Research on Fault Diagnosis of Water-Based Dynamic Rodless Oil Pumping Machine Based on Manifold Learning and Genetic Algorithm

Resumen Técnico: Diagnóstico de Fallas de Bombas de Aceite Sin Vástago Dinámicas Basadas en Agua mediante ISOMAP-GA

Planteamiento del Problema
Las bombas de aceite sin vástago dinámicas basadas en agua ofrecen ventajas significativas sobre las bombas tradicionales con vástago, incluyendo una mayor eficiencia, reducción de costos y la eliminación del desgaste entre el vástago y el tubo. Sin embargo, estos sistemas operan bajo condiciones no lineales, variables en el tiempo y complejas, donde las señales de falla exhiben no linealidad, no estacionariedad y alta redundancia. Los métodos de diagnóstico existentes enfrentan limitaciones específicas: los sistemas expertos suelen carecer de una identificación precisa del tipo de falla; los métodos basados en ecuaciones cinemáticas tienen dificultades con el mapeo de parámetros bajo altos niveles de ruido; y los enfoques de la teoría fractal pierden diferenciación cuando las relaciones de ruido superan el 0.4. Además, los algoritmos tradicionales de aprendizaje de variedades (manifold learning), aunque efectivos para capturar estructuras geométricas intrínsecas sin distribuciones de datos preestablecidas, sufren de un poder discriminativo insuficiente, sensibilidad al ruido y valores atípicos, dependencia de la prueba y error manual para la selección de parámetros centrales y altos costos computacionales en grandes conjuntos de datos.

Metodología
El artículo propone un marco de diagnóstico de fallas que integra el aprendizaje de variedades ISOMAP (Isometric Mapping) con un Algoritmo Genético (GA) para la optimización global. La metodología avanza a través de las siguientes etapas:

1. Adquisición de Datos y Extracción de Características:

   • Los datos se recolectan de un banco de pruebas de simulación de fallas equipado con sensores que miden la presión de entrada de aceite, el flujo de fluido de potencia, el flujo de fluido producido, la temperatura de salida, el desplazamiento del cilindro y señales de vibración.
   • Las señales de vibración originales son sometidas a un proceso de reducción de ruido (denoising).
   • Se construye un vector de características de 20 dimensiones para cada muestra, compuesto por 13 características en el dominio del tiempo (ej. RMS, valor pico a pico) y 7 características en el dominio de la frecuencia (ej. frecuencia promedio, estabilidad del pico espectral).
   • Se definen cuatro categorías de falla: Operación normal, Bloqueo de la salida de aceite, Fuga de fluido de potencia y Bloqueo de válvula fija.

2. Aprendizaje de Variedades Comparativo:

   • Experimentos iniciales compararon ISOMAP, Locally Linear Embedding (LLE) y Laplacian Eigenmaps (LE).
   • Los resultados indicaron que, mientras que LLE preserva los vecindarios locales, pierde las correlaciones de largo alcance; LE comprime excesivamente el espacio de características, reduciendo la discriminación entre clases. Se seleccionó ISOMAP como el método base por su capacidad para preservar la estructura topológica global y formar grupos (clusters) distintos para diferentes modos de falla.

3. Optimización Colaborativa ISOMAP-GA:

   • Para abordar la dependencia de ISOMAP hacia el ajuste manual de parámetros y su sensibilidad al ruido, se emplea un Algoritmo Genético (GA) para optimizar el proceso ISOMAP.
   • Codificación: El GA utiliza codificación de números reales para los cromosomas que representan el tamaño del vecindario ($k$), la dimensión de reducción de dimensionalidad ($d$), el peso de la distancia geodésica ($w$) y una máscara de filtrado de características.
   • Función de Aptitud (Fitness Function): Se construye una función multiobjetivo ($F$) para equilibrar la separabilidad de características ($J$), la eficiencia computacional ($T$) y la correlación de significado físico ($P$), ponderada como $F = 0.6J + 0.2T + 0.2P$.
   • Proceso de Optimización: El GA realiza selección (rueda de la fortuna con retención de élite), cruce (aritmético, $p=0.8$) y mutación (gaussiana, $p=0.1$) para encontrar los parámetros óptimos que maximicen la distancia entre las clases de falla mientras minimizan la varianza intra-clase.

4. Clasificación:

   • Las características de la variedad de baja dimensión optimizadas se introducen en un clasificador de K-Vecinos Más Cercanos (KNN) para el reconocimiento final del modo de falla.

Contribuciones Clave

• Integración Algorítmica: El artículo introduce un modelo sinérgico donde un Algoritmo Genético automatiza la selección de los parámetros centrales de ISOMAP ($k$ y $d$) y optimiza los subconjuntos de características, eliminando la necesidad de prueba y error manual.
• Poder Discriminativo Mejorado: Al optimizar para la máxima distancia inter-clase y la mínima distancia intra-clase, el método mejora significamente la separabilidad de las características de falla en el espacio de baja dimensión en comparación con el ISOMAP estándar.
• Robustez: La integración de restricciones de mecanismos de falla en la función de aptitud y la selección de características resistentes al ruido mejoran la estabilidad del método frente al ruido industrial y los valores atípicos.

Resultados Experimentales

• Separabilidad de Características: El índice de separabilidad de características de falla optimizado ($J$) aumentó de 2.3141 (no optimizado) a 79.7555, lo que representa una mejora de aproximadamente 33.5 veces.
• Desempeño de Agrupamiento (Clustering): En el espacio de variedad 2D, las cuatro categorías de falla (Normal, Fuga, Bloqueo de Salida, Bloqueo de Válvula) formaron grupos compactos e independientes con límites claros y sin superposición significativa.
• Precisión de Diagnóstico: Al combinarse con un clasificador KNN, el método propuesto alcanzó una precisión de diagnóstico de fallas del 94.44%.
• Análisis de la Matriz de Confusión: La matriz de confusión indicó que todas las muestras fueron clasificadas correctamente sin errores de clasificación entre clases, demostrando la confiabilidad del método en el reconocimiento de modos de falla múltiples.

Significancia y Reivindicaciones
El artículo sostiene que el método ISOMAP-GA propuesto proporciona una solución efectiva para el diagnóstico inteligente de fallas de unidades de bombeo de aceite sin vástago basadas en agua. Aborda los desafíos específicos de las señales de falla de alta dimensión, no lineales y ruidosas inherentes a estos sistemas. Los autores afirman que el método ofrece capacidades de anti-interferencia fuertes y aplicabilidad de ingeniería, ya que no requiere un ajuste manual complejo de parámetros y mantiene la estabilidad computacional. Al lograr una alta precisión de diagnóstico y una visualización clara de las características, este estudio proporciona un soporte técnico confiable para el monitoreo de condición y mantenimiento de los equipos de bombeo de aceite sin vástago en entornos petroleros.