油田注水离心泵大修阈值确定方法研究

毛仲强，秦天飞，柳 楠，段礼祥

（1.中国石油塔里木油田分公司，新疆库尔勒 841000；2.中国石油大学（北京）安全与海洋工程学院，北京 102249）

0 引言

油田现场离心泵内部零部件种类繁多，关系复杂，每种零部件都有其特定的失效方式。目前针对离心泵退化的研究多是集中在零部件方面[1-2]，而对离心泵整体退化特征的研究较少。正因为离心泵的退化特征具有复杂性，单一零部件的特征指标或单一特性参数并不能完整地反映离心泵运行过程中的退化情况。因此，构建能够表征离心泵整体健康状态的退化指标是十分必要的。

目前通用的离心泵大修标准设定方法，都是根据维保规程或经验设置为固定的静态时间阈值，没有考虑到实际运行情况，使得大修标准阈值与状态变化无关[3-4]。然而离心泵运行状态是受多种因素影响的，若采用相同的判定标准判断是否应该进行大修显然是盲目的。

针对上述问题，本文提出了基于KPCA（Kernel Principal Component Analysis，核主成分分析）和GA-PSO-PNN 的离心泵大修阈值模型。将离心泵振动指标和特性参数指标组成多源特征集，利用KPCA 进行特征融合得到离心泵退化指标，通过KPCA 降维优化PNN（Probabilistic Neural Network，概率神经网络）结构，通过GA-PSO（Genetic Algorithm-Particle Swarm Optimization，遗传粒子群算法）优化PNN 平滑因子，基于优化PNN建立离心泵大修阈值模型，进而建立动态大修阈值曲线，能够及时判断离心泵是否应该进行大修。

1 退化指标构建

1.1 故障统计分析

对某油田注水站离心注水泵机组统计历史故障监测详情如表1 所示，从中可以总结得出：

表1 历史故障汇总

（1）离心泵泵体故障约占故障总数的89.5%，且故障部位为泵自由端的约占故障总数的73.7%（由此看出，离心泵自由端为故障多发的敏感部位）。

（2）离心泵故障部件为泵轴、叶轮、轴承等关键零部件，这些零部件之间的安装方式、连接形式、相互作用机制等会影响退化过程和失效模式，共同决定了离心泵的健康状态和剩余寿命。

这些关键零部件之间的安装方式、连接形式、相互作用机制等会影响退化过程和失效模式，共同决定了离心泵的健康状态和剩余寿命。

1.2 特征指标提取

根据国际标准及我国振动标准，选取振动速度有效值和振动位移峰峰值分别作为评估离心泵轴承和泵轴退化状态的振动指标。

对于离心泵叶轮叶片在故障状态下的损坏，叶片在相应侧的通过频率就会显示出来。因此，叶片通过频率幅值可以有效评估离心泵叶轮的退化状态。

离心泵流量和压力性能的退化是离心泵固有的退化特性，流量不变时离心泵的失效形式具体表现为出口压力降低，因此可以将离心泵出口压力作为一项重要的退化性能指标。

1.3 多源特征融合

KPCA 是对线性PCA（Principal Component Analysis，主成分分析）进行扩展，利用非线性方法提取主成分，常用来进行特征提取和降维，在模式识别领域中应用广泛（图1）。

图1 KPCA 原理

振动速度有效值、振动位移峰峰值、叶片通过频率幅值表征离心泵的振动，出口压力值表征离心泵的性能，经KPCA 多源特征融合后得到第一核主成分作为离心泵退化指标，用来定量表征离心泵整体的退化状态。

2 大修阈值研究

2.1 概率神经网络

概率神经网络PNN 是由概率统计理论和基于贝叶斯的分类网络两部分组合而成[5]，具有结构简单、训练快速的优点。PNN结构有4 层，分别为输入层、模式层、求和层、输出层。

2.2 结构优化

使用样本数据进行网络训练，首先需要估算条件概率P（X∣fi），其估计函数表达式为：

其中，m 表示向量维数，X 和xi分别表示识别样本以及模式样本向量，σ 为平滑因子，为分类模式的数量。

经KPCA 特征融合后得到的退化指标是一维向量，将维数m=1 代入式（1）中得到：

其中，xi是第i 个样本值，N 是样本总数，x 是待识别的样本指标。

KPCA 特征融合降低了PNN 网络结构的复杂度，优化后得到的PNN 结构简单。起始层执行设备数据预处理，模式层则不会改变其中的样本点，仅需要估计激活函数的平滑因子，然后样本层中依据式（2）计算每一样本点下的条件概率，求和层将其累加起来，根据求和层得到的结果建立设备的状态概率模型。

2.3 平滑因子优化

PNN 的平滑因子即为标准差。如果其样本层节点不变，则平滑因子与整个概率密度分布函数的变化有关。若平滑系数过小，则只能当成训练样本的隔离函数，此时PNN 等效于最近邻域分类器；若平滑系数过大，PNN 此时不能完全区分细节，其作用更像是线性分类器。因此，为提高PNN 模型的有效性和容错能力，需要优化平滑因子。

本文采用结合遗传算法及粒子群算法而成的遗传粒子群算法（GA-PSO）优化PNN 的平滑因子。GA-PSO 算法的核心思想是将GA 算法中的变异操作引入到PSO 中，通过对PSO 算法中的惯性权重与加速因子进行改进，使其具有更好的优化性能和更强的抗干扰能力[6]。

