抽油機故障音頻智能診斷技術應用研究

司志梅，段志剛，趙慶婕

（中國石化江蘇油田分公司石油工程技術研究院,江蘇揚州 225009）

游梁式抽油機是石油開采中關鍵的機械設備之一,掌握抽油機設備運行狀態是原油安全生產的重要工作。

目前應用的抽油機故障診斷技術總體可分為兩類：第一類是人工巡檢,依靠技術人員的豐富經驗通過“看聽摸查聞”,分析抽油機的運行情況,判斷抽油機是否存在故障,這種方法人為因素影響大,識別準確率低,且人工工作量大,不能滿足抽油機工況實時診斷和油田信息化、智能化管理的要求；第二類是人工智能診斷技術,利用計算機自動識別技術實時檢測抽油機運行數據,通過振動信號分析和神經網絡故障診斷等手段進行分析、推測,有效實現抽油機故障分類及預警［1-3］。人工智能診斷技術主要檢測電動機、減速器等設備的振動信號或是懸點示功圖的形態變化特征,并未對抽油機運行的音頻信號進行診斷。

當抽油機運行狀態發生變化,音頻信號的特性也會隨之變化,對音頻信號進行分析與處理,也是實現抽油機故障診斷的一種有效的方法［4］。因此,提出了一種基于大數據分析的抽油機故障音頻智能診斷方法,利用抽油機音頻智能采集器采集抽油機的音頻數字信號,把音頻信號轉換為特征圖像（語譜圖）,利用深度學習的卷積神經網絡對圖像進行分類識別,實現抽油機故障分類和故障報警。

1 抽油機故障音頻智能診斷系統原理

抽油機故障音頻智能診斷原理是將音頻數據分幀、加窗,轉換為特征語譜圖,利用深度學習的卷積神經網絡對圖像進行識別分類。

1.1 音頻特征圖像提取

音頻信號在10～30 ms 內可以認為是平穩的,短時特性不變。首先是將采樣音頻分成每份20 ms 長的音頻塊,然后對每個音頻塊進行特征提取。以傅里葉變換為例,提取頻譜特征的過程,就是將聲波分解成一個個組成部分,分離低音部分,再分離下一個最低音的部分,以此類推。然后將（從低到高）每個頻段中的能量相加,就為各個類別的音頻片段創建了一個指紋。本文分析了音頻傳統特征包括：音頻圖、短時能量、能量譜、Mel 頻率倒譜系數MFCC、相位譜等,綜合比較各種特征在訓練模型上的表現,語譜圖效果最好。語譜圖的生成過程包括：①音頻信號分幀；②加窗處理（漢明窗）；③對每一幀信號做傅里葉變換,得到頻譜；④多幀處理,生成MFCC 圖,再進行對數處理后得到語譜圖［5-6］。語譜圖將音頻信號轉換成數字圖像,其橫軸、縱軸分別為時間和頻率,顏色的深淺則表示對應頻率的強弱。根據錄取的抽油機音頻數據對應提取的特征圖像如圖1所示。

圖1 部分正常音頻和故障音頻特征語譜圖

1.2 卷積神經網絡

近些年隨著深度學習的發展,深度學習的卷積神經網絡在圖像識別處理中表現出了越來越高的準確度［7］。本文以此為基礎,把音頻數據轉換為特征圖像（語譜圖）,利用深度學習的卷積神經網絡對音頻特征圖像進行分類識別。典型的卷積網絡是由卷積層、池化層、全連接層組成。其中卷積層與池化層配合,組成多個卷積組,逐層提取特征,最終通過若干個全連接層完成分類［8-9］。深度卷積神經網絡通過卷積來模擬特征區分,并且通過卷積的權值共享及池化,來降低網絡參數的數量級,最后通過傳統神經網絡完成分類任務,有效降低反饋神經網絡（傳統神經網絡）的復雜性,共享卷積核,對高維數據處理無壓力,無需手動選取特征,訓練好權重,即得特征,分類效果好（見圖2）。

圖2 深度卷積神經網絡結構

2 抽油機故障音頻智能診斷系統組成

抽油機故障音頻智能診斷系統由前端音頻智能采集器與后端系統軟件組成。前端音頻智能采集器負責采集、處理井場音頻并傳輸至遠程服務器,后端系統軟件進行故障音頻的分析識別。

2.1 音頻智能采集器

音頻智能采集器包括拾音模塊、采音模塊以及電源模塊,如圖3所示。

圖3 音頻智能采集器結構

拾音模塊接收外部的聲音,進行降噪等處理后,傳輸至采音模塊,采音模塊通過以太網將處理后的音頻數據傳輸至遠程服務器。

音頻智能采集體系的拾音模塊主要有雙路麥克風、降噪電路、雙運放電路組成。雙路麥克風設備可靠性高,抗干擾能力強,靈敏度高,且具有較為合適的常數增益以及線性相位,能夠在環境溫度、濕度、振動沖擊發生變化時避開干擾,獲取真實的音頻信號,可將被測音頻有效地轉換為電信號。

