基于MIMU的FastICA算法钻头故障振动信号分析

来源:用户上传      作者:杨金显 范耀辉

　　摘  要： 为了解决钻头在钻进过程中由于采集到的信息存在信噪比低和钻头与钻柱振动信号互相混叠而难以对钻头故障振动状态进行有效识别的问题。提出一种基于MIMU的FastICA算法来对钻头与钻柱振动数据进行处理分析，从而放大了钻头振动信号特征（正常、松动），提高了钻头振动信号的识别度。首先对经MIMU采集而来的原始数据进行误差分析和预处理，接着使用FastICA算法进行仿真实验，最后采用预处理后的松动状态下钻头与钻柱的振动信号进行实例实验验证。经验证，此方法有效放大了钻头的振动信号特征，有一定的实际意义。
　　关键词： 微型惯性测量单元;FastICA算法;钻头;振动信号分析;故障诊断
　　中图分类号： TM751;TP391.9    文献标识码： A    DOI：10.3969/j.issn.1003-6970.2019.05.028
　　本文著录格式：杨金显，范耀辉. 基于MIMU的FastICA算法钻头故障振动信号分析[J]. 软件，2019，40（5）：147153
　　【Abstract】： In order to solve the problem that the drill bit has low signal-to-noise ratio and the vibration signal of the drill bit and the drill string overlap during the drilling process， it is difficult to effectively identify the fault vibration state of the drill bit. A FastMU algorithm based on MIMU is proposed to process and analyze the vibration data of the drill bit and the drill string， thereby amplifying the vibration signal characteristics of the drill bit （normal and loose） and improving the recognition degree of the vibration signal of the drill bit. Firstly， the error analysis and preprocessing of the original data collected by MIMU are carried out， and then the simulation experiment is carried out by using FastICA algorithm. Finally， the experimental results of the drill bit and the drill string vibration signal under different conditions （normal and loose） are preliminarily verified. It is verified that this algorithm effectively amplifies the vibration signal characteristics of the drill bit and improves the recognition degree of the drill fault vibration signal.
　　【Key words】： Miniature inertial measurement unit; FastICA algorithm; drill bit; Vibration signal analysis; Fault diagnosis
　　0  引言
　　由于在钻井作业时，钻井系统处于复杂的工作环境之中，钻进过程中钻头与钻柱等都会受到各种外界环境因素的影响产生振动，而二者振动的测量信号往往是经过互相混叠互相影响而显现出来的，呈现较为复杂的非线性关系，因此单独有效地提取出能够表现钻头在钻进过程中（正常、松动等）的振动信号就显得犹为必要。
　　文献[1]使用希尔伯特变换的方法对故障特征进行提取，但却只针对冲击信号有较好的效果，当出现其他故障时，并不能分离得到真实频率。文献[2]通过形态滤波算法进行故障特征提取，但是这种算法在提取故障特征的同时也会过滤低频谐波信号，从而导致提取的故障特征并不完整。文献[3]使用经验模态分解算法进行振动特征信号的提取，但这种算法容易造成模态混叠，分离出的模态物理意义不明确，有可能造成误判或者漏判。独立成分分析（Independent Component Analysis，ICA）是近年来提出的非常有效的数据分析工具，主要用来从混合数据中提取出原始的独立信号，作为信号分离的一种有效方法而受到广泛的关注。这种盲源多通道的信号分析处理技术，对于处理此种多源信号经非线性叠加的情况有着很大的优势。因此本文将以钻井系统中安装在近钻头处与钻柱处的两组微惯性测量器件为研究对象，进行独立成分分析与处理实验，以期实现对钻头处振动信号的分离与提取。而FastICA算法不仅可以对钻头振动混合信号中具有独立性的信号进行有效分离，且运算速度快。故将此算法应用到对钻头故障振动信号的分析中来。
　　1  數据误差分析
　　惯性器件的误差包含了常值误差与随机性误差两种不同的误差类型，这里的常值误差通常能够通过建模、测试标定与旋转调制等方式进行误差的补偿，而在经过误差补偿后，无法补偿的确定性误差可以一起归到随机性误差之中。随机误差有着时变性特点，通常是在静态条件下进行测试与分析，然后通过滤波等方式进行消除。在惯性技术领域中，惯性器件的精度通常情况下是指静态条件下的随机性误差，也就是指在最理想条件下，惯性器件所能达到的最高精度[5-10]。 　　（3）在实际应用中，实际采集的复合故障（松动、磨损等并存）情况下的钻头加速度与角速度信号经FastICA方法处理后，并未取得很好的提取效果，此时该算法受到了一定限制，也是今后需要对此算法进行改进的方向。
　　参考文献
　　[1] 唐先广， 郭瑜， 丁彦春. 基于独立分量分析与希尔伯特-黄变换的轴承故障特征提取[J]. 振动与冲击， 2011， 15（10）： 45-49.
