基于ISVD-GMM 的絞車故障預警方法探索

駱學理，金藝，張易，賈登，陳冰鄧，吳昌亮

（1.中國石油集團工程技術研究院有限公司；2.北京康布爾石油技術發展有限公司，北京 102206）

隨著《中國制造2025》的提出，工業智能制造技術得到空前的發展。鉆井設備作為石油開采的主力軍，若發生故障將會造成嚴重的安全事故以及巨大的經濟損失。絞車是鉆井核心設備，對絞車進行故障預警，保證絞車處于健康狀態對于石油鉆探生產安全、可靠的開展具有重大作用。但絞車在實際工作過程中，不僅基座高度高、晃動大，還受到隨機的橫向風載，同時在運行的各個階段絞車負載不斷變化，在起放鉆具時還會受到巨大的外部沖擊，導致故障信號被強噪聲干擾成分淹沒，使得故障特征微弱，嚴重影響故障預警結果的穩定性和準確性。

國內外學者在機械設備故障預警領域進行了大量研究。肖黎等人提出通過聚類算法處理磨煤機的歷史數據，用隨機森林算法標記不同的故障發展階段，建立故障預警模型。但該方法對于噪聲較大的分類問題存在過擬合現象，造成預警結果不準確。徐圓等人提出構建復雜系統多元時滯序列符號有向圖，通過ELM 和獨立成分分析法進行故障預測。但該模型在運行環境稍有變化時，信號噪聲干擾導致系統特性和拓撲結構發生巨大變化，預警結果穩定性差。郭艷平等人研發了風力發電機組在線故障預警和診斷系統，通過計算傳感器信號的期望值繪制動態變化帶。當傳感器的實測值超過變化帶上下限時發出預警信息。但該系統僅側重于判斷單個傳感器信號的異常，難以采取多參數共同作用，導致特征波動較大，易出現漏報、誤報的現象。

綜上所述，現有的故障預警方法無法有效解決工況環境復雜及信號噪聲干擾嚴重導致故障預警困難的問題。本文提出一種基于ISVD-GMM 的絞車故障預警方法，首先利用ISVD 與WPT 對信號進行復合降噪處理，ISVD 通過設置合適的奇異值閾值，濾除奇異值較小的噪聲成分，WPT通過最大方差最優子帶選取方法選取沖擊成分明顯的子帶重構信號實現降噪。然后利用GMM 混合數充足可以逼近任意分布的特性，建立GMM 基準模型描述絞車狀態特征的分布情況。同時自學習報警閾值，利用KL 距離度量正常狀態與當前狀態的差異，實現絞車的故障預警。最后通過實驗對所提方法的可行性與有效性進行驗證。

1 理論基礎

1.1 ISVD 方法

ISVD 降噪不同于依據頻譜特性的方法，而是基于隨機噪聲與光滑系統信號對相空間軌道矩陣奇異值的不同影響。具體步驟如下：

保留較突出的前k 個奇異值，通過奇異值分解的逆過程還原真實的局放信號，得到系統信號矩陣。將矩陣的各列對應取平均相加，即可得到降噪后的信號。僅進行1 次迭代不能完全剔除噪聲，需重復上述步驟至達到降噪要求。

1.2 GMM 原理

GMM 是一種基于貝葉斯概率統計的混合密度函數分布模型，矢量特征在概率空間的分布狀況通過多個高斯概率密度函數的加權和表示。M 個混合數即由M 個單高斯分布線性組合，即：

式中，D 為描述系統狀態特征的維數。

為了準確反映設備的運行狀態，本文作者采用KL 距離度量當前狀態與正常狀態間的差異。KL 距離又稱KL 散度，在信息論中用于衡量2 個概率密度分布函數的相近程度。2 個分布函數的差異化越小，KL 距離越小，其定義如式5：

2 ISVD-GMM 智能預警方法

基于ISVD-GMM 的絞車故障預警方法包括信號預處理、敏感特征提取、基準模型訓練及實時故障預警4 部分，其具體流程如圖1 所示。

圖1 基于ISVD-GMM 的絞車故障預警方法流程圖

2.1 信號預處理

首先將信號進行迭代奇異值分解降低噪聲干擾成分，并檢驗是否達到一次降噪精度要求。利用小波包變換將信號分解為層級的子帶，冗余的分解層數會引起計算量倍增和信號失真，而過少的分解層數會導致降噪不充分，通過式6 計算選取合理的分解層數。

通過計算對比各節點小波子帶的方差，選擇噪聲混雜較少同時包含最大有效信息量的最優子帶組合重構信號，實現信號的二次降噪。

2.2 敏感特征提取

為了實現絞車的狀態監測與故障預警，需從大量振動波形數據中提取具有代表性的特征，計算多個時域和頻域中的特征參數，通過特征選取技術得出反映絞車狀態變化的特征參數，構建故障敏感特征集。

