泥浆泵液力端故障诊断技术研究

doi:10.11885/j.issn.1674-5086.2013.12.31.01

摘要/Abstract

摘要：

通过对现有的泥浆泵液力端故障诊断技术的分析研究，并结合泥浆泵的结构及工况特征，提出了振动信号统
计指标与神经网络相结合的液力端故障诊断方法。该方法选取振动信号的有效值、方差、峰值指标、脉冲指标、峭度指
标和裕度指标作为表征液力端振动信号的特征指标；采用动态数据采集仪、压电式加速度传感器采集振动测试信号，
并计算得出振动信号平均特征量；然后通过对振动信号特征指标的归一化处理，构建BP 网络和设置网络参数，将经
归一化处理后的时域统计指标作为训练样本，输入到构建的BP 网络中进行网络训练；经过训练，使BP 网络满足预定
的精度要求。现场应用诊断误差分别为：0.007 7，0.017 9，0.017 7，0.021 6，说明构建的BP 网络的性能能够满足故障
诊断要求。利用统计指标和BP 神经网络结合的故障诊断方法，对泥浆泵故障诊断具有较准确的识别效果，可应用于
泥浆泵液力端的故障诊断。

关键词: 泥浆泵, 液力端, 统计指标, 神经网络, 故障诊断

Abstract:

The fault diagnosis method of fluid end that combines the statistical indexes and neural network is proposed in this
paper based on the analysis of fault diagnosis methods for fluid end of mud pump and the features of structure and operating
condition of mud pump. Firstly，the following indexes of vibration signal are selected to illustrate the characteristic index：
effective value，variance，peak index，impulsion index，kurtosis value and margin index，etc. At the same time，vibration
testing signal is collected by using a dynamic data acquisition instrument and piezoelectric acceleration sensors and the average
index for vibration signal is caculated. In order to construct the BP neural network and set network parameters，the selected
characteristic indexes are normalized. As the training samples，then these indexes are put into the BP neural network for training，
after which the constructed BP neural network can entirely meet the set training precision requirement. The corresponding
diagnostic errors of different plungers in field are 0.007 7，0.017 9，0.017 7 and 0.021 6，which shows that the constructed BP
network can reach the demands of plunger fault diagnosis. Therefore，this method may accurately diagnose fault of fluid end
of mud pump，which can be applied to engineering practice.

Key words: mud pump, fluid end, statistical indexes, neural network, fault diagnosis

中图分类号:

TE926
TE928

张志东1，2 *，艾志久1，郑伟3，李奔4，钟功祥1. 泥浆泵液力端故障诊断技术研究[J]. 西南石油大学学报(自然科学版), DOI: 10.11885/j.issn.1674-5086.2013.12.31.01.

Zhang Zhidong1，2*, Ai Zhijiu1, Zheng Wei3, Li Ben4, Zhong Gongxiang1. Study on Fault Diagnosis Technology for Fluid End of Drilling Pump[J]. 西南石油大学学报(自然科学版), DOI: 10.11885/j.issn.1674-5086.2013.12.31.01.

0
/ / 推荐

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://journal15.magtechjournal.com/Jwk_xnzk/CN/10.11885/j.issn.1674-5086.2013.12.31.01

