【技术实现步骤摘要】
本专利技术涉及钻机绞车故障诊断，具体涉及一种基于自适应和深度学习的钻机绞车的故障诊断方法。
技术介绍
1、绞车是石油钻井装备中最重要的设备之一，并且在整个钻井中起着重要的作用，其工作性能的好坏直接影响钻井效率和成本。考虑到绞车工作条件恶劣，发生故障的可能性较大，一旦发生故障，就会对钻井设备及人身安全造成重大威胁，因此对于钻机绞车的故障诊断尤为重要。
2、目前，对于钻机绞车的维护大多都是通过现场维护人员对绞车进行检查，根据多年的现场经验对绞车的状态进行评估，当现场人员不足以解决问题时，甚至要停机通知设备供应商厂家进行询问。凭借现场维护人员的经验很有可能会对绞车已经出现的故障无法及时发现，导致重大事故的发生，另外对绞车进行停机处理影响到了整个生产线的工作，还会造成过度维修所带来的经济损失。
3、目前绞车故障诊断的核心部分在前期的信号采集，因为前期采集到的信号往往受到很多外界因素的影响，从而使得收集到的绞车信号与实际不符，因此，前期的信号去噪是目前研究的一个重点，而目前在噪声的处理办法，一般是k-奇异值分解技术和正交匹配追踪算法相互融合，这是一种经典的稀疏表示算法，虽然其能够处理高维数据且鲁棒性强、准确度高等，但是其存在以下不足之处：1、效率问题：方法需要迭代求解，每次迭代都需要对大量的数据进行计算，耗费时间较长。2、受参数选择影响：方法中有一些参数需要手动选择，如稀疏度、字典大小、迭代次数等，不同的参数选择可能导致不同的结果。参数选择的不合适可能会影响算法的性能和稳定性。
4、综合上述，有必要提出
技术实现思路
1、为解决上述问题，本专利技术提供一种基于自适应和深度学习的钻机绞车的故障诊断方法，用于提高钻机绞车的故障诊断准确度。
2、为了实现上述目的，本专利技术的技术方案如下：一种基于自适应和深度学习的钻机绞车的故障诊断方法，包括如下步骤：
3、步骤1：通过云端将已有的故障诊断模型下发到边缘侧设备；
4、步骤2：对钻机绞车的常见故障进行研究，确定钻机绞车常见的故障类型，明确能够反映绞车故障状态的振动信号，通过边缘侧设备对绞车的故障振动信号进行处理，再进行采集；
5、步骤3：通过故障诊断模型对采集到的钻机绞车振动信号进行故障检测，输出诊断结果和故障数据，并上发到云端；
6、步骤4：通过云端根据诊断结果和故障数据进行深度学习模型训练，对训练好的故障诊断模型更新并下发到边缘侧设备。
7、进一步，步骤1包括：通过云端利用收集到的钻机绞车的故障数据进行深度学习模型训练，从而形成故障诊断模型，并将故障诊断模型下发到边缘侧设备。
8、进一步，通过边缘侧设备对绞车的故障振动信号进行处理，再进行采集，包括：在边缘侧设备安装若干加速度传感器采集钻机绞车的振动信号，将采集到的振动信号依次进行数据缺失性处理、异常值处理和归一化处理；
9、数据缺失性处理是通过缺失数据两侧的平均值进行补全；
10、异常值处理是将异常值舍弃掉；
11、归一化处理是采用最大值和最小值归一化，其归一化公式为：
12、
13、式中，xmax为样本数据的最大值，xmin为样本数据的最小值，x'为归一化结果，数值区间为[0,1]。
14、进一步，将归一化处理后的振动信号通过vmd分解、ksvd算法和omp算法进行初始信号的重构，去除原始信号中的噪声干扰，再将经过处理后得到的信号作为初始样本数据。
15、进一步，通过vmd分解、ksvd算法和omp算法进行初始信号的重构，包括：
16、将振动信号作为输入信号y，通过vmd分解输入信号y得到模态分量，根据相关系数最大原则选择保留的模态分量，将模态分量重构成初始化字典d；
17、通过ksvd算法对初始化字典d进行处理形成超完备字典d，将超完备字典d通过峭度值曲线选取原子，将原子重构得到最优原子d’；
18、通过omp算法进行稀疏系数求解，通过阈值最优原则，求解稀疏系数x，从而进行初始信号的重构：y＝d’×x，将重构后的初始信号作为初始样本数。
19、进一步，步骤4包括：搭建一维卷积神经网络模型，包含一层输入层、三层卷积层和一层池化层；通过一维卷积神经网络对振动信号进行特征提取，最终输出故障振动信号的概率值作为识别的结果。
20、采用上述方案有以下有益效果：
21、在振动信号采集的初期先经过了预处理操作，并通过vmd分解、ksvd算法和omp(正交匹配追踪算法)实现原始信号的重构，进而去除原始信号中的噪声。相较于现有技术，提高了诊断的准确率；并且采用云端处理和深度学习相结合的方式，满足了实时性的要求，节约了储存空间，大大提高了计算力。
22、本专利技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
本文档来自技高网...【技术保护点】
1.一种基于自适应和深度学习的钻机绞车的故障诊断方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于自适应和深度学习的钻机绞车的故障诊断方法，其特征在于，步骤1包括：通过云端利用收集到的钻机绞车的故障数据进行深度学习模型训练，从而形成故障诊断模型，并将故障诊断模型下发到边缘侧设备。
3.根据权利要求1所述的基于自适应和深度学习的钻机绞车的故障诊断方法，其特征在于，通过边缘侧设备对绞车的故障振动信号进行处理，再进行采集，包括：在边缘侧设备安装若干加速度传感器采集钻机绞车的振动信号，将采集到的振动信号依次进行数据缺失性处理、异常值处理和归一化处理；
4.根据权利要求3所述的基于白适应和深度学习的钻机绞车的故障诊断方法，其特征在于，将归一化处理后的振动信号通过VMD分解、KSVD算法和OMP算法进行初始信号的重构，去除原始信号中的噪声干扰，再将经过处理后得到的信号作为初始样本数据。
5.根据权利要求4所述的基于白适应和深度学习的钻机绞车的故障诊断方法，其特征在于，通过VMD分解、KSVD算法和OMP算法进行初始信号的重构，包括：
6.根据权利要求1所述的基于自适应和深度学习的钻机绞车的故障诊断方法，其特征在于，步骤4包括：搭建一维卷积神经网络模型，包含一层输入层、三层卷积层和一层池化层；通过一维卷积神经网络对振动信号进行特征提取，最终输出故障振动信号的概率值作为识别的结果。
...【技术特征摘要】
1.一种基于自适应和深度学习的钻机绞车的故障诊断方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于自适应和深度学习的钻机绞车的故障诊断方法，其特征在于，步骤1包括：通过云端利用收集到的钻机绞车的故障数据进行深度学习模型训练，从而形成故障诊断模型，并将故障诊断模型下发到边缘侧设备。
3.根据权利要求1所述的基于自适应和深度学习的钻机绞车的故障诊断方法，其特征在于，通过边缘侧设备对绞车的故障振动信号进行处理，再进行采集，包括：在边缘侧设备安装若干加速度传感器采集钻机绞车的振动信号，将采集到的振动信号依次进行数据缺失性处理、异常值处理和归一化处理；
4.根据权利要求3所述的基于白...
【专利技术属性】
技术研发人员：梁海波，李爱国，李泉昌，杨双叶，周天明，
申请(专利权)人：西南石油大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。