基于图神经网络和集成学习的电动潜水泵电机故障诊断

ESP电机故障诊断通过整合MCSA与GNN的集成学习框架实现，采用滑动窗口和相似性图构建方法捕获信号时空特征，在 Bohai油田数据验证中准确率达96%，有效提升非计划停机预测和设备寿命延长。

　　

卢鑫|韩国清|王露婷|张庄庄|梁星源

中国石油大学（北京）石油工程学院，北京，中国

摘要

电动潜水泵（ESP）系统在确保高效石油生产中起着关键作用，尤其是在海上油田。然而，电动潜水泵电机的频繁故障（占所有ESP故障的一半以上）往往会导致重大的经济损失。为了解决这一挑战，本研究提出了一种新的故障诊断框架，该框架将电机电流信号分析（MCSA）与先进的机器学习技术相结合。通过使用图神经网络（GNN）设计了一种基于图的学习架构，以同时捕捉电流信号的时间和结构特征，并结合集成学习来提高鲁棒性和泛化能力。这种方法论设计为基于人工智能（AI）的信号处理和故障分类做出了重要贡献。基于这一创新，所提出的框架被应用于ESP电机的故障诊断。使用来自中国渤海油田的实际数据进行了验证，实验结果表明，该方法的诊断准确率为89.9%。这些发现表明，所提出的框架通过实现早期故障检测和预测性维护，提高了ESP系统的可靠性。通过MCSA从电机电流信号中学习代表性故障模式，并利用GNN准确识别初期故障，该方法能够及时做出维护决策，从而减少计划外停机并延长设备寿命。

引言

电动潜水泵（ESP）是石油工业中最广泛使用的人工提升技术之一，特别是在海上和高产量的生产井中。它们能够在高压和高流速条件下运行，这使得它们在现代油田开发中不可或缺。然而，ESP故障可能导致重大的经济损失，因为计划外停机、生产延误和昂贵的作业成本，尤其是在干预成本显著更高的海上油田（Al Mansoori等人；Yang等人，2022年；Vergara等人）。

在ESP系统的各种故障模式中，ESP电机被认为是最容易发生故障的组件之一。现场报告和可靠性研究经常指出，电机相关问题（如绕组绝缘击穿、轴承磨损和转子缺陷）是ESP系统停机的主要原因（Xiao和Lastrra，2018年；Xiao等人，2020年；Carpenter，2022年）。尽管ESP电机在确保泵持续运行方面至关重要，但目前的研究尚未充分关注其具体的故障机制。大多数现有研究倾向于关注泵端退化、电缆绝缘故障或地面控制系统故障，而专门为ESP电机故障设计的诊断方法已被运营商和供应商积极应用，但大多数现有方法在准确性、自动化、适应性和现场可扩展性方面仍存在局限性。井下操作环境（包括高温、高压和物理访问受限）进一步复杂化了ESP电机性能的实时监测，并增加了故障检测延迟的可能性。

为了克服侵入式检测的局限性，电机电流信号分析（MCSA）作为一种非侵入性和经济的ESP电机故障检测技术应运而生。MCSA依赖于分析在井口收集的电气信号（如相电流或电压），以推断电机内部的机械或电气异常（Thomson和Gilmore，2003年；Niu等人，2023年；Miljkovi?，2015年）。多项研究表明，MCSA在检测转子棒断裂、相位不平衡、轴承退化和气隙偏心等方面是可行的（Thomson和Fenger，2003年；Riera-Guasp等人，2010年；Haus等人，2013年）。然而，传统的MCSA方法通常依赖于时间域或频率域中的手工特征（如谐波含量、总谐波失真和统计矩），这些特征容易受到噪声的影响，并且可能无法在不同操作条件下泛化（Park等人，2021年；Yang等人，2024年）。

此外，传统方法在非稳态条件（如变速驱动、负载波动或部分故障）下的诊断性能显著下降。这些挑战引发了对数据驱动技术的兴趣，特别是深度学习，它可以提高特征提取和分类的准确性。使用卷积神经网络（CNN）、长短期记忆网络（LSTM）和自编码器的方法通过直接从原始信号中学习复杂表示，在ESP电机故障分类方面显示出强大的潜力（Min等人，2025年；Liu等人，2024年；Toma等人，2021年）。然而，这些方法仍存在局限性。许多深度学习模型无法捕捉电流信号中的时间动态，并且无法明确建模信号不同部分之间的结构关系，因为它们通常将数据作为静态输入进行处理（Xia等人，2023年）。此外，这些模型通常依赖于大型标记数据集，但由于某些ESP电机故障类型的罕见性，这些数据集难以获得（Self-Supervised Feature Learning for Motor，2024年）。最后，它们对未见操作条件的泛化能力往往不足，这引发了对其在实际应用中鲁棒性的担忧（Shi等人，2025年）。

