[发明专利]一种对油田电潜泵进行故障预测与健康管理的方法

说明书

本发明提供了一种对油田电潜泵进行故障预测与健康管理的方法，包括：故障模式分析模块、状态监测模块、健康状态评估模块、故障预测模块以及维修策略模块；状态监测模块用于获取电潜泵特征参数；健康状态评估模块通过对监测数据和历史数据的处理分析，完成电潜泵状态实时评估；故障预测模块采用组合预测方法，并结合故障模式分析模块对电潜泵剩余使用寿命进行估计；维修策略模块分析制定出相应的维修策略，实现对电潜泵的保障决策。本发明首先构建了油田电潜泵完备的故障预测与健康管理系统架构，其次在故障预测模块，采用基于时间序列与BP神经网络结合的故障预测方法，可有效弥补单一预测方法的不足，提高预测精度，有效缩短预测时间。

技术领域

本发明涉及预测与健康管理技术领域，更具体地，涉及一种对油田电潜泵进行故障预测与健康管理的方法。

背景技术

随着科学技术的飞速发展，机械设备的集成度、复杂度及智能化程度急剧增加，传统的故障诊断、维修保障技术逐渐难以适应新的要求。

为了满足设备运行快捷、可靠、稳定的要求，向信息化、数字化、智能化转变，实现自主保障与自主诊断，在上世纪末PHM(预测与健康管理)技术应运而生，并迅速得到了以美国为代表的西方强国的高度重视。相较于传统的故障后维修或定期检修，这类基于当前健康状态的故障检测与诊断是对未来健康状态的预测，变被动式的维修活动为先导性的维护保障活动，大大提高了设备的安全高效性。该技术可为现代油田电潜泵实现自主式后勤、提高系统“六性”(可靠性、维修性、测试性、安全性、保障性和环境适应性)和降低全寿命周期费用提供有效的技术支撑。

目前对电潜泵已有多种基于监测数据的故障预测方法，例如北京工业大学高峰采用灰色理论对潜油电泵的振动状态进行预测、报警和存储等；中国石油大学姚垦采用PSO-BP神经网络的方法预测潜油电泵井的躺井时间，并能够结合其他泵参数判断潜油电泵井的故障，推测出现的工况；中国石油大学檀朝东利用人工神经网络自学习方法预测泵的工作状况并通过生产参数优化提高电潜泵油井产量；哈尔滨工程大学董振刚对潜油电泵机组井下传感器提出了基于RBF网络时序预测的状态监测方法。

上述研究均没有对油田电潜泵形成一套完整的故障预测与健康管理系统，且故障预测方法均采用单一预测模型。在使用不同的单一模型来预测设备性能时，预测的准确度与模型运行时间大不一样：如时间序列模型适用于处理数据中的线性关系，远期数据会对预测产生干扰，精确度会急剧下降；神经网络模型适用于提取数据中的非线性关系和变量间的相互作用，而训练过程较慢等，因此对于复杂设备的预测通常会出现单步预测不精确、多步预测无效的问题。

为了克服上述现有技术的不足，本发明首先对油田电潜泵的故障预测与健康管理系统架构进行了设计，其次提出了一种基于时间序列与BP神经网络组合的油田电潜泵故障预测方法。神经网络作为数据驱动的一种软计算方法，可以根据特定的输入输出样本学习复杂系统的规则，因此非常适合与其它预测方法构建具有强鲁棒性的组合模型。本方法可有效弥补单一预测方法的不足，能够处理数据中的线性关系、非线性关系和变量间的相互作用，捕捉设备的特征与变动模式，弱化单一模型在使用的时候缺点会被放大以至于结果误差增大的缺陷，提高模型的预测精度与性能，缩短模型预测的运行时间。

发明内容

本发明提出了一种对油田电潜泵进行故障预测与健康管理的方法，其主要目的在于对油田电潜泵通过状态监测采集到的数据信息，进行监控、管理、分析来实现油田电潜泵自身的健康状态评估，在系统发生故障之前对其进行故障预测与健康管理，并且假定电潜泵过去趋势会延伸到未来，预测所依据数据具有不规则性，撇开了因果关系，达到集故障检测、隔离、健康预测与评估及维护决策于一身的目的。

为实现上述目的，按照本发明的一个方面，提出了一种对油田电潜泵进行故障预测与健康管理的方法，包括：

故障模式分析模块，用于对油田电潜泵的功能进行分析，分析所有影响油田电潜泵性能的故障模式，得出影响电潜泵功能的关键部件；