　　[2] 李兵， 高敏， 張旭光， 等. 用形态梯度法与非负矩阵分解的齿轮故障诊断[J]. 振动?测试与诊断， 2014， 20（2）： 295-300.
　　[3] 牛杰， 刘永祥， 秦玉亮， 等. 一种基于经验模态分解的锥体目标雷达微动特征提取新方法[J]. 电子学报， 2011， 20（7）： 1712-1715.
　　[4] 许德新， 何昆鹏， 梁海波. MEMS惯性测量组件的温度误差补偿模型研究[J]. 哈尔滨工程大学学报， 2010， 31（5）： 607-613.
　　[5] 刘婷婷， 任兴民， 康召辉. FastICA算法在机械振动信号分离中的应用[J]. 西安工业大学学报， 2008， 14（01）： 27-31.
　　[6] 查春青， 柳贡慧， 李军， 席岩， 张涛. PDC钻头扭转振动特性分析及减振工具设计[J]. 石油机械， 2017， 45（03）： 1-5.
　　[7] 张睿， 郑文帅， 黄彬城， 钱坤. 基于FASTICA与PNN的齿轮箱故障诊断研究[J]. 煤矿机械， 2013， 34（06）： 278-280.
　　[8] 刘刚， 王航， 穆文军. 基于独立成分分析的钻头振动信号识别方法[J]. 科学技术与工程， 2018， 18（16）： 33-37.
　　[9] 肖国益， 徐进， 祝效华， 胡大梁， 朱礼平， 贾彦杰. 钻头-钻柱系统振动特性分析[J]. 中外能源， 2011， 16（08）： 53-57.
　　[10] 周云龙， 王锁斌. 高斯矩Fast ICA算法在风机振动信号去噪中的应用[J]. 动力工程学报， 2011， 31（03）： 187-191.
　　[11] 马斐， 宋淑芳. 钻柱振动诊断方法的研究[J]. 华南理工大学学报（自然科学版）， 1996（12）.
　　[12] 刘刚， 张家林， 刘闯， 等. 钻头钻进不同介质时的振动信号特征识别研究[J]. 振动与冲击， 2017， 37（8）： 71-78.
　　[13] 汪攀. 时间序列趋势分析及其在预防性维修中的应用[D]. 武汉科技大学， 2015
　　[14] 李东文， 熊晓燕， 李博. 振动加速度信号处理探讨[J]. 机电工程技术， 2008， 37（9）： 50-52.
　　[15] 基于负熵准则盲分离方法的剖析与研究[J]. 丁志中， 叶中付. 系统仿真学报. 2007， 22（13）： 60-63.
　　[16] PCA与ICA相结合的语音信号盲分离[J]. 王玉静， 于凤芹. 计算机工程与应用. 2012， 16（10）： 31-46
　　[17] 独立分量分析的原理与应用[M]. 清华大学出版社， 杨福生， 洪波著， 2006
　　[18] Independent Component Analysis Using an Extended In-fomax Algorithm for Mixed Subgaussian and Supergau-ssian Sources[J] . Te-WonLee， Mark Girolami， Terrence J. Sejnowski. Neural Computation . 1999， 36 （2）： 45-46.
　　[19] Independent Component Analysis. Hyvarinen A， Karhunen J， Oja E. . 2001， 44（3）： 16-20.
　　[20] Applica-tion of the Blind Source Separation in Machine FaultDiagnosis： A Review and Prospect. LI Zhi-nong， ， HE Yong-yong， CHU Fu-lei. MechanicalSystems and Signal Processing . 2005， 13（2）： 8-11.
　　[21] Blind Separation of Sources， Part1： An Adaptive Algorithm Based on Neuromime-tic Architecture. Jutten C， Herault J. Signal Processing . 1991， 27（2）： 13-16.
　　[22] 张翠平， 苏光大， 人脸识别技术综述[J]， 中国图像图形学报（A版）， 2000， 5 （11）： 885-894.
　　[23] 张铮， 王艳平， 薛桂香. 数字图像处理与机器视觉[M]. 北京： 人民邮电出版社， 2010.
　　[24] Javed A. Face Recognition Based on Principal Component Analysis[J]. International Journal of Image， Graphics and Signal Processing （IJIGSP）， 2013， 5（2）： 38.
　　[25] He Lianghua. Multi-Dimension Principal Component Analysis based on face recognition[J]. The Journal of New Industrialization， 2012， 2（1）： 59-65.
　　[26] 朱剑， 张锦， 成奋华， 等. 基于支持向量机的人脸识别研究[J]. 计算技术与自动化， 2008， 26（4）： 79-81.
　　[27] 钟彩. 边缘检测算法在图像预处理中的应用[J]. 软件， 2013， 34（1）： 158-159.
　　[28] 冯杰， 屈志毅， 李志辉. 基于分类稀疏表示的人脸表情识别[J]. 软件， 2013， 34（11）： 59-61.
转载注明来源:https://www.xzbu.com/8/view-15016199.htm