基于联合对抗深度迁移的轴承故障诊断方法

长期现场监测的滚动轴承大数据往往故障样本较少且受噪声和监测误差的影响，有用故障信息容易淹没在正常样本数据中，特别对于变工况和不同场景下的数据集服从不同分布的问题，如果直接利用基于深度学习的故障诊断方法进行识别，容易造成误判或漏判。为此，提出一种基于联合对抗深度迁移的滚动轴承故障诊断方法。该方法融合了深度学习和迁移学习的各自优点。首先利用具有批量归一化层的卷积神经网络，提取实验室有标签源域数据和现场无标签目标域数据的不变特征，然后通过广义切片Wasserstein距离来度量域间数据的联合分布差异性，并采用softmax激活函数作为域判别器和分类器实现识别。最后通过凯斯西储大学滚动轴承数据集、西安交通大学滚动轴承数据集和现场滚动轴承数据集进行不同诊断方法之间的对比、验证和应用研究。研究结果表明，所提方法在滚动轴承数据集的平均分类准确率能达到99%,相比于其他方法具有更高的分类精度和更好的迁移性能，可为滚动轴承故障诊断提供一种新的有效方法。     

基于小波、WAE和LSTM的压裂车故障诊断

动力系统作为压裂车的关键部件,其工作状况直接影响着压裂车的性能,压裂车工况多变,使得其动力系统故障诊断更加复杂。为解决压裂车动力系统振动信号的强时变性和强噪声特性而造成其故障难以辨识的问题,提出了一个基于提升多小波包(LMWP)、小波自编码器(WAE)和长短时记忆网络(LSTM)方法。首先对压裂车动力端采集的振动信号进行3层提升多小波包分解;其次计算各子频带的相对能量,构成原始特征向量;最后将原始特征向量经WAE降维,并输入LSTM网络实现压裂车动力系统故障诊断。试验结果表明,提出的故障诊断方法在不同工况下能够实现99%以上的诊断准确率,具有优于传统方法较强的泛化能力、特征提取能力和识别能力。所得结论可为压裂车动力系统诊断方法的进一步发展提供参考。     

基于MFO-VMD和GMFE的往复压缩机轴承间隙故障诊断方法

基于往复压缩机轴承间隙故障呈现非线性、非稳定性和特征耦合的特点,本文提出了飞蛾捕焰优化算法（MFO）优化变分模态分解方法（VMD）和广义多尺度模糊熵（GMFE）的往复压缩机轴承间隙故障诊断新方法。首先,利用MFO对VMD的模态数k和惩罚因子α两个参数进行优化,得到最佳参数组合[k,α],从而利用优化后的VMD对轴承间隙振动信号进行信号分解处理,并进行振动信号的重构分析;然后,采用GMFE熵值算法对重构信号进行故障特征提取研究,从而得到所需的故障特征向量集;最后将提取的故障特征向量集输入智能分类算法支持向量机中进行故障的分类诊断研究。研究结果表明,本文提出的往复压缩机轴承间隙故障诊断方法有效地提高诊断的准确率,具有较好的故障特征提取优越性。     

基于残差网络与迁移学习的断层自动识别

机器学习算法在地球物理领域的应用越来越广泛、深入。在地震资料解释中,目前主要利用实际或人工合成的断层样本,训练浅层卷积神经网络识别断层。实际断层样本需要人工标记,消耗大量时间成本;人工合成的断层样本虽然容易获得,但训练出的网络在应用于实际地震数据时效果不佳。为此,将深度残差网络与迁移学习结合并应用于断层识别。首先构建性能更优秀的深度残差网络训练人工合成的断层样本,然后使用少量实际断层样本进行迁移学习,增强网络的泛化能力,优化网络的识别结果。迁移学习后的网络能够有效提高实际断层的识别准确率,实际地震数据验证了该方法的可行性和有效性。     

基于SAX的往复压缩机气阀故障诊断

传统的时域、频域、时频域分析方法基于振动信号对整个序列时间点分析,忽略了其中一小段时间序列数据变化规律,没有考虑其波形特征,无法有效提取特征。鉴于此,提出了基于符号聚合近似算法(SAX)的故障特征提取方法。该方法对机械振动信号SAX符号化近似表示,之后通过一定长度滑动窗口确定符号串类型,统计符号串频数,作为特征值,最后排列各个特征值,归一化后得到向量,作为该数据样本的特征向量。该方法针对周期序列中一小段数据进行对比,描述其变化规律,挖掘内在信息,形成数据模态,然后对各类模态统计分析,有效提取了原始序列的变化趋势和信息特征,克服了现有方法的不足。对油田现场压缩机气阀振动数据分析处理,用SAX方法提取特征向量后输入网格优化的SVM分类器进行了训练分类,与基于信息熵的特征提取方法进行对比,两者故障分类准确率分别为81.25%和100%。分析结果表明:SAX特征提取方法可以准确有效地提取故障特征,具有更高的故障识别率,基于SAX算法的往复压缩机气阀故障诊断方法具有可行性。所得结论可为压缩机气阀故障信号的进一步分析提供参考。     

