基于卷积神经网络的抽油机故障诊断

抽油机故障诊断对于保障油气田的稳定运行至关重要。针对已有基于深度学习的故障诊断模型参数量大导致应用范围受限的问题，提出一种基于空洞卷积和惩罚机制的卷积神经网络模型。该模型在浅层神经网络部署不同空洞卷积率的空洞残差模块，高效获取示功图轮廓特征的同时降低了模型参数量。其次，将惩罚机制融入Softmax损失函数，增强模型诊断气体影响等难分样本的故障准确率。采用抽油机实况数据集进行实验验证，结果表明该模型参数量为0.94 M,浮点型计算量为165.24 M。与MobileNetV3相比，改进后的算法模型在准确率同为96.6%的前提下参数量减少了3.30 M,浮点型计算量减少了52.22 M,更易部署在资源受限的故障诊断平台。