机井系统如果抽油杆柱、减速器、四连杆机构(包括曲柄、连杆和游粱)等发生故障,必然使电流曲线的形态也发生相应的变化,可知抽油机井的故障与抽油机井的工作电流有关系[8]。当抽油机不平衡、抽油杆断脱和偏磨时会导致一个冲次(周期)的电流曲线形状或者月周期曲线发生不同情况的变化。通过对电流曲线特征参数的分析,可判断出抽油机井出现的故障类型。
对于电流曲线来说,最大电流、峰值、次峰值、谷值、差值、均方电流、上冲程等特征最能表现出抽油机井的运行状况。选取上述约10个电流曲线特征参数建立故障征兆集为,通过对引起电动机工作异常的电流曲线分析,得到抽油机主要故障集, 即抽油机不平衡;抽油杆断脱;抽油杆偏磨。

3  模糊神经网络的结构
根据模糊逻辑和神经网络各自的特点,采用串联方式将二者结合,构造如下模糊神经网络。首先基于模糊理论将输入的故障征兆信号模糊化,从而使神经网络的训练样本更精确;然后基于BP神经网络进行抽油机的故障诊断;最后清晰化故障诊断的结果,其结构如图1所示。

模糊神经网络的结构有三个组成模块[9]。
(1) 输入模糊化模块。完成从特征信号到网络输入模式之间的转化,即将故障征兆信号转化为以隶属度表示的模糊量集合。
(2) 学习推理模块。应用BP神经网络算法完成从故障征兆到故障原因的推理诊断过程。
(3) 输出清晰化模块。完成神经网络的输出模式到诊断结果的去模糊化过程,即根据ANN输出向量的隶属度最终确定故障的原因。
3.1  模糊神经网络的模糊化及其隶属度函数
常用的隶属度函数主要形式有三角形隶属度函数trimf()、Z形隶属度函数zmf()、梯形隶属度函数trapmf()、高斯型隶属度函数gaussmf()等。由于10个电流特征参数数据全部需要进行模糊量化,这里仅以检测到的最大电流这一参数的模糊量化为例进行说明。根据多次测试和专家的实际经验,抽油机电动机正常工作状态下的最大电流在60A时系统运行状态良好,系统处于平衡状态,此时电流曲线波形变化比较平稳,下冲程电流最大值和上冲程电流最大值比较接近。当系统出现不平衡状态时,也就是电流平衡比(上冲程电流的最大值与下冲程电流的最大值之比)超出0.8—1.2的范围。当上冲程电流的最大值为60A时,系统运行状况良好的隶属度为1,此时下冲程电流的最大值接近60A,所以当上冲程电流最大值下降到50A后系统出现不平衡状态,即平衡比低于0.8,故系统运行良好的隶属度为0。在50A—60A之间系统运行良好的隶属度将变大,因为平衡比在0.8—1之间。在60A—72A之间系统运行良好的隶属度将变小,因为平衡比在1—1.2之间。当上冲程电流最大值上升到72A后,系统出现不平衡状态,即平衡比高于1.2.,故系统运行良好的隶属为0。这样就通过隶属函数将最大电流参数转换为[0,1]区间的运行良好的隶属度,这样的数据比较适合作为神经网络的输入。经以上分析,我们将最大电流信号选取三角形隶属度函数进行模糊量化比较合适。三角形隶属度函数参数分别选为:a=50,b=60,c=72。
3.2  模糊神经网络的清晰化过程
模糊神经网络的清晰化过程就是将模糊神经网络训练后的模糊输出向量Y进行解模糊化。通常有以下几种方法:最大隶属度法、中位数法(面积平分法bisector)、加权平均法(面积重心法centroid)。
针对一些复杂的设备诊断时,通常采用最大隶属度法[10],即选取模糊输出向量Y中隶属度最大的元素为故障原因。对于故障原因(即:抽油机不平衡;:抽油杆断脱;:抽油杆偏磨)的存在程度,采用如表1所示的模糊范畴描述。

