使用封装加速度计与机器学习的潜水泵叶轮原位故障检测

油气作业中的立式涡轮泵依赖安装在电机上的加速度计进行状态监测。然而，这些传感器无法检测暴露于恶劣井下环境中的潜水叶轮的故障。我们提出了首个将封装加速度计直接安装在潜水叶轮 bowl 上的研究，实现了原位振动监测。使用具有 1 米油浸没深度的实验室规模泵装置，我们在正常和模拟故障条件下收集了振动数据。使用一套涵盖传统和深度学习方法的机器学习模型对数据进行分析，以评估传感器的有效性。叶轮安装式传感器实现了 91.3% 的平均准确率和 0.973 的 AUC-ROC，优于最佳的非潜水传感器。至关重要的是，封装未导致传感器性能出现统计学上显著的性能损失，证实了其在油浸没环境中的可行性。虽然实验室装置使用的是浅层浸没，但实际泵叶轮在地下数百米深处运行——远超表面安装式传感器的范围。这种首创的原位监测系统表明，为保护而封装同时保持诊断保真度的叶轮安装式传感器，能够可靠地检测关键潜水泵组件中的故障。通过捕获表面安装式传感器无法检测到的局部振动特征，该方法能够实现更早的故障检测，减少计划外停机时间，并优化油气作业中井下系统的维护。