開發了往復泵故障的智能診斷系統，以故障診斷系統為核心，軟件部分用VisualC++語言來開發，由軟件控制同步進行壓力、位置及流量等信號的數據采集和數據庫管理。由于不同故障類型對應的信號曲線也不同，所以以壓力信號為主，以流量信號為輔作為故障信息；然后應用基于人工智能理論的小波神經網絡和小波包分解技術進行數據處理、保存和故障診斷。從小波神經網絡診斷的結果可以看出:往復泵故障智能診斷系統診斷速度快，準確性高。

　　往復泵是大慶油田的重要設備之一，它的泵效高、適應性強且排液量范圍廣，并且在工作中操作簡單方便，工作過程平穩可靠，因而在注水驅油、鉆井及壓裂等工藝過程中廣泛應用。在各油氣處理站、中轉庫中，將其作為冬季外輸輕烴、外輸氣時加注甲醇的重要設備。但由于其易損件較多，其液力端關鍵部件為泵閥組件，而泵閥組件又因工況惡劣經常發生失效，故障率相對較高，因此對其狀態進行監測及故障診斷，對于及時做出合理的維修保養決策具有重要意義。

　　在現場，操作工人對往復泵運行狀態監測和故障判斷過程存在很多問題。人為判斷故障，適應性差，往復泵閥的各種故障，通過人工“看”、“聽”，適應性差，不利于推廣；環境干擾較大，往復泵現場不可避免地有電機等各種干擾，在常規測試中，環境干擾較大；人工盲目操作，勞動強度大；保護措施不完善。

　　為了解決上述問題，利用不斷發展的小波分析和小波神經網絡技術，加之微機測試技術的優勢，建立高性能的綜合智能故障診斷系統，并使之適應現場應用。驗證結果表明:該診斷系統診斷速度快、準確性高。

1、往復泵系統工況綜合診斷系統的總體方案

　　該系統由電容式壓力傳感器、磁電式流量傳感器、信號放大線路、A/D模數轉換器及微型計算機等組成。系統框圖如圖1所示。該系統主要包括軟件設計和硬件設計兩部分。

圖1 往復泵系統結構

　　1.1、系統的硬件組成

　　硬件一般包括電源、控制、變換、微機、保護與儀表六大類設備。本系統主要由電容式壓力傳感器、磁電式流量傳感器、往復泵系統工況綜合診斷監控儀及微型計算機等組成。監控儀基于485端口，包含隔離RS-232到RS-485轉換器ADAM4520和ADAM4017八路模擬量輸入兩個模塊，監控儀就是由它們組成并用來負責采集系統的數據，并且把壓力變送器傳輸過來的數據進行初步運算和處理傳送給主機。計算機負責處理、保存并離線分析監控儀傳來的數據，還可以在適當的時候打印結果，而后利用小波包分解和小波神經網絡技術進行故障特征提取和故障診斷。

　　1.2、系統軟件

　　筆者在缸體上安裝一個電渦流傳感器，用它作為時標信號來檢測柱塞在靠近動力端什么位置停止，外觸發信號由其發出的信號獲得，泵缸內的壓力信號通過觸發點來采集。往復泵的泵缸內部作為壓力變送器測取點選擇的具體位置，壓力變送器用來測量和傳輸實驗所需的現場各種情況的壓力值。

　　該系統的軟件設計包括以下幾個方面:

　　a.主程序框架的建立；

　　b.把主機與監控儀通過什么方式連接起來進行通信；

　　c.實時數據在經過監控儀處理過之后，要進行保存；

　　d.監控儀不論通過什么方式，傳輸過來的數據都要在界面上實時動態地顯示出來。

　　圖2為系統軟件的主界面。本系統的設計重點包括參數設定、采樣數據的同步動態顯示、數據庫管理和多線程技術。

圖2 系統軟件的主界面

　　參數設定可以使用戶輸入泵的工況參數和采樣參數，對應參數意義見表1。

表1 采樣參數

　　在主界面上共有兩個顯示界面，可以將采樣來的4個完整運行周期的數據同時動態顯示，一個界面顯示的是實時的壓力信號組成的壓力信號曲線，另一個界面顯示的是采集的流量信號組成的流量信號曲線。在這種情況下，用戶就可以對數據在線地進行可靠的分析和必要的記錄。數據庫管理可以實現歷史數據查詢，方便用戶進行離線分析。

　　對該系統來說，由于應用程序要同時進行數據采樣、采樣數據動態顯示和對采樣數據進行故障分析，因此建立多個線程是十分必要的。當應用程序運行時，CPU輪換著分配給這3個線程時間片，所以使得這3項工作可以同時進行，這就充分利用了CPU處理其他工作之外的空閑時間片，并且避免了用戶長久地等待進行數據分析的時間，做到了對故障診斷的實時性，用戶可以對故障做出及時的判斷以避免了更大損失的發生。