4  模糊神经网络的学习算法
4.1  BP学习算法
BP学习算法的基本原理是梯度最速下降法,其中心思想是调整权值使网络总误差最小,也就是采用梯度搜索技术,以期使网络的实际输出值与期望输出值的误差均方值为最小。其网络学习过程是一种误差边向后传播边修正权系数的过程。多层网络运用BP学习算法时,实际上包含了正向传播和反向传播两个阶段。
(1) 正向传播过程
输入层:节点i的输出值等于其输入值;隐含层:节点j的输入值和输出值分别为,(其中为隐含层节点j的阈值,为激活函数)。
输出层:节点k的输入值和输出值分别为,(其中为输出层节点k的阈值)。
(2) 反向传播过程
定义误差函数为分别是输出层节点k的期望输出和实际输出)。BP学习算法采用梯度下降法调整权值,输出层与隐含层之间的权值的调整量为:为学习速率)。隐含层与输入层之间的权值的调整量为:
4.2  基于黄金分割法的变步长BP算法 
BP算法最大的缺点是收敛速度慢且极易陷入局部极小值。BP算法采用梯度下降法训练网络时,是沿着误差曲面的斜面向下逼近的,由于误差曲面的复杂性和不规则特性,网络有可能被陷入到误差曲面的一个较高的谷中[11](即局部极小值点)。为防止网络陷入局部极小值,提高收敛速度,不少学者针对不同应用领域提出了各种加快学习的优化算法,典型的改进算法有:增加惯性项;引入动量项;变尺度法;带动量项的自适应调整学习速率。其中带动量项的自适应调整学习速率算法是当前广为应用的一种算法。但该方法存在的缺点是改变学习速率的参数依然是常数[12],这就造成学习效率低的问题依然存在。由于学习速率与误差曲面上的陡度及误差曲面上的曲率变化有关,每一次迭代一定有一个最优的学习速率,但如何动态选取每次迭代的最优学习速率,一般是根据实验和专家经验来确定。
本文对BP算法进行改进,采用了黄金分割法的变步长BP算法。在每次学习过程中,根据误差的变化趋势不断调整学习速率,利用黄金分割法寻求最优学习速率,以实现学习速率的动态调整,降低了网络对误差曲面局部细节的敏感性,能有效抑制网络陷入局部极小值,使BP神经网络学习过程具有更好的自适应性,提高网络的学习速度。
算法中学习速率按如下规则自适应调整:
(1) 设置和的值分别表示最大和最小的学习速率,黄金分割搜索区间的长度下界);
(2)的初始值为:;(其中和分别为和的黄金分割位置);
(3) 如果相邻两次的梯度之积不变号,误差增量,说明误差减小,收敛情况较好,则应加大学习速率,
;
(4) 如果相邻两次的梯度之积变号,误差增量,说明误差增大,防止发散情况,则需要减小学习速率,;
(5) 若黄金分割搜索区间的长度,则不再调整学习速率。
学习速率动态调整的实质是:在区间内取黄金分割点作为初始值,如果如果,重新开始,这样每次可将搜索区间缩小,并且缩小后的区间将包含极小点,然后在保留下来的区间上作同样处理,如此迭代下去,将搜索区间逐步缩小,直到满足预先给定的精度时,即获得最优近似解。
模糊神经网络故障诊断模型利用黄金分割法的变步长BP算法训练网络,其中学习推理模块采用三层BP神经网络。以经过模糊量化处理后的故障样本数据作为神经网络的输入。显然BP神经网络的输入层应该有10个节点。(,分别代表最大电流、峰值、次峰值等)。网络的输出层有4个节点。(:正常工作;:抽油机不平衡;:抽油杆断脱;:抽油杆偏磨)。隐含层节点数确定为21个,参数经过模糊量化后,网络的输入向量范围为[0,1],总步长设为1000,全局误差设置为0.01,取
取得4组模糊量化后的输入数据P和期望输出数据t对网络进行训练:说明:(其中t矩阵表示的是故障诊断模型的期望输出,P矩阵和T矩阵分别表示的是经过模糊量化处理后的训练样本数据和测试样本数据。)                                                                                                                         

