机床与液压

作者：周逸飞，刘新福，曹砚锋，于继飞，欧阳铁兵，刘春花，周伟

单位：青岛理工大学工业流体节能与污染控制教育部重点实验室；青岛理工大学工业流体节能与污染控制教育部重点实验室；中海油研究总院有限责任公司；中海油研究总院有限责任公司；中海油研究总院有限责任公司；中国石油大学（华东）机电工程学院；中海油研究总院有限责任公司

关键词：电潜螺杆泵;小波包分解;故障诊断;长短期记忆神经网络;概率神经网络

基金：国家自然科学基金面上项目（52074161；52005281）；泰山学者工程专项项目（tsqn202211177）；山东省高等学校青创人才引育计划项目（2021-青创-30613019）；山东省自然科学基金面上项目（ZR2022ME173）；中海石油（中国）有限公司北京研究中心项目（CCL2023RCPS0237RSN；CCL2023RCPS0319RSN）

针对电潜螺杆泵故障预测中发生故障难以及时发现、发现难以准确判别故障类型等问题，提出一种基于深度学习长短期记忆网络（LSTM)结合概率神经网络(PNN)的电潜螺杆泵故障预测方法。以LSTM网络为回归模型，使用时间序列法预测故障信号的未来趋势，利用小波包分解螺杆泵的故障信号，提取其中的故障特征，再结合油压、产量等多个工作参数，构建电潜螺杆泵的故障特征向量，并凭借PNN网络判别预测信号故障类型。收集新疆油田120组故障数据作为数据集对预测模型进行训练，从中取出90组数据作为故障数据库对模型进行训练，取出30组数据作为测试组测试模型准确率，使用LSTM-PNN神经网络预测模型分别对两组数据进行电潜螺杆泵故障预测。结果表明：预测前提取故障信号特征可有效提高电潜螺杆泵的故障预测精度，较常规电潜螺杆泵故障预测方法，LSTM-PNN网络预测具有更高的准确率且准确率提升了3%～16%。

来源：2024年第19期

《机床与液压》期刊编辑部

查看机床与液压杂志2024年第19期