基于灰色－神经网络的往复泵状态监测和趋势预测研究

　　往复泵是油田钻井、注水和压裂等工艺中的重要设备，其工作条件十分恶劣，该设备能否正常运转对油田安全生产十分重要，因此对其易损件，如泵阀、活塞-缸套副、柱塞-密封副等的状态监测和趋势预测，成为往复泵故障诊断的关键问题。主要研究了灰色-神经网络预测方法在往复泵故障趋势预测中的应用，结合实际案例，根据往复泵故障发展趋势，针对其故障诊断与预测的难点，提出采用组合预测模型进行趋势预测，相比采用单一模型预测方法，该组合模型具有较高的精度，对状态监测工作有非常好的应用价值和实际意义。

　　往复泵是油田生产中的重要设备之一，每次出现故障都会对企业的安全生产造成巨大的影响。目前，国内外对往复泵状态监测与趋势预测多采用人工神经网络、模糊预测等单一模型进行研究，由于单一的预测方法只能是在一定情况下、一定范围内才有效，并不能充分利用全部的特征信息，因而常导致预测结果与真实值之间存在较大误差。

　　本文主要研究灰色-神经网络预测方法在往复泵故障趋势预测中的应用，并结合实际案例，对比分析该组合预测方法相对单一模型预测的优势，为组合预测方法在往复泵故障诊断和趋势预测领域中的应用提供了有力的支持。

1、往复泵常见故障分析

　　高压往复式注水泵主要由动力端、液力端、底座、电机、电控盘、润滑等部件组成。由于构成部件多，结构较为复杂，在实际生产中经常发生各种类型的故障，根据发生部位可以分为以下几个方面.

　　1.1、往复泵动力端

　　(1)转轴:往复泵的转轴为曲轴，曲轴是往复泵中结构和受力最复杂的构件之一，它不仅承受传动轴传来的扭矩，同时承受着三个连杆传递的阻力。

　　(2)滚动轴承:是旋转的受力部件，承受径向和轴向的负荷，在冲击载荷下容易发生故障。而往复泵液力端的每次冲程都会施加冲击载荷，所以是最易损坏的零件之一。

　　1.2、往复泵液力端

　　往复泵液力端常见故障见表1所示。

表1 往复泵液力端常见故障类型

2、灰色-神经网络预测模型

　　往复泵是一个复杂的系统，时变性、随机性、模糊性等多方面的因素致使系统振动变化异常复杂，用单一的预测方法难以在信息贫乏和不确定性条件下对设备运行状态趋势做出准确有效地分析。组合预测方法将各种预测方法的优缺点相互补充，取长补短，有效的利用了全部有用信息，最终达到提高预测精度的目的。但是，组合预测方法在机械故障诊断领域内的应用比较少。

　　灰色预测模型简单实用，要求样本数据少，能较好的预测振动变化的总体趋势，但不适合逼近复杂的非线性函数，一般用于中长期预测。人工神经网络具有良好的非线性映射能力，能较好的预测振动的波动趋势，但需要具有足够的隐节点也就是需要大量的样本保证，一般适用于能取得较多样本的短期预测。

　　2.1、并联型组合模型

　　所谓并联型组合模型是指利用灰色预测模型具有良好的增长特性的特点，对负荷的增长趋势和总体变化趋势进行预测，即对纵向历史数据进行建模，同时利用神经网络预测模型良好的非线性映射能力对负荷的波动趋势进行预测，即对横向历史数据进行建模，最后根据最优化理论建立兼有两者优点的综合模型。本模型对于各自本身的建模程序不需要做太多的修改。但由于两个模型相互独立，所以该综合模型不能消除原来两个模型本身所固有的一些缺点(如图1表示)。

图1 灰色-神经网络并联型组合模型

　　2.2、串联型组合模型

　　串联型组合模型(如图2所示)能够更大限度的发挥灰色模型和人工神经网络模型各自的特点。所谓串联型综合模型是指将灰色预测模型GM(1，1)的预测结果作为神经网络预测模型的输入，利用神经网络强大的非线性映射功能在其输出端得到精度更高的预测结果。

图2 灰色-神经网络串联型组合模型

总结

　　本文分别采用灰色模型、神经网络模型和灰色-神经网络组合模型对往复泵的一组运行数据(振动有效值)进行趋势预测，通过对比它们的预测结果，得出灰色-神经网络模型有较高的预测精度和预测有效度，适用于往复式注水泵的状态预测进行系统研究，该方法对油田安全生产有着重要的现实意义。