為了對往復泵的故障進行正確診斷，提出了基于自適應小波神經網絡的往復泵故障診斷方法。以往復泵單個泵缸內的壓力信號作為系統特征信號采用小波變換來提取故障特征向量，同時將此特征向量作為小波神經網絡的輸入，利用小波神經網絡對故障做進一步的精確實時診斷。通過對往復泵液力端多故障診斷實例的檢驗表明：該系統故障診斷正確率達到了93%以上。

　　往復泵是石油礦場中的重要設備，在鉆井、驅油及壓裂等工藝中被廣泛應用，是一個復雜的機械系統。其液力端關鍵部件是泵閥組件，因其工況惡劣極易損壞，因此對其狀態進行監測與故障診斷，及時做出合理的維修保養決策具有重要意義。現有的故障診斷方法主要有：基于知識的方法; 基于信號處理的方法; 基于解析模型的方法。由于往復泵結構比較復雜，激勵源類型較多，受平衡力、不平衡慣性載荷和各種沖擊載荷的作用，不可能應用基于解析模型的方法來分析泵閥的工作狀態。但是，可以從測取的信號中提取故障特征向量，以此為依據進行故障診斷。

　　筆者提出以單個泵缸內的壓力作為系統特征信號，通過小波變換來提取故障特征向量，同時利用小波神經網絡對故障做進一步的精確實時診斷的方法。真空技術網(http://203scouts.com/)對小波神經網絡采用的優化算法是：在訓練過程中動量因子和學習率根據誤差大小進行自適應調整的梯度下降法，該方法可以提高學習速度并增加算法的可靠性。

1、用于泵閥故障診斷中的小波神經網絡

　　1.1、緊致型小波神經網絡結構*

　　小波神經網絡是基于小波分析而構造出的一類前饋網絡，它有兩種結合方式：松散型和緊致型。緊致型結合方式是將小波分解同前饋神經網絡進行直接融合，即將神經網絡的隱節點函數用小波函數代替，并將相應的輸出層到隱層的權值由小波函數的尺度所代替、輸出層到隱層的閾值由小波函數的平移系數所代替。緊致型小波神經網絡結構如圖1 所示。

圖1 緊致型小波神經網絡結構

結束語

　　筆者構造了緊致型小波神經網絡結構，根據小波神經網絡的特點，采用了變步長的小波自適應網絡算法，該算法中學習率、動量因子根據誤差大小進行自適應調節，既提高了收斂速度，又不存在局部極小問題。并將構造的小波神經網絡應用到往復泵的故障診斷中，正確率達到93% 以上。因此，基于自適應小波神經網絡的往復泵故障診斷方法是一種比較理想的故障診斷方法，具有一定的應用價值。