背景

压裂泵是油田注水、压裂、酸化等提高油层产量和采收率的重要措施设备，在各油气田都广泛使用。如图所示为压裂泵（五缸），压裂泵原理即通过向井内注入高压的压裂流体，把地层压裂开，产生裂缝，增加油井产量。

针对压裂施工的工况，要求压裂泵具备压力高、排量大、耐腐蚀及耐磨性强的特点，这使得压裂泵的零部件容易磨损，需要频繁更换。 如果能够迅速定位故障部件，在现场就可以有针对性地进行维修或者更换，提高装备使用效率，可以节省大量因返厂导致的维修费用总成等部件组成。但在实际过程中，由于实验条件限制（如该设备一般只能产生正常状况下的数据等）导致故障特征不显著，无法进行故障检测与诊断。因此，为了分析该设备的故障情况，借助机理和设备参数设计仿真实验，建立带故障注入的 Simulink 仿真模型，合成的正常与故障数据，为数据驱动的故障诊断模型提供训练数据。

解决方案

压裂泵设备关键部件故障类型有泄漏、堵塞、泄漏加堵塞三种。因此在仿真中，对压裂泵注入：吸入口泄漏、吸入口堵塞、吸入口泄漏叠加堵塞三种故障。创建的压裂泵 Simulink 仿真如下图所示（单个缸），红色标记地方为故障注入处。

在多次仿真实验中加入随机噪声，得到压裂泵设备在泄漏、堵塞、泄漏加堵塞和正常运行状态下的仿真高频流量数据。如下图所示，为泄露故障的一次仿真数据。

并通过数据挖掘分析进行特征值提取，采用决策树的方法建立压裂机组系统关键部件故障诊断系统模型，实现对压裂泵设备关键部件故障自动诊断。

预期效果

以压裂泵排出口的流量数据进行时域、频域分析，故障类别为标签数据，基于上述解决方案提取关键特征，并通过决策树模型进行训练，得到的决策树树图如下所示。从图中可以很清晰地看到决策规则，模型的解释性强。

对预测的结果和真实结果作比较，得到的混淆矩阵热力图如下所示（normal:正常；leak:泄漏；block:堵塞；leak_block:泄漏+堵塞）。混淆矩阵的对角线上数值越大说明模型预测效果越好，非对角线的数值越大说明预测效果越差。从图中可以看到模型预测准确率达到 99%。因此，通过预测压裂泵故障类别能够迅速定位部件的故障，在现场就可以有针对性地进行维修或者更换，提高装备使用效率。