论文部分内容阅读
往复泵作为工业领域重要的往复设备,广泛应用于石油钻井、油气开采等生产领域。液力端作为往复泵的薄弱环节在使用当中经常发生故障,由于液力端的结构复杂、激励源多,导致液力端的故障诊断比较困难。开展对往复泵液力端的故障诊断研究工作对于提高油田往复泵的使用效率,保证安全生产具有十分重要的意义。柱塞磨损故障和泵阀组件故障是本文诊断研究的重点,本文利用时域统计指标诊断方法对柱塞磨损故障进行了诊断；同时,利用小波包分析方法提取了泵阀组件的故障特征,在MATLAB中创建了BP神经网络,并利用创建的人工神经网络实现了液力端故障的智能识别。这些诊断方法可较好地用于往复泵液力端的故障诊断当中。本文的研究工作主要体现在以下几个方面：首先,在广泛调研国内外文献以及现场资料的基础上,分析了往复泵液力端的工作原理、常见故障及故障原因。建立了简化后阀盖振动的力学模型,论述了利用振动信号进行液力端故障诊断的可行性。指出了液力端振动信号的非平稳性和故障是促使振动信号发生变化的主要原因。设计了液力端的故障实验方案,在3DS-1/12.5型往复泵上进行了故障实验；其次,针对液力端振动信号的非平稳性特点,对柱塞磨损故障采用了时域统计指标诊断方法,计算出了各指标的重要度系数,建立了柱塞磨损程度的诊断模型,并通过故障程度值较为直观地反映了柱塞的磨损程度；针对泵阀振动信号具有非平稳特性、故障特征提取难度大的特点,在对几种时频分析方法进行对比分析的基础上,本文引入了小波和小波包变换方法,对振动信号进行小波包分析；提出了能量最大差别法来确定小波包分解方案,通过建立“频率—能量—故障”的诊断模型,有效提取出了泵阀组件发生不同类型、不同程度时的故障特征。然后,详细介绍了BP神经网络的算法原理,在MATLAB中利用BP网络的改进措施实现了BP网络的创建与训练,通过所创建的神经网络实现了液力端故障的智能识别,并且诊断准确率均达到了90%以上。最后,针对实验中存在的问题和不足,设计了往复泵液力端故障的振动诊断方案与整体性能诊断方案,并对往复泵液力端测试硬件系统的方案进行了设计,提高了诊断测试方法在油田现场的可实施性。