2.4 大修阈值确定

本文采用格拉布斯准则作为大修阈值的确定准则，置信概率设定为90%，根据正常及故障数据建立状态概率模型，将概率累计分布函数值达到90%处的阈值作为故障报警阈值，在此基础上进一步将大修阈值设定为：

其中，X 为大修阈值，x（P=90%）为概率累计分布函数值达到90%处的退化指标阈值，阈值因子k=1.5，p 为比例系数，取20%。

基于KPCA 和GA-PSO-PNN 的离心泵大修阈值模型具体实现流程如下：

（1）利用KPCA 对离心泵多源特征集进行特征融合，得到退化指标作为PNN 的输入数据。

（2）利用KPCA 降低原始数据维数，优化PNN 网络结构。

（3）设置相关参数，采用GA-PSO 算法优化PNN 的平滑因子。

（4）将退化指标数据输入到优化PNN 模型中建立离心泵状态概率模型。

（5）根据格拉布斯准则确定离心泵大修阈值，形成自适应的动态大修阈值曲线。

3 实例分析

本文采用某油田注水站离心泵监测数据进行分析，监测数据包括振动数据和压力数据，经查询和计算可得振动速度有效值、振动位移峰峰值、叶片通过频率幅值以及出口压力值4 种离心泵原始特征指标数据（表2）。

表2 原始特征指标值

首先以原始特征作为样本数据采用GA-PSO 算法进行PNN 平滑因子寻优。原始数据按离心泵状态可分为三类：正常、异常和故障。选取编号2、4、5 的数据作为测试样本，其余作为训练样本，建立的PNN 网络结构为4-10-3-3。其中，第一个数字表示原始特征维数是4；第二个数字表示训练样本组数为10；最后两个数字表示离心泵正常、异常、故障的3 种状态。初始化GA-PSO 算法的参数，设定种群大小为20，加速因子为2，最大迭代次数为100，惯性权重为0.2，交叉概率为0.7，变异概率为0.3，加速因子和惯性权重随迭代次数线性变化。

选取训练样本均方误差作为适应度函数，采用GA-PSO 算法对平滑因子进行优化，经过多次迭代后找出最佳适应度下的平滑因子。为说明其优越性，将GA、PSO、GA-PSO 三种算法优化下的均方误差进行对比分析，结果如图2 所示。

图2 均方误差变化曲线对比

由图2 可知，GA-PSO 算法不容易陷入局部最优，能收敛于更小的最佳适应度值0.219 4，其寻优精度高于其他两种算法，所以采用GA-PSO 算法优化PNN 网络能获得比普通算法更好的结果。

GA-PSO 算法在最佳适应度为0.219 4 的条件下得到最优平滑因子为0.753 8。

确定最优平滑因子后，采用KPCA 降维对PNN 网络结构进行优化。将表2 所示的原始指标数据进行KPCA 特征融合，提取融合后的第一核主成分指标作为无量纲的离心泵退化指标，同时作为大修阈值模型的输入数据。融合后得到的离心泵退化指标趋势如图3 所示。

图3 离心泵退化指标趋势

对特征融合后的退化指标进行归一化处理后，作为大修阈值模型的输入数据送入概率神经网络，构建离心泵运行状态概率模型，计算概率累计分布函数，并根据式（3）确定其大修阈值。离心泵状态概率模型及概率累计分布函数如图4、图5 所示。

图4 离心泵状态概率模型

图5 概率累计分布函数

由图5 得到累计概率为90%时对应的退化指标值为0.508 8，计算得到大修阈值为0.658 7。已知从第4 组数据开始离心泵状态出现异常，因此以前4 组数据为基础，每增加1 组数据重新构建概率模型并计算大修阈值，便可以得到一条动态变化的阈值曲线（图6）。

图6 大修阈值曲线

由表2 可知，编号1～13 数据为某油田作业区离心注水泵2014 年11 月—2016 年7 月监测数据。已知2014 年11 月此台设备完成大修工作，按作业区《离心注水泵修保规程》中的大修标准及现场设备启停规律可得下次大修时间应为2016 年7月—2016 年9 月。但由图7 可得，2016 年5 月离心泵退化指标已超过大修阈值，应进行再次大修。2016 年5 月17 日，现场监测小组监测发现此台离心泵自由端出现轴承磨损，间隙增大的故障现象，上报站队进行拆检维修。拆检的过程中发现平衡盘折断、轴套、锁紧螺母腐蚀磨损等故障，其拆检情况如图7、图8 所示。此时离心泵整体的损坏严重程度已达到大修标准。

图7 平衡盘损坏

图8 轴套、锁紧螺母与泵轴抱死

因此，动态大修阈值曲线可以用来反映离心泵真实的运行情况，及时判断是否进入大修状态，减少大修前异常停机事故的发生。

4 结论

本文提取离心泵振动指标和特性参数指标组成多源特征集，利用KPCA 特征融合得到表征离心泵整体退化过程的退化指标。通过KPCA 对原始数据进行降维处理，优化PNN 结构；通过GA-PSO 算法优化PNN 平滑因子，提高模型的有效性和容错能力，基于优化PNN 使用退化指标数据建立离心泵大修阈值模型，进而建立了动态大修阈值曲线。现场大修案例分析表明，利用所建曲线能够及时判断离心泵是否应该进行大修，避免大修工作的盲目性，提高生产效率和经济效益。