[发明专利]一种故障诊断模型训练方法和装置

说明书

一种故障诊断模型训练方法，包括：获取多条顶驱系统中的传感器所采集的顶驱系统的状态特征参数；其中，所述传感器在所述顶驱系统中的位置根据随机权重遗传算法确定；利用冗余属性投影算法分别消除每条所采集的状态特征参数中的变工况特征参数；将已消除变工况特征参数后的多条状态特征参数分别进行融合，获得多条融合后的状态特征参数；对多条融合后的状态特征参数分别标注故障类型，得到训练数据；采用所述训练数据对预先建立的故障诊断模型进行训练。通过本发明的方案，提高了故障诊断的精准度。

技术领域

本文涉及石油钻井技术，尤指一种故障诊断模型训练方法和装置。

背景技术

石油钻机顶部驱动钻井装置(Top Drive Drilling System，顶驱)是二十世纪八十年代出现的一种新型钻井装备，该装备能从井架空间上部直接驱动钻柱并沿专用导轨向下送进，可完成旋转钻进、循环钻井液、接立根、上卸扣和倒划眼等多种钻井操作。顶驱的应用不仅提高了钻井速度，其最根本的优越性是在起下钻过程中，动力始终与钻具连在一起，遇阻、遇卡时可迅速旋转钻具，接通泥浆进行划眼作业，增加钻井作业的安全性。因此，顶部驱动钻井系统的出现大大提高了钻井作业的能力和效率，目前，在海洋钻井平台中被广泛的应用。

顶驱装置作为半潜式钻井平台的关键设备，其运转状况的好坏直接关系到钻井平台作业时效的高低，一旦发生故障，则会瘫痪整个钻井作业过程，造成严重的经济损失。因此，对于顶驱的状态监测，并及时的进行故障诊断有利于及时发现和解决顶驱故障，减少由于顶驱故障引起的作业停滞时间，可以提高海洋钻井平台的生产效益。

目前，顶驱状态监测与故障诊断技术主要面临以下两个问题：顶驱状态参数的选取和变工况带来的影响。首先，由于大量不同型号、不同类别传感器的布置导致所采集到的顶驱状态特征参数众多，极大增加了后续数据处理的难度；如果大范围减少传感器的数量，则难以确保采集的状态特征参数能够最大限度的描述顶驱的实时运转情况。其次，在不同的工况条件下(转速、载荷等不同)，传感器采集到的状态特征参数会产生较大的改变，从而影响故障诊断结果的准确性，现有技术的研究中，通常会假设设备运行处于恒定工况条件下，以此得到的结论存在较大的局限性，不能很好的反映真实的情况很难应用到实际的顶驱监测故障检测中。因此，如何选取能够尽可能描述顶驱运行状态的状态特征参数以及如何消除状态特征参数中变工况带来的影响是当下海洋平台顶驱故障检测急需解决的问题。

发明内容

本申请提供了一种故障诊断模型训练方法，可以选取能够尽可能描述顶驱运行状态的状态特征参数以及消除变工况的影响的状态特征参数，提高顶驱故障诊断的精度。

本申请提供了一种故障诊断模型训练方法，包括：

获取多条顶驱系统中的传感器所采集的顶驱系统的状态特征参数；其中，所述传感器在所述顶驱系统中的位置根据随机权重遗传算法确定；

利用冗余属性投影算法分别消除每条所采集的状态特征参数中的变工况特征参数；

将已消除变工况特征参数后的多条状态特征参数分别进行融合，获得多条融合后的状态特征参数；

对多条融合后的状态特征参数分别标注故障类型，得到训练数据；采用所述训练数据对预先建立的故障诊断模型进行训练。

一种示例性的实施例中，所述传感器在所述顶驱系统中的位置根据随机权重遗传算法确定的过程，包括：

创建顶驱系统实体模型；

对所述实体模型进行有限元分析，确定有限元模型；

利用所述有限元模型得到所述顶驱系统的多个模态向量；

根据所述多个模态向量采用随机权重遗传算法对传感器初始位置坐标进行调整，确定传感器最终位置坐标。

一种示例性的实施例中，所述对所述实体模型进行有限元分析，确定有限元模型，包括：