基于边际谱熵的钻井振动筛故障诊断

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BP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。     

交流异步电动机故障综合诊断方法的研究

针对油田在用异步电动机故障的特性,将电流分析与振动分析2种技术相结合,开发出EDES—Ⅳ智能综合诊断系统。该系统利用EDES—Ⅳ数据采集器采集电流信号和振动信号作为原始信号,然后利用智能故障综合诊断系统将采集数据进行分析与处理,实现电动机状态监测与故障诊断。该综合诊断系统已在塔里木油田分公司所属6个作业区应用137台次,预报或诊断故障52台次,故障诊断准确率达86.5%,年平均可节约维修费用约20%。     

基于振动信号分析的电潜柱塞泵故障诊断方法研究

振动信号能够全面反应电潜柱塞泵的运行工况,在电潜柱塞泵的故障诊断中,针对不同工况下的振动信号进行分析尤为重要。提出了一种基于振动信号分析的电潜柱塞泵故障诊断方法,采用改进的隐层神经元数变动的神经网络系统,根据不同情况选择不同节点数,使其达到提高诊断精度及缩短诊断周期的双重要求。对电潜柱塞泵正常运行以及动子不平衡、动子机械磨损运行时的振动信号进行分析研究,利用小波包提取振动信号的能量特征,利用神经网络识别故障。现场试验结果表明,网络训练后实际输出达到允许误差范围,网络测试结果也能与实际状态相对应。该方法能够对电潜柱塞泵进行有效、准确的故障诊断。     

BP网络在液压驱动螺杆泵故障诊断中的应用

由于故障振动指标具有非线性可分的相似性、故障与征兆的关系不确定性等特点,难以有效地进行故障诊断,因此提出了基于BP神经网络的井下液压驱动螺杆泵机组故障诊断网络的设计方法。详细介绍了网络的信号采集、处理和网络训练、诊断的处理。经初步验证,这种故障诊断网络以较强分析功能和直观表现性,为准确、及时地确定液压驱动螺杆泵故障的发生和工况趋势预测,提供了有力的技术支持。该方法还可用于采油机械装置的工况预测和故障诊断。     

振动信号的自适应非抽样提升小波降噪方法

振动信号是机械故障诊断中应用最广泛的信号,为了能够提取隐含在强噪声背景下振动信号的故障特征,设计了一种自适应非抽样提升混合小波。该方法利用LMS自适应法则构造了可与提升小波更好匹配的初始预测器和更新器,在计算预测差值平方和时考虑所有样本的预测信息,以锁定第2代小波信号的局部特征。试验和工程振动信号分析表明,使用该方法降噪的信号获得了较高的信噪比和较小的均方差,且能较理想地提取出故障特征。     

小波变换在柴油发动机故障诊断中的应用

传统的振动分析常采用傅立叶分析法,对于柴油发动机某些非平稳振动信号,傅立叶分析可能给出虚假的结果,从而导致错误诊断。为此,探讨了小波变换在柴油发动机故障诊断中的应用。分析了小波变换的基本概念及其特性,通过对柴油发动机多种工况下振动信号的小波分解和小波重构,阐述了小波分析时频域局部特性在柴油机故障信号的降噪处理及特征提取方面的优势。实例研究表明,小波变换对柴油机发生故障时所产生的非平稳振动信号具有较好的分析效果和使用价值,为柴油发动机故障诊断提供了一条有效的途径。     

基于谱熵及分形理论的压缩机气阀故障诊断

压缩机组振源较多,振动信号背景噪声强烈、干扰大,通过检测振动信号细微特征变化识别故障征兆异常困难。为此,从系统特性的角度出发,选择信息熵及分形维数作为特征参数,提取气阀无故障、轻微漏气与严重漏气3种典型故障信号特征,采用聚类分析方法来判断气阀故障。应用表明,较之传统的诊断方法,基于谱熵及分形理论的诊断方法具有故障特征提取工作量小、容错性强、准确率高的特点。     

基于EMD与模糊聚类的发动机故障诊断方法

针对发动机气门故障信号的非平稳性、非线性等特点,提出一种基于经验模态分解(EMD)和C均值模糊聚类相结合的诊断方法。运用EMD方法提取故障信号的能量特征指标,利用C均值模糊聚类方法对此特征进行聚类。通过与小波包分解提取频带能量指标的特征提取方法相对比,结果表明运用EMD方法的模糊聚类方法能更有效地识别故障类型,非常适用于故障样本较少的发动机故障诊断。对新待测样本的识别结果验证了该方法在发动机故障诊断中的有效性。     

