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

Sintesi Tecnica: Diagnosi dei Guasti delle Pompe d'Olio Dinamiche Rodless a Base Acquosa tramite ISOMAP-GA

Definizione del Problema
Le pompe d'olio dinamiche rodless (senza asta) a base acquosa offrono vantaggi significativi rispetto alle tradizionali pompe con asta, tra cui una maggiore efficienza, una riduzione dei costi e l'eliminazione dell'usura tubo-asta. Tuttavia, questi sistemi operano in condizioni non lineari, variabili nel tempo e complesse, dove i segnali di guasto presentano non linearità, non stazionarietà e un'alta ridondanza. I metodi diagnostici esistenti affrontano limitazioni specifiche: i sistemi esperti spesso mancano di una precisa identificazione del tipo di guasto; i metodi basati su equazioni cinematiche faticano nella mappatura dei parametri sotto l'effetto di un elevato rumore; e gli approcci basati sulla teoria frattale perdono capacità di differenziazione quando i rapporti di rumore superano lo 0,4. Inoltre, gli algoritmi tradizionali di apprendimento dei manifold, pur essendo efficaci nel catturare strutture geometriche intrinseche senza distribuzioni di dati preimpostate, soffrono di un potere discriminativo insufficiente, sensibilità al rumore e agli outlier, dipendenza dal tentativi ed errori manuali per la selezione dei parametri chiave e alti costi computazionali su grandi dataset.

Metodologia
Il documento propone un framework di diagnosi dei guasti che integra l'apprendimento dei manifold ISOMAP (Isometric Mapping) con un Algoritmo Genetico (GA) per l'ottimizzazione globale. La metodologia si articola nelle seguenti fasi:

1. Acquisizione dei Dati e Estrazione delle Caratteristiche:

   • I dati sono raccolti da un banco di prova per la simulazione dei guasti dotato di sensori che misurano la pressione in ingresso dell'olio, la portata del fluido di potenza, la portata del fluido prodotto, la temperatura in uscita, lo spostamento del cilindro e i segnali di vibrazione.
   • I segnali di vibrazione grezzi vengono denoisati.
   • Viene costruito un vettore di caratteristiche a 20 dimensioni per ogni campione, composto da 13 caratteristiche nel dominio del tempo (es. RMS, valore picco-picco) e 7 caratteristiche nel dominio della frequenza (es. frequenza media, stabilità del picco spettrale).
   • Sono state definite quattro categorie di guasto: Funzionamento normale, Ostruzione dell'uscita dell'olio, Perdita del fluido di potenza e Ostruzione della valvola fissa.

2. Apprendimento Comparativo dei Manifold:

   • Esperimenti iniziali hanno confrontato ISOMAP, LLE (Locally Linear Embedding) e LE (Laplacian Eigenmaps).
   • I risultati hanno indicato che, mentre LLE preserva i vicinati locali, perde le correlazioni a lungo raggio; LE comprime eccessivamente lo spazio delle caratteristiche, riducendo la discriminazione inter-classe. ISOMAP è stato selezionato come metodo base per la sua capacità di preservare la struttura topologica globale e formare cluster distinti per diversi modi di guasto.

3. Ottimizzazione Collaborativa ISOMAP-GA:

   • Per affrontare la dipendenza di ISOMAP dalla sintonizzazione manuale dei parametri e la sua sensibilità al rumore, viene impiegato un Algoritmo Genetico per ottimizzare il processo ISOMAP.
   • Codifica: Il GA utilizza la codifica a numeri reali per i cromosomi che rappresentano la dimensione del vicinato ($k$), la dimensione di riduzione della dimensionalità ($d$), il peso della distanza geodetica ($w$) e una maschera di screening delle caratteristiche.
   • Funzione di Fitness: Viene costruita una funzione multi-obiettivo ($F$) per bilanciare la separabilità delle caratteristiche ($J$), l'efficienza computazionale ($T$) e la correlazione del significato fisico ($P$), pesata come $F = 0,6J + 0,2T + 0,2P$.
   • Processo di Ottimizzazione: Il GA esegue la selezione (ruota della fortuna con ritenzione dell'élite), il crossover (aritmetico, $p=0,8$) e la mutazione (gaussiana, $p=0,1$) per trovare i parametri ottimali che massimizzino la distanza tra le classi di guasto minimizzando al contempo la varianza intra-classe.

4. Classificazione:

   • Le caratteristiche del manifold a bassa dimensione ottimizzate vengono inserite in un classificatore K-Nearest Neighbors (KNN) per il riconoscimento finale del modo di guasto.

Contributi Chiave

• Integrazione Algoritmica: Il documento introduce un modello sinergico in cui un Algoritmo Genetico automatizza la selezione dei parametri chiave di ISOMAP ($k$ e $d$) e ottimizza i sottoinsiemi di caratteristiche, eliminando la necessità di tentativi ed errori manuali.
• Potere Discriminativo Potenziato: Ottimizzando la massima distanza inter-classe e la minima distanza intra-classe, il metodo migliora significativamente la separabilità delle caratteristiche di guasto nello spazio a bassa dimensione rispetto allo standard ISOMAP.
• Robustezza: L'integrazione dei vincoli del meccanismo di guasto nella funzione di fitness e la selezione di caratteristiche resistenti al rumore aumentano la stabilità del metodo contro il rumore industriale e gli outlier.

Risultati Sperimentali

• Separabilità delle Caratteristiche: L'indice di separabilità delle caratteristiche di guasto ottimizzato ($J$) è aumentato da 2,3141 (non ottimizzato) a 79,7555, rappresentando un miglioramento di circa 33,5 volte.
• Prestazioni di Clustering: Nello spazio del manifold 2D, le quattro categorie di guasto (Normale, Perdita, Ostruzione Uscita, Ostruzione Valvola) hanno formato cluster compatti e indipendenti con confini chiari e nessuna sovrapposizione significativa.
• Accuratezza della Diagnosi: Combinato con un classificatore KNN, il metodo proposto ha raggiunto un'accuratezza di diagnosi dei guasti del 94,44%.
• Analisi della Matrice di Confusione: La matrice di confusione ha indicato che tutti i campioni sono stati classificati correttamente senza misclassificazioni tra le classi, dimostrando l'affidabilità del metodo nel riconoscimento di modalità di guasto multiple.

Significato e Rivendicazioni
Il documento afferma che il metodo ISOMAP-GA proposto fornisce una soluzione efficace per la diagnosi intelligente dei guasti delle unità di pompaggio d'olio rodless a base acquosa. Esso affronta le sfide specifiche dei segnali di guasto ad alta dimensionalità, non lineari e rumorosi inerenti a questi sistemi. Gli autori sostengono che il metodo offre forti capacità anti-interferenza e applicabilità ingegneristica, poiché non richiede complessa sintonizzazione manuale dei parametri e mantiene la stabilità computazionale. Raggiungendo un'elevata accuratezza diagnostica e una chiara visualizzazione delle caratteristiche, lo studio fornisce un supporto tecnico affidabile per il monitoraggio delle condizioni e la manutenzione delle apparecchiature di pompaggio d'olio rodless negli ambienti petroliferi.