http://journal15.magtechjournal.com/Jwk_xnzk/CN/Y2015/V37/I5/167

参考文献

[1] 段礼祥，王福善. 基于复合指标的往复泵柱塞缸套磨
损故障诊断[J]. 石油机械，2006，34（10）：52 55.
Duan Lixiang，Wang Fushan. Fault diagnosis of plunger
wear of reciprocating pump based on the composite
index[J]. China Petroleum Machinery，2006，34（10）：
52 55.
[2] 黄志强，卜艳，李琴，等. 万米钻井泥浆泵柱塞密封失
效分析及改进[J]. 天然气工业，2009，29（1）：70 72.
Huang Zhiqiang，Bu Yan，Li Qin，et al. Analysis on sealing
failure of myriameter drilling mud pump plunger and
improvement measures[J]. Natural Gas Industry，2009，
29（1）：70 72.
[3] 杨其俊，徐长航，孙辉，等. 三缸泵泵阀故障的幅值域
多参数诊断法[J]. 石油机械，1999，27（1）：35 38.
Yang Qijun，Xu Changhang，Sun Hui，et al. A method
for trouble diagnosis of triplex pump valve[J]. China
Petroleum Machinery，1999，27（1）：35 38.
[4] 何正嘉，陈进，王太勇，等. 机械故障诊断理论及应
用[M]. 北京：高等教育出版社，2010.
[5] 杜长龙，曹红波，王燕宁. 乳化液泵容积效率仿真研
究[J]. 中国矿业大学学报，1995，24（3）：103 108.
Du Changlong，Cao Hongbo，Wang Yanning. Simulating
study on the Volume Efficiency of emulsion pump[J].
Journal of China University of Mining & Technology，
1995，24（3）：103 108.
[6] 刘泽华，尹瑞. 基于EMD 和ART-1 神经网络的故障
诊断方法研究[J]. 计算机测量与控制，2012，20（8）：
2061 2064.
Liu Zehua，Yin Rui. Research of fault diagnosis based on
EMD and ART-1 neural network[J]. Computer Measurement
& Control，2012，20（8）：2061 2064.
[7] 胡昌华，张军波，李学锋. 一种基于小波和人工神经网
络的故障检测与诊断方法[J]. 航天控制，2000，18（2）：
64 71.
Hu Changhua，Zhang Junbo，Li Xuefeng. A method of
fault detection and diagnosis based on wavelet and artificial
neural networks[J]. Aerospace Control，2000，18（2）：
64 71.
[8] 杨国安，张冬，黄聪. 钻井泵阀的冲击特性分析[J]. 振
动与冲击，2008，27（12）：18 22.
Yang Guoan，Zhang Dong，Huang Cong. Impact characteristic
analysis of drilling pump valve[J]. Journal of Vibration
and Shock，2008，27（12）：18 22.
[9] 万邦烈，李继志. 石油矿场水力机械[M]. 北京：石油工
业出版社，1987.
[10] 楼顺天，施阳. 基于MATLAB 的系统分析与设
计神经网络[M]. 西安：西安电子科技大学出版
社，1999.
[11] 任燕燕. 基于人工神经网络的故障诊断方法的研究及
应用[D]. 北京：华北电力大学，2009.
[12] 杨其俊，裴峻峰，田佳禾. 神经网络在往复泵活塞磨
损故障诊断中的应用[J]. 石油大学学报：自然科学版，
1998，22（5）：68 70.
Yang Qijun，Pei Junfeng，Tian Jiahe. Failure diagnosis of
worn piston in reciprocating pump with artificial neural
network[J]. Journal of the University of Petroleum，China，
1998，22（5）：68 70.
[13] 赵庶旭，张振海，张华卫，等. 神经网络：理论、技术、
方法及应用[M]. 北京：中国铁道出版社，2013.
[14] 马瑞恒，王新晴，王耀华，等. 小波除噪、神经网络与发
动机故障诊断[J]. 内燃机工程，2002，24（6）：38 46.
Ma Ruiheng，Wang Xinqing，Wang Yaohua，et al.
Wavelet noise filtering，neural network and engine fault
diagnosis[J]. Chinese Internal Combustion Engine Engineering，
2002，24（6）：38 46.
[15] 金路，廖明夫，黄崴. 一种航空发动机振动信号多线程
采集模块设计[J]. 测控技术，2013，32（8）：50 53.
Jin Lu，Liao Mingfu，Huang Wei. A multi-thread data acquisition
module for vibration signal of aero-engine[J].
Measurement & Control Technology，2013，32（8）：
50 53.
[16] 杨其俊，裴峻峰，魏国祥. 基于BP 网络的往复泵泵阀
故障识别系统的研究[J]. 噪声与振动控制，1998（3）：
36 39.
Yang Qijun，Pei Junfeng，Wei Guoxiang. Fault diagnosis
system on pump valves in a reciprocating pump
with BP neural network[J]. Noise And Vibration Control，
1998（3）：36 39.
[17] 张德丰. MATLAB 神经网络应用设计[M]. 北京：机械
工业出版社，2009.
[18] 高璇. 基于神经网络的故障诊断研究[D]. 沈阳：东北大
学，2010.
[19] 王树亮，王东，冯珍，等. 基于小波包神经网络故障
诊断系统研究[J]. 南京理工大学学报，2004，28（4）：
356 359.
[20] Sorsa T，Koivo H N，Koivisto H. Neural networks in process
fault diagnosis[J]. Systems，Man and Cybernetics，
IEEE Transactions on，1991，21（4）：815 825.
[21] 杨福生. 小波变换的工程分析与应用[M]. 北京：科学
出版社，2000.