最近，图神经网络（GNN）作为一种强大的结构化数据建模架构受到了关注，使它们特别适合将分段电流信号表示为图，其中节点对应于滑动窗口段，边编码相似性或时间邻接性（DSTN：Dynamic Spatio，2024年）。当与滑动窗口策略和基于K-最近邻（KNN）算法的相似性构建相结合时，GNN可以有效地捕捉信号空间中的时间依赖性和段间相关性（Liu等人，2023年）。这种双重能力直接解决了传统深度学习模型的局限性，使得在变速、负载波动和部分故障条件下进行更可靠的故障诊断成为可能。尽管具有潜力，但它们在ESP电机故障诊断中的应用仍需进一步探索。

本研究重点关注海上ESP系统中常见的七种代表性操作条件：健康状态（正常运行）；轴承BPFO（球通过频率外圈），表示外圈缺陷，会导致电流信号中的周期性冲击和频谱边带，如果不及时处理，会导致轴承卡住和计划外停机；断条，由转子导体断裂引起，产生不对称磁场和扭矩脉动，通常会导致严重过热和立即停产——这是海上作业中最昂贵的故障类型之一；对齐角度，表示电机和泵之间的轴角错位，产生机械不平衡并加速轴承磨损，通常会使系统寿命缩短20-30%；定子短路，部分绕组绝缘击穿，导致电流不平衡和局部过热，经常导致电机不可逆故障和整个泵的回收；联轴器故障，涉及联轴器的机械磨损或松动，引入扭转振荡和不规则的扭矩波动，增加维护频率；以及气体再溶解，一种异常的液压条件，其中夹带的气体在压力波动下逐渐重新溶解到生产流体中，导致负载不稳定和重复重启周期，从而降低运行效率。

为了解决这些不同故障类型带来的诊断挑战，开发了一种新的框架，该框架结合了电机电流信号分析（MCSA）、图神经网络（GNN）和集成学习。在这种方法中，原始电流信号经过预处理并通过滑动窗口分割转换为图结构，使GNN能够学习时间和关系依赖性。集成学习策略进一步提高了分类的鲁棒性和泛化能力。所提出的方法使用来自中国渤海油田的大规模实际数据集进行了验证，诊断准确率为96%，显著优于传统的MCSA和独立的深度学习模型。

部分摘录

理论基础

本文试图采用基于GNN的集成学习框架，该框架结合了GNN的时间-关系建模能力、集成策略的鲁棒性以及MCSA提供的领域特定诊断洞察力，以实现ESP电机的智能故障诊断。因此，本节介绍了基于GNN、MCSA和集成学习机制的故障诊断的理论基础。

方法论

所提出的方法结合了电机电流信号分析和基于集成的图神经网络，以实现ESP电机的准确和可靠的故障诊断。如图4所示，该过程从通过安装在渤海海上油田ESP电机系统地面控制柜上的霍尔传感器获取原始电流信号开始。这些传感器在正常运行和故障条件下连续记录三相电流波形。

实验和结果

为了验证和评估所提出的ESP故障诊断框架的有效性，我们使用来自渤海油田ESP故障数据库的现场数据进行了一系列实证研究。该数据集包含了来自多个海上生产井的全面操作和故障记录，涵盖了多种操作条件和故障类型。在我们的实验设置中，我们使用PyTorch 2.3.0框架进行深度学习模型的开发和训练。

结论

本研究开发了一个基于GNN的集成学习框架用于ESP电机故障诊断，并进行了一系列消融和鲁棒性实验以评估其有效性。在七项实验中，该框架始终优于基线模型，显示出卓越的分类准确性、在多种操作条件下的稳定性、对多种噪声类型的抵抗力以及来自滑动窗口和集成策略的明显性能提升。

作者贡献声明

卢鑫：撰写 – 审稿与编辑，撰写 – 原稿，可视化，数据整理。韩国清：方法论。王露婷：形式分析。张庄庄：验证。梁星源：调查，资金获取。

资金声明

本工作得到了中国石油大学（北京）科学基金会（编号：2462023YJRC019）的财政支持。

利益冲突声明

作者声明他们没有可能影响本研究结果或解释的竞争性财务或个人利益。本研究纯粹出于学术研究目的进行，没有任何商业或机构偏见。

致谢

作者衷心感谢中国石油大学（北京）石油与天然气生产技术实验室提供的技术支持和研究设施，这些支持对完成本工作至关重要。