基于子时段递推MFDA的水压机故障诊断方法

　　1　引　　言

　　随着我国石油、天然气工业的发展,国内市场对高品质油套管、输送管的需求日益增加,对钢管的耐压等级要求不断提高。按American Petroleum Institute(API)标准要求,对加工成油井管的钢管必须进行压力试验。压力试验成为钢管生产过程中必需的质量检测环节,对钢管质量检验起着重要作用。压力试验通常在水压试验机上进行。整个试验要完成冲水、打压、保压、泄压等多个环节。一个打压过程只需几十秒的时间,却涉及到增压缸的压力、支撑缸的压力、平衡缸位移、各种油温、各种阀门的状态及报警信息等数十个变量。发生故障时,如果从机械、液压及电控等机理方面进行故障诊断和排除,带有很大的技术难度。如何判断故障原因,减少故障排除的时间,进而减少水压试验机的故障率,这对提高设备的检验能力及产品质量具有重要意义[1-3]。鉴于水压机打压过程变量多、打压速度快,一定时间内能够产生大批的数据信息,本文采用数据挖掘的方法对几类较难判断的故障进行诊断。

　　在各类数据挖掘方法中,基于多向Fisher判别分析(multiwayFisherdiscrmi inantanalysis,MFDA)的故障诊断方法同时利用正常工况和故障条件下的数据建模,因此具有很强的诊断能力[4-6]。经验证发现,直接应用MFDA方法对一些简单故障的判断准确度较高,但是由于水压试验设备及生产过程的复杂性,想进一步分析细化故障时,很难取得满意效果。以水压试验设备上常出现故障的重要液压件———4个梭阀为例,MFDA方法可以较成功地判断出有梭阀发生故障,但却很难判断出到底是哪一个梭阀发生故障。在现场,每一梭阀的拆装需要十多个小时,如果能够直接定位具体梭阀故障,将会大大减少故障排除的时间,这对提高水压试验机的生产率具有重要意义。经过研究分析可知,水压机的打压过程具有重要的时段特性,每个操作时段都有其特定的控制目标,有完全不同的过程特征。4个梭阀的故障在整体趋势上比较类似,但在各个时段的表征有一定差异。并且,对于同一种故障来说,由于后一时段的过程特征继承了前一时段的特征,导致各个时段的故障表现互有关联,只有将几个时段的特性相互结合才能起来给出正确的故障判别结果。鉴于以上分析可知,将一次间歇操作的所有数据当作一个统计样本而建立MFDA模型势必会削弱这种时段表征特性,影响诊断的准确性。针对上述问题,本文提出了一种基于子时段的递推MFDA方法对水压实验机的复杂故障进行诊断。该方法先将整个生产过程划分子时段,再对每个时段分别建立MFDA模型。在建立第二时段及其之后时段的MFDA模型时,将前一时段提取的区分故障的主要信息代入到下一时段的建模中,通过递推的方法有机地将几个时段的特性联合在一起,充分利用了现有资源,提高故障诊断性能。