Fault diagnosis of drilling for oil bearing based on sample entropy and neural network Ding LiMing He g Li Bao
Abstract: when the bearing is in malfunction, nonlinear signals will produce then. So in this paper using a nonlinear dynamic method—sample entropy process the signals, extract features of different kinds of work condition. At last using the NN make classification and prediction and the result is well. Keywords: fault diagnosis, approximation entropy, sample entropy, neural network 1、背景介绍 目前滚动轴承的故障诊断技术主要有震动诊断技术、声学诊断技术、温度诊断技术、油膜电阻诊断技术和光纤诊断技术等。其中对滚动轴承进行状态检测和故障诊断经常使用的是震动分析，因为轴承震动信号携带了丰富的运行状态信息，对早期的故障十分敏感，在故障发生过程中，其动力学特性往往呈现出复杂性和非线性，震动信号也随之表现为非平稳性。随着上世纪八十年代非线性动力学的发展，一些非线性动力学方法在各个方面得到了应用，在故障诊断方面的应用也取得了良好的效果。本文采用一种近似熵的改进算法——样本熵来处理信号，提取特征量。与其他的非线性动力学方法（李雅普诺夫指数，信息熵，关联维数，K熵）相比样本熵和近似熵一样具有以下的特点： 1）只需要较短的数据就能得到比较稳定的估计值，所需要的数据点大致是100～5000之间，一般是1000点左右。 2）有较好的抗噪声和干扰的能力，特别是对偶尔产生的瞬态强干扰有较好承受能力。 3）不论信号是随机的或是确定的都可以使用，因此也可以用于由随机成分和确定性组成的混合信号。当两者比例不同时近似熵值也不同。这些优点使得近似熵和样本熵分析成为分析非线性时间序列的良好工具，并取得了较好的效果。与近似熵相比，样本熵的数据长度的依赖性弱，在大的数值范围内表现出很好的一致性。 本课题是华东石油设计院针对钻井油田的轴承故障诊断项目而提出的。轴承作为石油钻井平台的关键部件，如果一旦发生故障，则会使整个设备停止生产甚至会损坏某些其它部件，这将使维修设备的时间大大增加，造成严重的经济损失，因此研制和开发出一套对整个轴承进行预期故障诊断的系统就显得很重要，这样就能够在轴承发生故障前发出预警信号，提前对将要发生故障的轴承进行维修或更换，以缩短停工停产时间和减小维修费用，从而使钻井石油生产损失减少到Z少。另外据统计，在现场实际故障中30%是由滚动轴承造成的，所以对轴承的故障诊断具有很重要的意义。 2、算法描述
