一种基于多尺度卷积神经网络的抽油机故障诊断方法技术

本发明专利技术公开了一种基于多尺度卷积神经网络的抽油机故障诊断方法，传统故障诊断方法存在依赖于人工选择特征，计算复杂，准确率不高的问题，现有的应用于抽油机故障诊断的深度神经网络均是在单通路内完成的，滤波器的尺寸在每一层都是单一设置的，限制了参数的灵活性。以多尺度卷积块为核心结构，提出了一种基于多尺度卷积神经网络的抽油机故障诊断方法。该方法，避免了传统故障诊断方法复杂的特征工程以及特征选择的不确定性对故障识别准确率的影响，同时，该方法能够提取到示功图更加丰富、有效的全局和局部特征，提高故障诊断准确率。

A Fault Diagnosis Method for Pumping Units Based on Multiscale Convolutional Neural Network

【技术实现步骤摘要】
一种基于多尺度卷积神经网络的抽油机故障诊断方法
本专利技术涉及抽油机故障诊断技术，具体涉及一种基于多尺度卷积神经网络的抽油机故障诊断方法。
技术介绍
有杆抽油机广泛应用于我国石油工业中。目前，使用最为广泛的有杆抽油泵故障诊断方法是利用示功图数据进行分析。现在主要的示功图诊断方法是对示功图进行特征提取，利用不变矩、Freeman链码、灰度矩阵等方法对示功图进行分析，提取能够有效反映抽油泵工况的特征向量，再结合BP神经网络、支持向量机(SVM)等诊断模型进行诊断。这些故障诊断方法，都依赖于人工选择特征，计算复杂，故障识别准确率不高。随着深度学习的发展，其强大的特征学习能力和分类能力引起广泛的关注。一些深度学习方法逐渐应用于有杆抽油机的故障诊断。使用深度置信网络对示功图进行自动特征提取，避免了复杂的特征提取过程，提高了识别精度和速度；利用改进的Alexnet网络在正常、充不满、气体影响、抽油杆断四种工况识别上取得了很好的识别效果；使用卷积神经网络(CNN)对示功图实现自动提取特征，再利用SVM作为分类器进行故障识别，这些方法在示功图故障诊断上，相比于传统的故障诊断方法体现出了优异性。但是，本文档来自技高网...

【技术保护点】
1.一种基于多尺度卷积神经网络的抽油机工况诊断方法，其特征在于包括以下步骤：步骤1：收集悬点位移和载荷数据，对原始数据进行预处理，根据网络模型对输入数据尺寸的要求，绘制示功图；步骤2：为示功图数据制作标签，以0～x的正整数来表示x‑1类示功图的标签，并将其分成训练集和测试集；步骤3：构建多尺度卷积块，提取示功图的全局和局部信息，多尺度卷积块结构由(2m+3)*(2m+3)、(2m+5)*(2m+5)、(2m+7)*(2m+7)三种不同尺寸卷积核构成，m为大于0的正整数，三种不同尺寸的卷积核通过卷积操作提取输入特征图的特征，将特征提取结果进行拼接作为多尺度卷积层的输出特征；步骤4：以多尺度卷积块...

【技术特征摘要】
1.一种基于多尺度卷积神经网络的抽油机工况诊断方法，其特征在于包括以下步骤：步骤1：收集悬点位移和载荷数据，对原始数据进行预处理，根据网络模型对输入数据尺寸的要求，绘制示功图；步骤2：为示功图数据制作标签，以0～x的正整数来表示x-1类示功图的标签，并将其分成训练集和测试集；步骤3：构建多尺度卷积块，提取示功图的全局和局部信息，多尺度卷积块结构由(2m+3)*(2m+3)、(2m+5)*(2m+5)、(2m+7)*(2m+7)三种不同尺寸卷积核构成，m为大于0的正整数，三种不同尺寸的卷积核通过卷积操作提取输入特征图的特征，将特征提取结果进行拼接作为多尺度卷积层的输出特征；步骤4：以多尺度卷积块为核心搭建多尺度卷积神经网络模型，网络结构中包含p个多尺度卷积层、q个最大池化层、k个卷积层、n...

【专利技术属性】
技术研发人员：罗仁泽，袁杉杉，苏赋，马磊，吕沁，王瑞杰，张可，
申请(专利权)人：西南石油大学，
类型：发明
国别省市：四川,51