基于边际谱熵的钻井振动筛故障诊断

2018年第47卷 第2期第72页石油矿场机械OIL FIELD EQUIPMENT2018,47(2)：72-75文章编号：1001-3482(2018)02-0072-04基于边际谱熵的钻井振动筛故障诊断宋尧\王存和2(1.川庆钻探工程有限公司长庆钻井总公司，西安710021 ;2.川庆钻探工程有限公司国际工程公司，成都610056)摘要：为了及时诊断出钻井振动筛故障，对振动筛故障信号进行了边际谱熵特征提取，结合人工神经网络识别振动筛故障。

选取3种故障样本数据，每种40组共计120组。

每种随机抽取20组作为训练样本，另外20组作为测试样本。

提取边际谱熵作为特征值，送入到B P神经网络进行建模训练。

成功识别了振动筛的故障种类，实现了振动筛的故障诊断，并对振动筛故障提出预防措施。

诊断整体准确率高达90%，是一种简单高效的振动筛故障诊断方法。

关键词：钻井振动筛；故障诊断；边际谱熵中图分类号：T E926 文献标识码：B d o i：10. 3969/j.issn.1001-3482. 2018. 02. 016Application of Marginal Spectral Entropy to Fault Diagnosis of Shale ShakerS O N G Y a o1，W A N G Cunhe2(1. Changqing D rilling Company，CCDC，X i?an710021，China；2. International Engineering Company，CCDC，Chengdu610056，C hinaAbstract：In order to diagnose the fault of the o i l shale shaker in time，the marginal spe tropy feature i s extracted f rom the fault signal of the vibrating screen，combined with a r t i t icialneural network to identify the fault of the vibrating screen.40 groups of 3 kinds of fault sampledata，120 groups in total.Each of the 20 groups was randomly selected as training samples andthe other 20 groups were tested as samples.The marginal spectral entropy s extracted as the ei­genvalue and sent t o the B P neural network for modeling training.The fault types of the vibra­ting screen are i dentified successfully，and the fault diagnosis of the vibrating screen i s realized.The overall accuracy rate s u p t o90%,a smple and efficient fault diagnosis method for vibratingscreen.Keywords：shale shaker；fault diagnosis；marginal spectral entropy石油钴井生产环境复杂恶劣，长期承受高强度 负荷，安全生产一直是国家安全部门密切关注的问 题。

振动筛是钴井石油勘探开发中重要的设备之 一，是第一级钴井液固相控制设备，对钴井砂砾的清 除起着重要作用，并尽最大限度回收高成本的钴井液。

振动筛类型主要分为单轴振动筛、多轴振动筛 及双振型振动筛[12]，可以实现圆振型、直线振型、椭 圆振型、变直线、变椭圆或双振型等振型。

我国振动 筛发展数十年，已取得一定成就，但是与国际先进水 平比还有很大的进步空间。

收稿日期=2017-10-27作者简介：宋尧（1969-)，男，陕西西安人，工程师，主要从事石油钻井及辅助设备的技术管理工作。

第47卷第2期宋尧，等：基于边际谱熵的钻井振动筛故障诊断振动筛的工作原理是通过激振器偏心旋转使振 筛振动来清除固相颗粒，一般工作在超共振点。

在 设备启动阶段，振动筛随着电机转速加大，振动频率 也逐渐加大，极易给固定设备造成磨损。

在停机后 设备存在惯性，振动筛逐渐减速后最后停止振动。

在减速中达到共振频率时，振动筛会发生剧烈振动， 释放巨大的冲击力，振动筛本体和振动机构在强烈 冲击力作用下极易发生故障，增加维修费用甚至更 换振动筛。

此外，振动电机的启动电压是工频电压， 较大的启动电流会损害电气设备。

实际工程中，通 常是多台振动筛同时工作，启停过程会产生较大电 流冲击电网。

目前，对钻井振动筛的故障研究停留在技术改 进、设备维修方法上，没有针对性的诊断技术应用于 振动筛的故障诊断[3]。

本文将边际谱熵理论应用于 振动筛的故障中，提取振动筛的故障信号，计算信号 的边际谱熵作为特征量，送人到B P 神经网络进行 样本训练，得到诊断结果，对及时发现振动筛的故障 及解除安全隐患具有重要意义。

