复杂工况下油田机械设备运行状态监测方法

摘 要 提出一种复杂工况下的油田机械设备运行状态监测方法，采用EMD方法对油田机械设备的振动信号进行去噪处理，结合ITD算法提取油田机械设备振动信号幅频特征，输入Teager能量算子获得振动信号幅频特征，运用SOFM网络分析该信号的幅频特性，得到特征聚类结果，在此基础上建立二叉树支持向量机，将特征聚类结果输入进去，完成油田机械设备运行状态的监测识别。实验结果表明，所提方法的监测性能良好，具有较高的监测效率。

关键词 油田机械设备 运行状态监测 振动信号幅频特征 聚类分析 二叉树支持向量机

中图分类号 TE9   文献标识码 A   文章编号 0254?6094（2023）02?0169?06

为了提高石油资源的利用率，确保油田机械设备的安全稳定运行，需要加强油田机械设备的日常保养和状态监测工作［1］。对机械设备进行状态监测，可以获得机械设备在运行状态下的相关信息，归类对比状态监测数据，通过一定的技术手段，可以实现工程项目的利益最大化。同时，通过分析油田机械设备的状态监测数据，了解机械设备的运行状态，可以提前找出设备的故障原因［2，3］，从而制定解决方案并逐步排查安全隐患，从多个角度和层面保障油田机械设备的安全稳定运行。

胡杰等通过监测机械设备的运行状态，获取实时动态数据信息，用于分析当前设备状态，同时利用k?means聚类算法构造获取机械设备的健康矩阵，根据健康矩阵完成机械设备的运行状态监测［4］，但是该方法存在监测准确率低的问题。张聪等通过多变量数据构建机械设备的耦合网络关系，在此基础上，建立自主性异常监测模型，提取机械设备运行状态特征，将运行状态特征输入到多变量耦合网络中，获取机械设备的重建概率，并将其作为机械设备运行异常指标，完成机械设备的运行状态监测，但是该方法存在监测状态识别率低的问题［5］。刘伟鹏等通过奇异值分解方法获取机械设备运行状态的特征量，利用降维处理优化特征量构建特征矩阵，将该特征矩阵输入到支持向量机中，分类处理机械设备运行状态，实现监测，但是该方法存在监测检索时间长的问题［6］。

为此，笔者提出复杂工况下油田机械设备运行状态监测方法。其创新点是通过经验模态分解（Empirical Mode Decomposition，EMD）方法对油田机械设备振动信号进行去噪处理，提取油田机械设备振动信号幅频特征；然后运用自组织特征映射（Self?Organizing Feature Mapping，SOFM）网络分析振动信号幅频特性，得到特征聚类结果；最后建立二叉树支持向量机，得到特征聚类结果，完成油田机械设备运行状态的监测识别。

1 机械设备运行振动特征提取

油田机械设备的运行振动信号中存在大量噪声，为了准确提取振动信号特征，需要对机械设备的振动信号进行去噪处理。采用EMD方法作为复杂工况下油田机械设备运行状态监测方法，具体过程如下。

第1步。通过EMD非线性非平稳信号分解方法，将油田机械设备的振动信号u（t）分解成h个分量。

第2步。计算振动信号u（t）分量的Hurst指数，当分量对应的Hurst指数在0.5附近波动时，表明该分量为油田机械设备振动信号中存在的噪声干扰，表示为：

由图2可知，处于正常状态时，油田机械设备振动信号的频率较为平稳；处于早期故障时，油田机械设备信号的频率有较小波动且不规律；处于严重故障时，油田机械设备振动信号的频率起伏波动较大，振动也更为明显。

将识别率作为运行设备监测指标，采用笔者所提方法、文献［4］方法和文献［5］方法展开状态监测测试，得到识别率测试结果如图3所示。

由图3可知，笔者所提方法在3种运行状态下识别率均在80%以上，明显高于文献［4］方法、文献［5］方法的识别率，表明采用笔者所提方法得到的监测设备振动信号幅频特征具有很好的监测识别功能。

