【技术实现步骤摘要】
一种提升采油机复合工况故障诊断精度方法
[0001]本专利技术涉及采油机故障诊断领域,具体而言,是通过针对复合故障工况示功图,设计混 合神经网络结构,加强对复合工况示功图的特征提取能力,提升复合工况故障诊断精度。
技术介绍
[0002]随着深度学习在计算机视觉领域的成功,越来越多的学者也开始使用深度学习算法解决 本领域中的问题。在采油机故障诊断领域中,已出现使用深度卷积神经网络进行示功图识别, 并以此对采油机进行故障诊断的方法,且取得了不错的效果。
[0003]虽然基于卷积神经网络的示功图识别方法在针对单一工况时能取得不错的识别效果,但 是在面对具有多种故障特征的复合工况示功图时,这类方法会重点突出某一个显著的特征, 而忽视其他次要特征,从而将复合工况误判为单一工况。例如先有技术中公开号为CN 112861912A的专利文献利用示功图数据对深度残差神经网络进行训练,获得基于深度残差 神经网络的诊断模型,向诊断模型输入待识别示功图数据,输出工况诊断结果。此方法采用 的深度残差卷积神经网络模型不能很好的提取复合工况的全局特征,导致无法利用复合工况 的全局特征,提升复合工况的识别准确率。而大多数采油企业不仅希望能了解到采油机的主 要单一工况,而且希望能掌握到更精细的复合工况,以制定更合理的采油机工作制度。
[0004]因此,亟需一种不仅能提取示功图的单一故障特征,而且能更好的提取示功图的复合故 障特征,提升采油机复合故障诊断精度方法,使企业能够更加精细化、集约化的管理采油机 生产,建立更为合适的采油机工作制 ...
【技术保护点】
【技术特征摘要】
1.一种提升采油机复合工况故障诊断精度方法,其特征在于该方法针对采油机的复合工况示功图,设计融合视觉Transformer和卷积神经网络的混合神经网络结构,对复合工况示功图进行特征提取,根据提取的特征进行故障诊断,提升复合工况故障诊断的精度,包括以下步骤:1)采集采油机的历史示功图,组成单一工况和复合工况示功图数据集S,采用留出法划分S为训练集S
train
、验证集S
val
和测试集S
test
;2)设计混合神经网络结构模型,融合N层卷积神经网络和M层视觉Transformer网络;3)纵向堆叠只包含卷积层的N层卷积神经网络,并对卷积神经网络输出得到的c通道的特征图计算平均值,得到单通道的特征图;4)将单通道特征图划分成p
×
p个图像块,输入到M层视觉Transformer网络中,并得到d维的特征向量x;5)根据训练集S
train
和验证集S
val
,采用三元组损失Loss(x
A
,x
+
,x
‑
)进行反向传播训练网络参数,其中x
A
为锚样本向量,x
+
为正样本向量,x
‑
为负样本向量;6)根据测试集S
test
验证模型的精度和泛化能力,经训练得到最终网络模型;7)使用训练完成的网络模型,建立故障工况示功图特征向量检索库D;8)对实时采集的示功图数据使用混合网络模型提取特征向量并与工况特征检索库中的特征向量进行相似度计算,得到相似度向量V;9)判断V中最大值V
max
是否超过主工况阈值T1,是则判定此示功图主工况类别K,否则将此示功图类别标记为未知,由专家标定后加入工况特征检索库中;10)判断V中是否存在次要工况K
i
,是则判定此示功图为复合工况,否则为单一工况示功图,仅包含主工况K;11)判断K是否为故障工况,如果为平稳工况,则不报警,并转步骤8),如果为故障工况,判断是否包含K
i
,是则进行复合故障工况报警,否则进行单一故障工况报警,转步骤8)。2.根据权利要求1所述的一种提升采油机复合工况故障诊断精度方法,其特征在于步骤1)所述留出法的比例为8:1:1。3.根据权利要求1所述的一种提升采油机复合工况故障诊断精度方法,其特征在于步骤2)所述的卷积网络层数1≤N≤100,视觉Transformer网络层数1≤M≤32。4.根据权利要求1所述的一种提升采油机复合工况故障诊断精度方法,其特征在于步骤3)所述N层卷积神经网络模型具体结构包括:3
‑...
【专利技术属性】
技术研发人员:陈夕松,钱帅康,夏峰,姜磊,卜禹,
申请(专利权)人:南京富岛油气智控科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。