1振动筛常见故障本文以S 250系列平动椭圆振动筛为例进行分析[4—5]。

11筛网使用寿命短1) 筛网与筛框贴合不紧。

支撑筛网的胶条磨损，筛网不能绷紧以至不能与之可靠接触。

2)粘土堆积。

当振动筛振幅很小时，钻屑（粘土）的粘性力相对很大，聚合物难以通过钻井液筛 分，筛网上会有钻屑堆积导致筛网加速损坏。

3)电动机转向错误。

现场调试时容易将单轴 振动筛或直线筛的使用经验用于判别平动椭圆振动 筛。

单轴振动筛或直线筛的电动机转向看钻屑是否 往前走，平动椭圆振动筛的电机转向却不适用。

4)筛网质量差。

当筛网下部受力层绷紧时，筛网上部的筛分层不能拉紧，钻屑投掷力极大削弱， 影响筛分和排屑。

12 跑浆1)钻井液中固相含量高、黏度大、钻屑分散。

2) 振动筛的振动力小、筛网目数高、筛网面 积小。

3) 振动筛的进液口方向、位置安装不正确。

13电动机固定螺栓断裂螺栓预紧力不足导致振动过程中松动，或者紧固件强度不足、电动机底面和座板面之间有杂物 所致。

14电气控制故障1) 振动电动机的进线接口处电缆线摆动幅度大，内部的电缆线很容易断，从外侧看不到，用万用 表测电阻也由于虚接很难发现问题。

2) 电控箱过热继电器设置不合适，也会造成 振动电动机虽启动但经常跳闸。

3)机械问题也会造成过热继电器动作，如电动机固定螺栓松动导致载荷不均衡、振动电动机的 轴承出现故障。

1.5筛箱侧板开裂电动机的旋转方向和偏心块的安装方式不正确都有可能造成侧板开裂。

以正确方式运转时，筛箱 侧板承受的力并不大，补焊开裂的部位便可以正常 使用。

2边际谱熵理论边际谱理论来自希尔伯特黄变换（H H T )，具有处理非线性信号的能力，弥补了傅里叶变换的不足。

边际谱熵具有物理意义，这是其他信号处理方法不 具有的优势。

H H T 算法由经验模态分解（E M D )和 Hilbert 变换组成。

首先将非线性非平稳信号经验 模态E M D 分解成固有模态函数（I M F )，I M F 是一 组表征信号特征时间尺度的函数；其次对各个I M F 分量做Hilbert 变换，计算瞬时频率和瞬时幅值，进 而得到Hilbert 幅值谱和Hilbert 边际谱[]。

具体算法如下：1)将分析信号进行E M D 分解。

信号可以表示为有限个I M F 分量之和，:r 〇) = S c , 〇) +r 〇)。

式中c ⑴为《个I M F 模态分量r 〇)为残差项。

2) 做 Hilbert 变换。

H [c G )]=丄 ^ dr 。

n J —^狋—r3) 计算瞬时幅值和瞬时频率。

c (0的解析信号为 z (〇 =c (〇+j 'H [(〇]，c (〇 =a (〇cos 0(〇，幅值函数为a 〇) = (C (〇 + H 2[(c )i ])1/2,相位函数为0狋）=atan (H [(0]A ：⑴），由相位函数即可计算出々）的瞬时频率/(〇=& • d (0(0)。

• 74 •石油矿场机械2018年3月^|||||||||I0 10 20 30 40 50 60 70 80 90 100训练步数图3训练误差曲线对3种故障加速度信号20组样本数据分别进行权值调节式为：dE A w 犼^ dUJy犻(t + 1 )n 为学习效率）n dE3w n -4建模分析振动筛的故障诊断流程如图2所示。

信号采集信号处理边际谱熵提取建立BP 神经网络模型图2振动筛故障诊断流程2)3)故障识别特征值对于B P 人工神经网络模型的识别精度 具有关键作用，本文将振动筛的加速度故障信号进 行边际谱熵分析[9_10]，求得所有样本数据的边际谱 熵。

训练样本集的大小影响B P 神经网络模型的识 别能力，本文选取3种振动筛的加速度故障边际谱 熵数据[11]，每种故障数据样本40组，每种类型选取 20种作为训练样本，另外20组作为测试样本。

B P 神经网络模型采用3层网络，分别是输入层、隐含层、输出层，输入层共计12个节点，每个节点对 应一个振动筛的加速度。

隐含层节点数取输出层神 经单元个数的3倍，本文输出层神经单元取3,隐含层节点取9,故障类型归为3类，因此输出层选为9。

正 常状态(0,0,0)，故障1(1，0,0)，故障2(0,1，0)，故障 3(0,0，1)。

隐含层传递函数选Tansig ，输出层传递函 数选为Logsig ，循环速率0. 05,训练次数5 000,训练 目标误差0.000 01。

训练误差如图3所示。

4) Hilbert 谱。

犎犳（）=R e ±a k(犲2犳（（。

犽=15) 将犎(犳，()对时间积分得边际谱。

犺(/)= £犎(/，()（。

结合广义信息熵的定义，将边际谱熵定义为: 犎犎E = — 2/>kln (/>k )。

其中/>k =犺(犽)/2犺(犽），表犽=1示第犽个频率对应值出现的概率，谱熵归一化，有H H E =H H E /ln N ，N 为 h (k )序列长度。

3 B P 神经网络模型B P 神经网络是人工神经网络的一种，是目前应用最为广泛、发展最为成熟、运算规则最为简单、最 易实现的一种人工神经网络。

有正向、反向两个传 播过程，对非线性过程可微的多层前馈传递网络[78]。