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

Résumé Technique : Diagnostic de Défaillance des Pompes à Pétrole Dynamiques sans Tige à Base d'Eau via ISOMAP-GA

Énoncé du Problème
Les pompes à pétrole dynamiques sans tige à base d'eau offrent des avantages significatifs par rapport aux pompes traditionnelles à tige, notamment une meilleure efficacité, une réduction des coûts et l'élimination de l'usure tige-tube. Cependant, ces systèmes fonctionnent sous des conditions non linéaires, variables dans le temps et complexes, où les signaux de défaillance présentent une non-linéarité, une non-stationnarité et une redondance élevée. Les méthodes de diagnostic existantes font face à des limitations spécifiques : les systèmes experts manquent souvent de précision dans l'identification du type de défaillance ; les méthodes basées sur des équations cinématiques peinent avec la cartographie des paramètres sous un bruit élevé ; et les approches de la théorie fractale perdent leur capacité de différenciation lorsque les ratios de bruit dépassent 0,4. De plus, les algorithmes traditionnels d'apprentissage de variétés (manifold learning), bien qu'efficaces pour capturer les structures géométriques intrinsèques sans distribution de données prédéfinie, souffrent d'un pouvoir discriminatoire insuffisant, d'une sensibilité au bruit et aux valeurs aberrantes, d'une dépendance au tâtonnement manuel pour la sélection des paramètres clés et de coûts de calcul élevés sur de grands ensembles de données.

Méthodologie
L'article propose un cadre de diagnostic de défaillance qui intègre l'apprentissage de variétés ISOMAP (Isometric Mapping) avec un Algorithme Génétique (GA) pour une optimisation globale. La méthodologie se déroule selon les étapes suivantes :

1. Acquisition de Données et Extraction de Caractéristiques :

   • Les données sont collectées à partir d'un banc d'essai de simulation de défaillance équipé de capteurs mesurant la pression d'entrée d'huile, le débit du fluide moteur, le débit du fluide produit, la température de sortie, le déplacement du cylindre et les signaux de vibration.
   • Les signaux de vibration bruts sont débruités.
   • Un vecteur de caractéristiques de dimension 20 est construit pour chaque échantillon, comprenant 13 caractéristiques temporelles (ex: RMS, valeur crête à crête) et 7 caractéristiques fréquentielles (ex: fréquence moyenne, stabilité du pic spectral).
   • Quatre catégories de défaillances sont définies : Fonctionnement normal, Obstruction de la sortie d'huile, Fuite du fluide moteur et Obstruction de la vanne fixe.

2. Apprentissage de Variétés Comparatif :

   • Des expériences initiales ont comparé ISOMAP, LLE (Locally Linear Embedding) et les cartes propres de Laplacien (LE).
   • Les résultats ont indiqué que si le LLE préserve les voisinages locaux, il perd les corrélations à longue portée ; le LE compresse excessivement l'espace des caractéristiques, réduisant la discrimination inter-classes. ISOMAP a été sélectionné comme méthode de base pour sa capacité à préserver la structure topologique globale et à former des clusters distincts pour différents modes de défaillance.

3. Optimisation Collaborative ISOMAP-GA :

   • Pour remédier à la dépendance d'ISOMAP vis-à-vis du réglage manuel des paramètres et à sa sensibilité au bruit, un algorithme génétique est employé pour optimiser le processus ISOMAP.
   • Encodage : Le GA utilise un encodage en nombres réels pour les chromosomes représentant la taille du voisinage ($k$), la dimension de réduction de dimension ($d$), le poids de la distance géodésique ($w$) et un masque de filtrage de caractéristiques.
   • Fonction de Fitness : Une fonction multi-objectif ($F$) est construite pour équilibrer la séparabilité des caractéristiques ($J$), l'efficacité computationnelle ($T$) et la corrélation de la signification physique ($P$), pondérée comme suit : $F = 0,6J + 0,2T + 0,2P$.
   • Processus d'Optimisation : Le GA effectue la sélection (roue de la fortune avec rétention d'élite), le croisement (arithmétique, $p=0,8$) et la mutation (gaussienne, $p=0,1$) pour trouver les paramètres optimaux qui maximisent la distance entre les classes de défaillance tout en minimisant la variance intra-classe.

4. Classification :

   • Les caractéristiques de variété de faible dimension optimisées sont injectées dans un classifieur K-Plus Proches Voisins (KNN) pour la reconnaissance finale du mode de défaillance.

Contributions Clés

• Intégration Algorithmique : L'article introduit un modèle synergique où un algorithme génétique automatise la sélection des paramètres clés d'ISOMAP ($k$ et $d$) et optimise les sous-ensembles de caractéristiques, éliminant ainsi le besoin de tâtonnements manuels.
• Pouvoir Discriminatoire Accru : En optimisant la distance inter-classe maximale et la distance intra-classe minimale, la méthode améliore considérablement la séparabilité des caractéristiques de défaillance dans l'espace de faible dimension par rapport à l'ISOMAP standard.
• Robustesse : L'intégration des contraintes de mécanisme de défaillance dans la fonction de fitness et la sélection de caractéristiques résistantes au bruit renforcent la stabilité de la méthode face au bruit industriel et aux valeurs aberrantes.

Résultats Expérimentaux

• Séparabilité des Caractéristiques : L'indice de séparabilité des caractéristiques de défaillance optimisé ($J$) est passé de 2,3141 (non optimisé) à 79,7555, ce qui représente une amélioration d'environ 33,5 fois.
• Performance de Clustering : Dans l'espace de variété 2D, les quatre catégories de défaillance (Normal, Fuite, Obstruction de Sortie, Obstruction de Vanne) forment des clusters compacts et indépendants avec des frontières claires et aucun chevauchement significatif.
• Précision du Diagnostic : Combinée avec un classifieur KNN, la méthode proposée a atteint une précision de diagnostic de défaillance de 94,44 %.
• Analyse de la Matrice de Confusion : La matrice de confusion a indiqué que tous les échantillons ont été correctement classés sans aucune erreur de classification inter-classes, démontrant la fiabilité de la méthode pour la reconnaissance de modes de défaillance multiples.

Signification et Revendications
L'article affirme que la méthode ISOMAP-GA proposée constitue une solution efficace pour le diagnostic intelligent des défaillances des unités de pompage à pétrole sans tige à base d'eau. Elle répond aux défis spécifiques des signaux de défaillance de haute dimension, non linéaires et bruités inhérents à ces systèmes. Les auteurs soutiennent que la méthode offre de fortes capacités anti-interférences et une applicabilité technique, car elle ne nécessite aucun réglage manuel complexe et maintient une stabilité de calcul. En atteignant une haute précision de diagnostic et une visualisation claire des caractéristiques, l'étude fournit un support technique fiable pour la surveillance de l'état et la maintenance des équipements de pompage sans tige dans les environnements pétroliers.