采樣的數據集應具有代表性并能包含大多數聲音信息,通過分析選用8 kHz 采樣率的采樣模塊。為保證存儲的有效性,要對在計算機中以幅度值進行存儲的樣本數據進行量化使其成為整數,通過分析選擇可以表示-32 768～32 767 之間整數值的16位采樣位數,將采樣幅度值量化為最近的整數值,從而確定選用的AD 采集模塊,采集模塊工作流程如圖4所示。

圖4 AD采音模塊

抽油機音頻的采集可通過在油井井場定點安裝固定式音頻采集器采集不同抽油機機型、不同工作制度、不同液量液性下的抽油機音頻數據,包括正常生產音頻及日常隨機出現的抽油機故障音頻；同時可利用移動式音頻采集器采集人為模擬的抽油機不常出現的故障音頻,包括十字頭松、中軸松、尾軸松、曲柄銷松（左右）、平衡塊松（左右）等人工模擬故障聲音。為實現抽油機音頻數據的多渠道采集,更精準地采集到故障音頻數據,開發了“油井故障音頻采集”手機小程序,現場技術人員可通過油井故障音頻采集小程序,錄入不同抽油機的故障音頻,通過移動式音頻采集器、固定式音頻采集器以及手機小程序采集抽油機音頻,建立抽油機音頻庫；充分結合抽油機領域專家知識,分析抽油機各部件異常響聲關聯的故障類型,形成電機缺相運行、電機軸承干磨、皮帶打滑、減速箱齒輪異響、平衡塊松（左、右）、曲柄銷松（左、右）、十字頭松、支架松、中軸松、尾軸松、壓杠松、光桿碰驢頭、驢頭銷子松、毛辮子磨驢頭等24 類故障音頻庫,所有采集到的音頻數據除去故障音頻后歸檔到正常音頻庫。

2.2 后端系統軟件

抽油機故障音頻智能診斷系統架構模型由后臺模型分析模塊、實時識別模塊和音頻管理模塊組成,如圖5所示。后臺分析模塊根據帶標簽的音頻,提取聲學特征,訓練模型,生成實時識別模塊需要的參數,實時識別模塊和音頻管理模塊聯動,對多路采集來的音頻數據進行分析,輸出故障類型。

圖5 診斷系統架構模型

抽油機音頻數據轉化為特征圖像,應用深度卷積神經網絡圖形識別方法進行診斷識別,直接應用的效果是不理想和不穩定的,其中主要的原因在于訓練數據的組織方式和特征提取,雖然能夠在有限的故障音頻訓練集上達到95%的精度,但是模型穩定程度還有待使用更多的實際數據進行驗證。

綜合運用遷移學習方法,改進了模型的穩定性,減少了誤報率。遷移學習是一種基于以前學習的基礎上繼續學習的方式,遷移學習是將已有問題的解決模型（如圖像識別）用在其他不同但相關問題上?；谶w移學習,在少量標簽數據上也實現了高分類精度。由于有些故障較難區分,導致標簽存在一些不準確的情況,給訓練增加了一定的難度,模型很可能被不準確的標簽誤導。針對這種情況,采用自蒸餾的方式來解決,即給每個軟化前的標簽賦予一定的概率,從而降低模型訓練的難度。

3 現場應用

基于大數據分析的抽油機故障音頻智能診斷技術在江蘇油田231 井次錄取6 000 余條特征音頻數據,在112口油井安裝了音頻智能采集器,在音頻診斷服務器上安裝了抽油機音頻故障診斷及報警軟件,發現故障58井次,經現場核驗,53井次故障診斷正確,故障診斷準確率達91.4%,故障響應時間平均縮短4 小時,避免故障的復雜化,提高了管理水平,提高了設備完好率。

4 結論與認識

（1）抽油機故障音頻智能診斷技術兩大特點：一是提出了利用音頻特征圖像提取、圖像分類識別,智能診斷抽油機故障的方法,實時診斷,提高了抽油機管理水平；二是依據構建的大數據音頻分析平臺,待數據量積累到十萬、百萬以上級別后,可以自動學習出故障變化的規律。

（2）抽油機故障音頻智能診斷技術在江蘇油田112口油井現場應用,發現故障58井次,經現場核實53 井次診斷正確,故障診斷準確率達91.4%。系統故障診斷準確率的提高還需進一步深化研究,在推廣過程中逐步驗證并完善。

（3）抽油機音頻故障智能診斷技術彌補了現有信息化系統無抽油機音頻分析的不足,推動了油田信息化智能化建設。