往復泵是油田鉆井、注水和壓裂等工藝中的重要設備，其工作條件十分惡劣，該設備能否正常運轉對油田安全生產十分重要，因此對其易損件，如泵閥、活塞-缸套副、柱塞-密封副等的狀態監測和趨勢預測，成為往復泵故障診斷的關鍵問題。主要研究了灰色-神經網絡預測方法在往復泵故障趨勢預測中的應用，結合實際案例，根據往復泵故障發展趨勢，針對其故障診斷與預測的難點，提出采用組合預測模型進行趨勢預測，相比采用單一模型預測方法，該組合模型具有較高的精度，對狀態監測工作有非常好的應用價值和實際意義。

　　往復泵是油田生產中的重要設備之一，每次出現故障都會對企業的安全生產造成巨大的影響。目前，國內外對往復泵狀態監測與趨勢預測多采用人工神經網絡、模糊預測等單一模型進行研究，由于單一的預測方法只能是在一定情況下、一定范圍內才有效，并不能充分利用全部的特征信息，因而常導致預測結果與真實值之間存在較大誤差。

　　本文主要研究灰色-神經網絡預測方法在往復泵故障趨勢預測中的應用，并結合實際案例，對比分析該組合預測方法相對單一模型預測的優勢，為組合預測方法在往復泵故障診斷和趨勢預測領域中的應用提供了有力的支持。

1、往復泵常見故障分析

　　高壓往復式注水泵主要由動力端、液力端、底座、電機、電控盤、潤滑等部件組成。由于構成部件多，結構較為復雜，在實際生產中經常發生各種類型的故障，根據發生部位可以分為以下幾個方面.

　　1.1、往復泵動力端

　　(1)轉軸:往復泵的轉軸為曲軸，曲軸是往復泵中結構和受力最復雜的構件之一，它不僅承受傳動軸傳來的扭矩，同時承受著三個連桿傳遞的阻力。

　　(2)滾動軸承:是旋轉的受力部件，承受徑向和軸向的負荷，在沖擊載荷下容易發生故障。而往復泵液力端的每次沖程都會施加沖擊載荷，所以是最易損壞的零件之一。

　　1.2、往復泵液力端

　　往復泵液力端常見故障見表1所示。

表1 往復泵液力端常見故障類型

2、灰色-神經網絡預測模型

　　往復泵是一個復雜的系統，時變性、隨機性、模糊性等多方面的因素致使系統振動變化異常復雜，用單一的預測方法難以在信息貧乏和不確定性條件下對設備運行狀態趨勢做出準確有效地分析。組合預測方法將各種預測方法的優缺點相互補充，取長補短，有效的利用了全部有用信息，最終達到提高預測精度的目的。但是，組合預測方法在機械故障診斷領域內的應用比較少。

　　灰色預測模型簡單實用，要求樣本數據少，能較好的預測振動變化的總體趨勢，但不適合逼近復雜的非線性函數，一般用于中長期預測。人工神經網絡具有良好的非線性映射能力，能較好的預測振動的波動趨勢，但需要具有足夠的隱節點也就是需要大量的樣本保證，一般適用于能取得較多樣本的短期預測。

　　2.1、并聯型組合模型

　　所謂并聯型組合模型是指利用灰色預測模型具有良好的增長特性的特點，對負荷的增長趨勢和總體變化趨勢進行預測，即對縱向歷史數據進行建模，同時利用神經網絡預測模型良好的非線性映射能力對負荷的波動趨勢進行預測，即對橫向歷史數據進行建模，最后根據最優化理論建立兼有兩者優點的綜合模型。本模型對于各自本身的建模程序不需要做太多的修改。但由于兩個模型相互獨立，所以該綜合模型不能消除原來兩個模型本身所固有的一些缺點(如圖1表示)。

圖1 灰色-神經網絡并聯型組合模型

　　2.2、串聯型組合模型

　　串聯型組合模型(如圖2所示)能夠更大限度的發揮灰色模型和人工神經網絡模型各自的特點。所謂串聯型綜合模型是指將灰色預測模型GM(1，1)的預測結果作為神經網絡預測模型的輸入，利用神經網絡強大的非線性映射功能在其輸出端得到精度更高的預測結果。

圖2 灰色-神經網絡串聯型組合模型

總結

　　本文分別采用灰色模型、神經網絡模型和灰色-神經網絡組合模型對往復泵的一組運行數據(振動有效值)進行趨勢預測，通過對比它們的預測結果，得出灰色-神經網絡模型有較高的預測精度和預測有效度，適用于往復式注水泵的狀態預測進行系統研究，該方法對油田安全生產有著重要的現實意義。