SOM-MQE的钻井泥浆泵健康状态评估

为了对钻井泥浆泵的运行状态进行分析与评估,提出了一种基于SOM-MQE的钻井泥浆泵健康状态评估方法,并通过实测数据验证了算法的可行性。首先,采用加速度传感器采集泥浆泵的振动信号,应用相关性滤波算法对原始振动信号进行滤波降噪,提高信噪比。其次,对滤波后的数据提取时域、频域和时频域特征;再对这些特征PCA降维处理,得到反映泥浆泵状态的主成分特征矢量。最后,将主成分特征矢量作为SOM-MQE评估模型的输入,构建SOM-MQE评价模型,并计算最小量化误差(MQE)值大小,利用钻井泥浆泵偏离其在无故障状态下的MQE值对其健康状态进行评估。现场试验结果表明,MQE值表征的运行状态与钻井泥浆泵实际运行状态相对应,准确率高达96.28%,MQE值可以用来评价钻井泥浆泵的健康状态。

桁架结构损伤识别的最小秩方法

在结构损伤的早期阶段,损伤往往集中发生在少数单元,损伤前后总体刚度矩阵差的秩较小。本文给出一种基于矩阵最小秩理论的计算方法,对损伤结构的模态力余量方程进行求解,反演得到总体刚度矩阵的变化量。数值试验表明,该方法对桁架结构的损伤可进行精确的定位和标定。

基于SOM-MQE模型的设备故障预警方法

借助机器学习算法进行设备故障预警是保证设备安全可靠运行的有效手段,但故障数据样本难以获取,成为相关设备推广应用的一大挑战。构建一种结合自组织映射网络(SOM)和最小量化误差(MQE)的SOM-MQE模型,提出基于SOM-MQE模型的设备故障预警方法。首先,划分训练集和测试集,用训练集的设备正常状态数据训练SOM模型;然后,将实时数据与SOM所有图元中的权值矢量作比较,根据MQE值确定设备的故障预警区间,从而判断设备是否需要故障预警。采用某航空发动机的全生命周期数据进行实验验证,表明SOM-MQE模型在进行发动机故障预警时能达到74.81%的准确率,满足在缺少明确故障标签数据的条件下设备故障预警准确率不低于70%的行业要求。SOM-MQE模型易于构建,检测速度快,适用于大多数实际工业场景。