孙辉仲如冰陈宗毅
摘要防砂泵车是油田防砂施工的关键设备，对其在运行中出现的故障及时判断和排除至关重要，否则极易造成砂堵，导致防砂失败，造成巨大损失。本文采用小波包分析、神经网络识别、压力监测等技术对往复泵故障诊断进行了研究试验，明确了防砂泵车的故障原因及有效排除办法，编制开发了小波神经网络诊断系统，在实际应用中取得了良好效果。
双S防砂泵车是胜利油田引进的防砂施工重要设备，其关键组成部分是耐高压耐磨蚀往复泵，在施工过程中经常出现泵正常运行而砂浆无法注入的情况，导致多次防砂失败，造成了较大的经济损失。为此，模拟了往复泵的运行故障诊断试验，编制开发了小波神经网络故障诊断软件，确定了故障产生的原因，制定了防范措施，在实际应用中取得了良好效果。
一、试验方案
1．采用NBH一250/60泵进行模拟试验。
2．测试参数
测点布置如图1所示。试验设备有：B&K加速度计及2635电荷放大器，微机及数据采集和分析系统等。泵的测点布置如图la所示，试验及信号分析原理框图见图1b。其中，测点①安装电涡流传感器，作为时标信号，检测左缸活塞靠近动力端死点的位置；②～⑦处安装压电加速度计，可以采集振动加速度信号。
二、诊断原理及诊断系统研制
往复泵结构较为复杂，激振源类型多，测取的振动信号成分非常复杂，为典型的非平稳时变信号。为提高特征提取的有效性，非平稳时变信号的特征提取不仅要考虑频域上的信息，而且还必须同时考虑时域上的信息。
1．特征信号提取—小波包分析
小波包分析是一种更为精细的时频分析。它可以对信号在全频带范围内进行正交分解，不仅可以提高低频部分的频域分辨率，而且可以提高高频部分的频域分辨率。小波包正交分解的信号，各频带信号独立，能量守恒，所以采用小波包分频带能量监测方法，可以监测包括谐波分量在内的其它各种信号分量，符合实际需要。
2．故障诊断识别—人工神经网络技术
人工神经网络是由大量简单和高度互连的神经元组成，各神经元之间的连接强度由网络内部的权值确定。本研究中采用具有一个隐层的网络模型，网络计算由正向和反向组成。诊断识别是向网络输入样本征兆参数，计算网络输出层节点的实际输出值，根据该输出值与定义状态的相似性（对应节点大于0.5）确定故障的可能性大小。
3．故障诊断系统—小波神经网络诊断系统
用传统方法处理后的信号，直接作为神经网络的输入，不仅特征不明显，同时会造成网络的结构庞大和计算量的大幅度增加。而将人工神经网络与小波包特征提取结合起来，则能获得更为满意的诊断效果。
建立的小波神经网络诊断模型如图2所示。振动信号输入至小波包分析模块，提取出反映设备状态的特征参数。神经网络模型通过对大量反映往复泵不同状态实测的振动信号的训练建立，对训练好的模型输入相应特征数据即可完成故障识别工作。