根据油田现场数据统计,由滚动轴承引起的故障占电机故障总数的近80%。作为旋转设备中不可或缺的部件,滚动轴承的状态往往决定该设备能否正常运转。塔里木油田哈得作业区丙烷机是生产工艺流程中的重要设备,其电机非驱动端轴承故障频发,对油田生产造成了重大影响。传统的方法难以准确预测电机未来运行状态,不利于油田提高油田设备维护和管理水平。基于上述问题,本文进行了如下几方面的研究:(1)建立了基于极限学习机(Extreme learning machine,ELM)的振动指标预测模型。分析了常用预测模型的优缺点,并建立了基于极限学习机的预测模型。对现场电机滚动轴承振动数据的有效值进行辨识和预测,与BP神经网络和支持向量机的预测结果相比,预测误差更小,表明了极限学习机预测模型在拟合和预测滚动轴承振动参数方面具有突出优势。(2)建立滚动轴承振动指标评价标准。选取时域、频域和小波包分解能量指标共16个作为电机非驱动端滚动轴承的振动评价指标,并结合其历史振动数据,给出了每个指标的评价标准。利用该振动标准对历史故障案例进行分析,分析结果与实际故障结果完全吻合,表明所建立的振动指标评价标准具有现场实用性。(3)基于极限学习机的滚动轴承预测技术研究。采用ELM预测模型对滚动轴承振动指标变化趋势进行预测,然后将预测的振动指标值与所建立的振动指标评价标准相结合进行分析,最终得到电机非驱动端的故障预测结果,经对比,与实际故障情况一致。因此,基于极限学习机的滚动轴承故障预测技术能较好地对设备未来运行状态进行预测评估,为油田设备维护管理提供有力支持。