经过132步训练后网络性能达到要求。训练曲线如图2所示。

再取模糊量化后的6组测试样本数据T对训练好的网络进行故障检测,其中第2、3、6组数据分别为抽油机不平衡、抽油杆断脱、抽油杆偏磨故障数据,其它组数据为正常运行数据。(该6组测试样本数据是用来进行故障检测的样本数据,其中有正常数据和故障数据,T阵中行数代表待检测故障样本的组数,列数代表待检测故障样本的10个特征参数,即故障征兆集

利用6组测试样本数据对训练好的网络进行故障检测,测试结果实质上就是模型故障诊断的输出,采用最大隶属度法进行清晰化,根据表1的模糊化范畴描述可以判断故障存在的情况,如表2所示,模糊神经网络故障诊断模型完全准确诊断出6组测试样本数据中的故障数据及正常数据,并且判断出故障原因,可见模糊神经网络故障诊断模型对抽油机的故障诊断准确率极高,满足了实际需要的抽油机故障诊断要求。(表2中组号代表的是检测样本数据的组数,表中的每一列代表的是检测结果的实际输出,例:第1组检测样本的实际输出结果为:

对图2与图3进行比较明显可以看出,实现同样训练目标误差精度,BP算法需要861步训练后网络性能达到要求,黄金分割法的变步长BP算法仅需要132步训练后网络性能达到要求。由此可见,采用黄金分割法的变步长BP算法训练网络提高了网络收敛的速度,具有较好的自适应性,利用黄金分割法寻求最优学习速率,实现了学习速率的动态调整,降低了网络对误差曲面局部细节的敏感性,能有效抑制网络陷入局部极小值。

6  结束语
本文利用模糊神经网络故障诊断模型对抽油机进行故障诊断。该方法克服了神经网络对不精确信息表达的缺点,具有较强的自适应性,提高了故障诊断的准确率;神经网络的训练采用黄金分割法的变步长BP算法,提高了网络的收敛速度和稳定性,防止网络陷入局部极小点。通过实验证实了该方法是一种简单、实用、有效的故障诊断方法,满足了当前对抽油机智能故障诊断的需求。

参考文献:
[1]  宫建村．基于专家系统的抽油井故障诊断系统[D]．北京:中国石油大学,2007．
[2]　徐芃,徐士进,尹宏伟．有杆抽油系统故障诊断的人工神经网络方法[J].石油学报,2006,27(2):107—110．
[3]　王凯,刘宏昭,熊俊,唐小彪.基于改进的超球支持向量机的有杆抽油泵故障诊断研究[J]．机械科学与技术,2011,30(1):133—141．
[4]　Nazi,GMet．Application of Artificial Neural Network to Pump Card Diagnosis[C].SPE 25420
[5]　韩力群．人工神经网络理论、设计及应用[M].北京:化学工业版社,2002．
[6]　张东煜,许化龙．基于模糊神经网络的导弹故障诊断专家系统[J]．计算机测量与控制,2009,17(1):124—128．
[7] 周成容,杨大地．基于模糊神经网络的设备故障诊断分析[J].重庆科技学院学报,2005,7(3):81—85．
[8]  张正刚．基于小波神经网络的故障诊断方法研究[D]．
大庆:大庆石油学院,2005
[9]  李国勇,杨庆佛.基于模糊神经网络的车用发动机智能故障诊断系统[J]．系统仿真学报,2007,19(5):1034—1037．
[10]　孙炜,白剑林,雷英杰,李涛.最大隶属度在多传感器信息融合航迹相关中的应用[J].电光与控制,2008,15(8):10-13． 
[11]　马宁．BP网络局部极小值的修正算法．[J]．北华航天工业学院学报.2007,17(5):24—27．
[12]　徐雅斌,杜鹏.基于隶属度函数的BP人工神经网络改进算法[J].辽宁工程技术大学学报,2009,28(5):795—797．

作者简介:任伟建(1963-),女,教授,博士生导师,从事复杂系统的优化控制及故障诊断的研究。