　　1.3、故障診斷系統

　　一般情況下，往復泵泵閥組件的各種故障是通過安裝在出口管線上的壓力計和流量計來判斷的，這種方法的缺點是不能確定哪一個泵閥出現故障，因此需要對所有泵閥進行逐一檢查，這樣不僅增加了維修時間，也增大了工作量。近年來，泵閥的故障診斷大多應用振動測試技術，將泵閥處采集的振動信號作為故障信息，在信號處理和診斷方法上已經有很多成功的例子。但是，往復泵結構比較復雜，泵閥輪流關閉，形成瞬時沖擊，同時還存在多種激勵振源。所以，目前的往復泵故障診斷主要是利用振動測試技術對單缸發生故障時進行監測和診斷，而對于3缸協同工作、多故障同時發生時的故障診斷難以實現，甚至在振動信號中無法提取故障特征信號。所以，筆者將壓力傳感器安裝在往復泵缸中，利用缸體內的壓力信號作為故障信息，可以方便地判斷故障發生的具體位置。同時，用小波包分析的方法提取故障特征信號。然后，根據得到的特征信號利用小波神經網絡理論進行故障類型的判別和診斷。

　　往復泵故障診斷的過程分為3個階段:第一階段是采集到泵腔內的壓力信號；第二階段是排除噪聲干擾，提高診斷的靈敏度和準確率，從所采集來的壓力信號中提取故障特征，筆者使用的是小波包分析技術；第三階段是根據故障特征和其他診斷信息作出診斷決策，這一階段通過建立小波神經網絡，確定網絡結構來實現，實際中先對教師信號進行特征提取、訓練，輸神經網絡，然后采集實際數據，進行特征提取，通過二者的比較可以診斷并確定往復泵的故障。

2、故障診斷系統的應用

　　由于系統采用了以壓力信號為故障特征信息的方法，這是和以前的常規方法不同之處，實際上可以從壓力信號的波形變化趨勢直觀地看出各個故障之間的區別。

　　2.1、系統工作基本正常時的壓力曲線

　　系統工作基本正常時，吸入閥與排出閥工作正常，密封嚴密，除正常泄露外，不存在故障導致的漏失，升壓與瀉壓平穩，基本不存在波動現象，壓力曲線如圖3所示。

圖3 系統工作正常時壓力曲線

　　2.2、各種故障條件下壓力曲線及分析

　　2.2.1、密封圈壞時的泵缸內的壓力信號變化曲線

　　密封圈壞主要分為吸入閥組密封件損壞和排出閥組密封件損壞。其一，吸入閥組密封圈損壞。該種特征的圖形出現是由于吸入密封圈損壞后，柱塞擠壓泵腔內液體時，被加壓的液體可從吸入閥密封圈處泄漏，導致升壓過程滯后，且排出過程中，導致降壓過程提前發生。壓力信號變化曲線如圖4所示。其二，排出閥組密封圈損壞。吸液過程中，管線中液體可回流入泵內，造成降壓滯后現象。壓力信號變化曲線如圖5所示。

　　2.2.2、彈簧斷裂故障時的壓力變化曲線

　　彈簧斷裂故障也可以分為吸入閥彈簧故障和排出閥彈簧故障。吸入閥彈簧損壞后，由于閥回位不及時，導致升壓過程滯后，如圖6所示。排出閥彈簧損壞時，對壓力變化影響不明顯。

圖6 吸入閥彈簧損壞壓力曲線

　　2.3、泵閥損傷

　　排出閥密封面磨損與排出閥密封圈壞表現基本相同，均為升壓滯后，降壓提前。排出閥密封面磨損變化曲線如圖7所示，吸入閥密封面損傷壓力變化曲線如圖8所示。

　　2.4、運行參數不合理

　　當往復泵柱塞往復速度太快時，運行時易導致閥芯關閉不嚴，導致升壓降壓不能達到有效最大、最小值，以至出現周期性的次極大、極小值。壓力曲線如圖9所示。但頻率下降到一定數值時，該現象消失。該現象表明，往復泵系統有優化的空間。

圖9 運行參數不合理壓力曲線

　　2.5、柱塞漏失壓力流量曲線

　　柱塞漏失壓力流量曲線如圖10所示。

圖10 柱塞漏失壓力流量曲線

　　對于往復泵的故障診斷而言，將采集來的單個泵缸內的壓力信號作為系統特征信號來提取故障特征向量。筆者對采集到的原始壓力信號進行3層小波包分解，構成8維特征向量來提取往復泵的故障特征，并將其作為小波神經網絡的輸入向量，因此輸入節點數為8。筆者分別對往復泵的密封圈故障、泵閥磨損故障和彈簧斷裂故障3種工況進行診斷，分別用(001)、(010)、(100)代表這3種工況，作為網絡的目標輸出，因此輸出節點數為3。小波神經網絡采用3層結構，隱層小波為Morlet小波，隱層節點數的確定采用逐步檢驗法。首先設定好一個誤差E*，取較小的隱層節點數，計算得出其誤差E，然后比較E與E*。若E<E*，則所取的隱層節點數即為所求；否則，隱層節點數加1繼續計算，直到滿足E。

表2 測試樣本及結果

3、結束語

　　筆者開發了基于485端口的往復泵故障智能診斷系統，應用基于人工智能理論的小波神經網絡和小波包分解技術進行數據處理、保存和故障診斷。根據采集來的壓力和流量數據，可以看出故障類型不同，對應的信號曲線也不同，說明以壓力信號為主，以流量信號為輔進行故障信息提取是有效的故障監測方法，從小波神經網絡診斷的結果也可以看出其對于故障的辨別是正確的、符合實際的。該綜合診斷技術適應油田地面所有往復泵，目前聚合物驅已大面積推廣，三元復合驅也在工業化實驗，油田注聚井已有兩千口左右，往復泵已成注入工藝中對注入體系影響的重要設備，該技術具有廣闊的推廣應用前景。