基于双谱估计的牙轮钻头故障诊断方法

基于高阶谱能够抑制高斯信号,并且可以在较强的背景噪声中提取故障信息的特点,在分析高阶累积量与高阶谱的理论基础上,针对牙轮钻头运转中振动信号的非线性、频谱成分多样性和二次相位耦合性等特点,研究了基于高阶谱分析的机械故障特征提取方法,提出了基于双谱估计的钻头故障诊断方法。试验结果表明,双谱估计方法不仅能有效地区分出正常牙轮和故障牙轮,也能很好地区分出牙轮不同的故障类型;能有效地抑制高斯噪声,可以在较强的背景信号中有效地提取故障信号;可作为牙轮钻头早期故障诊断的量化指标。     

利用残差网络和地震发射层析成像的微地震事件检测

地震发射层析成像(Seismic emission tomography,SET)是一种适用于地面微地震监测的震源定位方法,该方法利用地面众多站点监测的信号对储层特定范围分层成像,通过图像判定微地震事件并确定震源坐标。传统处理方法通常采用人工看图判断一段信号的SET是否包含有效微地震事件。然而人工判别方法难以完成对海量监测数据的全部处理,无法充分发挥SET方法的优势。针对此问题,采用残差网络对微地震监测数据的SET数据进行处理,实现微地震事件自动识别。首先,利用合成数据和实际油井的水力压裂地面微地震监测数据进行SET,构建SET图像样本数据集;然后对残差网络进行训练和测试,得到事件识别准确率最高的残差网络模型;再使用训练好的残差网络对不同信噪比的合成信号,以及多口油气井的地面微地震监测信号的SET数据进行事件检测。测试结果表明,基于残差网络和SET的方法能够有效检测微地震事件,且具有较强的抗噪能力和泛化能力。     

三缸泵泵阀故障的幅值域多参数诊断法

采用振动信号幅值域多参数（如峭度指标、裕度指标和脉冲指标等）诊断法,可较准确地判别三缸泵泵阀的故障。通过对测取的三缸泵阀箱上泵阀关闭过程振动加速度信号的幅值域多参数的统计分析证明,采用振动信号幅值域多参数诊断法可有效提取泵阀失效故障的特征信息,且故障信息特征非常明显。由于仅用较少的几个参数就可完成对泵阀状态较准确的描述,大大简化了泵阀故障特征的提取。可见这种诊断法具有简单实用、所用特征参数少和易于建立泵阀故障诊断系统数据库等优点。     

往复泵活塞磨损故障的振动识别

根据往复泵在工作过程中受多种振源激励的情况，用振动诊断方法对往复泵活塞磨损故障诊断进行了探索研究，提出了判别活塞破损（磨损）的简单方法。诊断过程中，用计算机采集往复泵排出过程或吸入过程中缸套压盖上振动加速度信号。通过对该信号的时域、幅值域分析，尤其是频域的同步功率谱平均分析，可提取出较明显的活塞破损（磨损）故障信息。试验表明，用该方法进行往复泵活塞破损（磨损）故障的监测与诊断，具有简单、实用等优点，可准确地判别出活塞的破损（磨损）故障。     

基于稀疏滤波的潜油电泵故障诊断方法

潜油电泵作为一种常见的人工举升装置，由于其强提液能力而广泛应用在海上油田，但海洋环境复杂且潜油电泵故障类型繁多与故障数据匮乏等原因使其在海上油田应用存在着一定的局限性。针对难以有效地在线诊断与定量分析潜油电泵电流信号等问题，提出了一种需要极少超参数调节的稀疏滤波特征提取方法，该方法对多种工况电流信号进行了有效的特征提取与模式识别，得到了一个准确、高效的实时诊断模型，通过对现场数据进行分析，验证了该方法的有效性。实验结果表明，该方法可有效地提取特征并实现海上油田潜油电泵10种故障状态的故障诊断，诊断准确率高达99.1%。随着数据的不断丰富和故障种类的不断完善，可实现更高效、准确的故障诊断。     

基于深度残差网络的初至拾取软件开发

基于残差的优化卷积神经网络—深度残差网络(ResNet)能够对图像进行有效的识别分类。将深度残差网络应用于地震数据的初至识别,借助Hadoop分布式批处理计算系统和TensorFlow人工智能学习平台开发了基于残差网络深度学习的初至波自动拾取软件。采用不同地区、不同震源类型和不同地表的地震数据对深度残差神经网络模型进行训练和验证,最终得到一个精度较高的地震初至自动拾取网络模型。本文总结了深度残差网络的基本方法原理、初至波自动拾取软件实现的关键步骤、地震初至自动拾取网络模型的训练、并验证了拾取效果和效率。     

基于相似识别的抽油机井故障检测与诊断研究

抽油机井故障检测与诊断对管控油田平稳生产、保证油田效益意义重大。论文研究了基于相似识别的故障检测与诊断方法,采用融合二分类和三元组损失的深度学习网络提取示功图图形趋势特征,构建抽油机标准特征库与故障特征库并进行更新维护,在检测到与标准特征库不相似的示功图时检索故障特征库以实现诊断。实验结果表明,该方法能够有效检测抽油机井故障,减少误报率,并在检测到异常时检索故障库实现故障诊断。