2.3 基準模型訓練

將正常狀態特征集分為模型訓練和閾值訓練2 部分，通過模型訓練特征集L1 訓練GMM 模型得到正常運行狀態下的基準模型。再將閾值訓練特征集L2 輸入GMM 基準模型，根據準則自學習得到報警閾值T。

2.4 實時故障預警

將待測特征集L3 以時間窗口長度輸入到已訓練的GMM 模型中，計算當前狀態與正常狀態的KL 距離。若KL超過報警閾值T，則判斷系統故障并報警，若KL 小于報警閾值T，則滑動時間窗口持續監測。

3 實驗驗證

3.1 實驗數據

搭建絞車滾動軸承故障模擬實驗臺驗證所提方法在不同故障狀態下的預警效果，故障模擬實驗臺左右兩側為不可拆卸的正常軸承及可更換的故障軸承，實驗臺的基本結構及傳感器測點布置如圖2 所示。

圖2 設備運行實驗臺示意圖

通過線切割在軸承內圈、外圈表面加工溝槽，加工缺陷如圖3 所示，實驗軸承故障信息如表1 所示，實驗基本參數如表2 所示。

表1 軸承缺陷參數

表2 軸承故障實驗基本參數

圖3 軸承缺陷示意圖

實驗數據詳細信息如表3 所示。

表3 軸承實驗數據集

3.2 方法驗證

3.2.1 數據處理

使用ISVD-WPT 方法對各數據集信號進行處理，信號原始波形如圖4 所示。

圖4 原始波形圖

通過迭代奇異值分解分析得到一次降噪后的信號，實驗中循環迭代次數選取3 時達到所需降噪精度，一次降噪后的信號波形如圖5 所示。

圖5 ISVD 一次降噪后波形圖

利用小波包變換對一次降噪后的信號進行分解重構，通過公式6 計算取分解層數m 為3 層。通過公式7 計算各小波子帶方差如圖6 所示。從圖中可以看出，子帶1的方差為5.86×10-4，與其他子帶方差相比高出1～3 個量級，較為突出。根據最大方差原則選取子帶1 重構信號。

圖6 各小波子帶方差分布圖

小波子帶重構得到小波包變換二次降噪后的信號，波形如圖7 所示。

圖7 WPT 二次降噪后波形圖

由圖（4、5、7）對比可知，本文方法處理復雜噪聲環境下的信號降噪效果明顯，原始信號經迭代奇異值分解一次降噪后噪聲干擾成分被大幅消除，包含軸承狀態信息的有效成分得以保留，經過小波包變換二次降噪后信號波形中沖擊特性顯著增加，有效增強了微弱故障信號特征，信號質量得到顯著提高。

3.2.2 特征提取

通過時域、頻域分析方法提取特征，選取7 個在不同軸承狀態間有斷崖式突變，且特征改變量與軸承狀態變化量成正相關的故障敏感特征如表4 所示。

表4 特征提取

3.2.3 模型訓練及故障預警

測試GMM 模型的預警效果，預警的效果如圖8 所示。

圖8 基于GMM 的故障預警效果圖

從圖8 中可以看出，當GMM 預警的KL 距離超過報警線T 時立即報警，基于3σ 準則自學習的報警線T 為4，正常軸承GMM 預警的KL 值在0 附近一較小范圍內浮動，實驗中于第69 組實驗發出報警且之后持續報警。當軸承故障嚴重程度加大時，KL 距離也隨之有明顯上升，明顯超過預警閾值，并且GMM 預警模型對軸承故障感知敏感，計算預警的準確率為95.54%，有效實現了絞車軸承的故障預警。

上述實驗結果及分析表明：ISVD 與WPT 復合降噪方法的去噪效果顯著，微弱故障特征明顯增強，適應性較強。GMM 與KL 距離結合的預警模型對軸承的狀態變化感知靈敏，不同狀態劃分明顯。報警及時且不存在反復穿越報警線的現象，顯著降低了漏報和誤報的次數，預警結果具有較高的準確性、穩定性和可靠性。本文提出的基于ISVD-GMM 的絞車故障預警方法的有效性和可行性得以驗證。

4 結語

針對絞車運行工況復雜，采集信號伴隨大量噪聲干擾，故障預警穩定性差、準確度低的問題，本文提出一種基于ISVD-GMM 的絞車故障預警方法。該方法采用ISVDWPT 復合降噪，結合最大方差最優子帶選擇方法提取信號的沖擊成分，去除噪聲干擾，同時利用GMM 結合KL 距離建立絞車故障預警模型監測絞車的運行狀態。實驗結果表明該方法能及時感知絞車故障實時報警，預警準確率達到95.54%，對于其他機械設備的狀態監測與故障預警具有一定參考價值。