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

Technische Samenvatie: Foutdiagnose van watergebaseerde dynamische roedelloze oliepompmachines via ISOMAP-GA

Probleemstelling
Watergebaseerde dynamische roedelloze oliepompmachines bieden aanzienlijke voordelen ten opzjen van traditionele roede-type pompen, waaronder verbeterde efficiëntie, lagere kosten en de eliminatie van roede-buis slijtage. Deze systemen werken echter onder complexe, tijdvariërende nietlineaire omstandigheden waarbij foutsignalen kenmerken vertonen van nonlineariteit, niet-stationariteit en hoge redundantie. Bestaande diagnostische methoden kampen met specifieke beperkingen: expertsystemen missen vaak nauwkeurige identificatie van fouttypen; op kinematische vergelijkingen gebaseerde methoden hebben moeite met parametermapping onder hoge ruis; en fractale theorie-benaderingen verliezen differentiatievermogen wanneer de ruisratio groter is dan 0,4. Traditionele manifold learning-algoritmen, hoewel effectief in het vastleggen van intrinsieke geometrische structuren zonder vooraf ingestelde datadistributies, lijden aan onvoldoende onderscheidend vermogen, gevoeligheid voor ruis en uitschieters, afhankelijkheid van handmatige trial-and-error voor de selectie van kernparameters en hoge computationele kosten bij grote datasets.

Methodologie
Het artikel stelt een foutdiagnoseframework voor dat ISOMAP (Isometric Mapping) manifold learning integreert met een Genetisch Algoritme (GA) voor globale optimalisatie. De methodologie verloopt via de volgende fasen:

1. Data-acquisitie en Kenmerkextractie:

   • Data wordt verzameld van een testbank voor foutsimulatie, uitgerust met sensoren die olie-inlaatdruk, krachtvloeistofstroom, geproduceerde vloeistofstroom, uitlaattemperatuur, cilinderverplaatsing en vibratiesignalen meten.
   • Ruwe vibratiesignalen worden gedenoised.
   • Een 20-dimensionale featurevector wordt geconstrueerd voor elke sample, bestaande uit 13 tijdsdomein-kenmerken (bijv. RMS, piek-tot-piek waarde) en 7 frequentiedomein-kenmerken (bijv. gemiddelde frequentie, spectrale piekstabiliteit).
   • Vier foutcategorieën zijn gedefinieerd: Normale werking, Blokkade van de olie-uitlaat, Lekkage van de krachtvloeistof en Blokkade van de vaste klep.

2. Vergelijkende Manifold Learning:

   • Initiële experimenten vergeleken ISOMAP, Locally Linear Embedding (LLE) en Laplacian Eigenmaps (LE).
   • Resultaten gaven aan dat terwijl LLE lokale buurten behoudt, het lange-afstandscorrelaties verliest; LE comprimeert de featureruimte excessief, wat de inter-klasse discriminatie vermindert. ISOMAP werd gekozen als de basismethode vanwege het vermogen om de globale topologische structuur te behouden en duidelijke clusters te vormen voor verschillende foutmodi.

3. ISOMAP-GA Collaboratieve Optimalisatie:

   • Om de afhankelijkheid van handmatige parametertuning en de gevoeligheid voor ruis van ISOMAP aan te pakken, wordt een Genetisch Algoritme ingezet om het ISOMAP-proces te optimaliseren.
   • Codering: De GA gebruikt real-number encoding voor chromosomen die de buurtgrootte ($k$), de dimensie van de dimensionaliteitsreductie ($d$), het gewicht van de geodetische afstand ($w$) en een feature-screening mask representeren.
   • Fitnessfunctie: Een multi-objectieve functie ($F$) wordt geconstrueerd om de balans te vinden tussen feature-scheidbaarheid ($J$), computationele efficiëntie ($T$) en de correlatie met fysieke betekenis ($P$), gewogen als $F = 0,6J + 0,2T + 0,2P$.
   • Optimalisatieproces: De GA voert selectie uit (roulette wheel met elite retentie), crossover (arithmetisch, $p=0,8$) en mutatie (Gaussiaans, $p=0,1$) uit om de optimale parameters te vinden die de afstand tussen foutklassen maximaliseren en de intra-klasse variantie minimaliseren.

4. Classificatie:

   • De geoptimaliseerde laag-dimensionale manifold-features worden ingevoerd in een K-Nearest Neighbors (KNN) classifier voor de uiteindelijke foutmodusherkenning.

Belangrijkste Bijdragen

• Algoritmische Integratie: Het artikel introduceert een synergetisch model waarbij een Genetisch Algoritme automatisch de selectie van ISOMAP-kernparameters ($k$ en $d$) automatiseert en feature-subsets optimaliseert, waardoor de noodzaak voor handmatige trial-and-error wordt geëlimineerd.
• Verbeterd Onderscheidend Vermogen: Door te optimaliseren voor maximale inter-klasse afstand en minimale intra-klasse afstand, verbetert de methode de scheidbaarheid van foutkenmerken in de laag-dimensionale ruimte aanzienlijk vergeleken met standaard ISOMAP.
• Robuustheid: De integratie van foutmechanisme-beperkingen in de fitnessfunctie en de selectie van ruisbestendige kenmerken versterkt de stabiliteit van de methode tegen industriële ruis en uitschieters.

Experimentele Resultaten

• Feature Scheidbaarheid: De geoptimaliseerde fout-feature scheidbaarheidsindex ($J$) steeg van 2,3141 (niet-geoptimaliseerd) naar 79,7555, wat een verbetering betekent van ongeveer 33,5 keer.
• Clustering Prestaties: In de 2D manifold-ruimte vormden de vier foutcategorieën (Normaal, Lekkage, Uitlaatblokkade, Klepblokkade) compacte, onafhankelijke clusters met duidelijke grenzen en zonder significante overlap.
• Diagnostische Nauwkeurigheid: In combinatie met een KNN-classifier bereikte de voorgestelde methode een foutdiagnose-nauwkeurigheid van 94,44%.
• Verwarringsmatrix Analyse: De verwarringsmatrix gaf aan dat alle samples correct werden geclassificeerd zonder cross-klasse misclassificaties, wat de betrouwbaarheid van de methode bij multi-foutmodusherkenning aantoont.

Betekenis en Claims
Het artikel claimt dat de voorgestelde ISOMAP-GA methode een effectieve oplossing biedt voor de intelligente foutdiagnose van watergebaseerde roedelloze oliepompeenheden. Het adresseert de specifieke uitdagingen van hoog-dimensionale, nietlineaire en ruisgevoelige foutsignalen die inherent zijn aan deze systemen. De auteurs stellen dat de methode sterke anti-interferentiecapaciteiten en technische toepasbaarheid biedt, aangezien het geen complexe handmatige parametertuning vereist en computationele stabiliteit behoudt. Door een hoge diagnostische nauwkeurigheid en heldere feature-visualisatie te bereiken, biedt de studie betrouwbare technische ondersteuning voor de conditiebewaking en het onderhoud van roedelloze oliepomputrustage in olieveldomgevingen.