采用笔者所提方法、文献［4］方法和文献［5］方法展开监测准确率测试，结果如图4所示。

由图4可知，文献［4］方法与文献［5］方法在机械设备运行状态监测过程中的准确率较低，笔者所提方法与这两种方法相比具有较高的准确率，这是因为笔者所提方法提取了油田机械设备振动信号的幅频特征，并以此为依据对其状态进行监测，从而大幅提升了监测结果的准确率，可见笔者所提方法具有很好的监测性能且适用于各类油田机械设备运行状态的监测。

为进一步验证笔者所提方法的有效性，对3种方法下的监测时间进行对比，结果如图5所示。

由图5可知，笔者所提方法每次迭代所用的监测时间都比前两者短，表明笔者所提方法可在较短时间内完成油田机械设备的状态监测，具有较高的监测效率。

4 结束语

针对现有油田机械设备运行状态监测技术

手段及方法不够完善的问题，笔者提出一种复杂工况下的油田机械设备运行状态监测方法，该方法提取了振动信号的幅频特征，展开分类识别，最终证实该方法具有准确率高、识别率高及监测效率高等优点，解决了传统方法中的诸多问题，可以在复杂工况下开展机械运行设备的监測任务，对以后工程项目的运用提供了很好的设备基础技术，保障了设备安全与工程安全。

参 考 文 献

［1］ 穆锦标，穆继亮，邹杰，等.低功耗自供电机械设备状态监测系统设计［J］.中北大学学报（自然科学版），2021，42（4）：355-360.

［2］ 何知义，邵海东，程军圣，等.基于弹性核凸包张量机的机械设备热成像故障诊断方法［J］.中国机械工程，2021，32（12）：1456-1461；1478.

［3］ 曹智军.农业机械设备液压元件故障诊断系统设计与应用［J］.农机化研究，2020，42（1）：255-260.

［4］ 胡杰，唐静，谢仕义.基于实时动态基线的运行设备多元状态估计方法［J］.热力发电，2021，50（2）：125-131.

［5］ 张聪，朱永生，杨敏燕，等.采用多变量耦合网络与变分图自编码器的机械设备异常检测方法［J］.西安交通大学学报，2021，55（4）：20-28.

［6］ 刘伟鹏，张国钢，刘亚魁，等.基于主成分分析和支持向量机的高压断路器机械状态识别方法［J］.高压电器，2020，56（9）：267-272；278.

［7］ 鲁铁定，钱文龙，贺小星，等.一种确定分界IMF分量的改进EMD方法［J］.大地测量与地球动力学，2020，40（7）：720-725.

［8］ 吴涛，熊新，吴建德，等.基于QH?ITD和AMCKD的滚动轴承故障诊断研究［J］.电子测量与仪器学报，2020，34（4）：79-89.

［9］ 杨小彬，裴艳宇，程虹铭，等.基于SOFM神经网络模型的岩爆烈度等级预测方法［J］.岩石力学与工程学报，2021，40（S1）：2708-2715.

［10］ 李志明，唐永中.基于欧式距离的AES算法模板攻击［J］.计算机工程与应用，2022，58（2）：110-115.

［11］ 巩晓赟，张伟业，敬永杰，等.基于稀疏表示的轴承耦合故障振动特性分析及其特征提取［J］.机械传动，2020，44（10）：38-43；54.

［12］ 黄丰喜，胡素黎，刘晓英.基于kmeans?SVM的二叉树粗分类方法［J］.计算机与数字工程，2021，49（3）：506-509.

［13］ 赵绍东.基于机器学习的建筑能耗SVM模型降阶分析与研究［J］.天津科技大学学报，2021，36（1）：56-61.

［14］ 闻辉，贾冬顺，严涛，等.势函数聚类的优化下采样SVM分类方法［J］.计算机集成制造系统，2020，26（1）：152-160.

［15］ 李玉，宫学亮，赵泉华.基于张量径向基核函数支持向量机的高光谱影像分类［J］.仪器仪表学报，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

作者简介：段秉红（1981-），高级工程师，从事泛在油气田设备智能化发展等相关方向的研究，duanbinghong.slyt@sinopec.com。

引用本文：段秉红.复杂工况下油田机械设备运行状态监测方法［J］.化工机械，2023，50（2）：169-174.