一种基于多尺度卷积神经网络的抽油机故障诊断方法与流程

本发明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。

背景技术：

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，现有的应用于示功图故障诊断的深度神经网络都是单通路内完成的，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。

技术实现要素：

本发明要解决的技术问题是：为了克服现有技术中的不足，本发明提供了一种基于多尺度卷积神经网络的抽油机故障诊断方法。

本发明的技术方案是：一种基于多尺度卷积神经网络的抽油机故障诊断方法，其特征在于包括如下步骤：

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的数字来表示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个平均池化层以及输入和输出层，其中p、q、k、m均为大于等于0的正整数，每个卷积操作后均使用swish激活函数进行非线性化处理；

其中，swish激活函数为：

式中β>0；

步骤5：在步骤2中得到的训练集上进行多尺度卷积神经网络模型训练，使用交叉熵函数作为模型的损失函数，使用优化器最小化损失函数，进行网络参数训练，保存最佳网络模型参数；

其中，交叉熵损失函数为：

式中，y是预测标签的概率分布，y′是真实标签的概率分布，用交叉熵函数来判断模型对真实概率分布估计的准确程度；

步骤6：在步骤2中的测试集上测试网络性能，若测试效果达到预期，则保存网络模型，否则返回步骤5，重新进行网络参数调整。

步骤2中多尺度卷积块的构建，多尺度卷积块的结构可以由n(n≥1)种不同尺寸卷积核构成。

本发明的有益结果是：

(1)多尺度卷积神经网络，与传统有杆抽油机故障诊断方法相比，不需要人工进行特征提取，而是深度神经网络自主提取特征，避免了复杂的特征工程和特征选择的不确定性对故障识别准确率的影响。

(2)与现有的深度神经网络方法相比，多尺度卷积神经网络使用多尺度卷积块以不同尺寸的卷积核对输入特征图进行卷积操作，能够提取到示功图数据更加丰富、有效的全局和局部特征，使得以多尺度卷积块为核心搭建的网络模型故障诊断准确率提高。

附图说明

图1为本发明的流程图，对原始数据进行归一化、平滑等于处理，根据所搭建的深度神经网络的输入尺寸需求，绘制相应尺寸大小的示功图数据，将数据分成数据集和测试集，使用训练集训练网络，保存网络模型，再在测试集上对该网络模型进行测试，如果测试效果与训练集上的测试效果相差太大，重新训练模型参数，否则保存模型作为最终模型；

图2为多尺度卷积块结构图，分别使用32个3*3、5*5、7*7尺寸的卷积核对上一层输入特征图进行卷积操作，将卷积结果进行拼接作为多尺度卷积块的输出特征；

图3为多尺度卷积神经网络模型结构图，输入为“气体影响”故障类型示功图时，经过多尺度卷积神经网络模型，则输出为表示该故障类型的数字标签的one-hot编码形式；

图4为多尺度卷积神经网络模型在训练集和测试集上的准确度结果图，训练集和测试集在训练步数为400步时，准确度均趋于稳定，在测试集上的故障识别准确率达到98％左右。

具体实施方式

下面将结合附图对本发明做详细的说明。图1为本发明的整体流程图。本发明的具体实施步骤如下：

步骤1：收集悬点位移和载荷数据，对原始数据进行预处理，具体预处理方式为：

(1)对数据进行平滑以及归一化处理；

(2)以位移和载荷数据绘制二维示功图，网络模型的输入为32*32，所以将示功图大小也处理为32*32像素。

步骤2：为示功图数据制作标签，并将其按一定比例分成训练集和测试集。

将示功图标签转换成one-hot编码形式，如：示功图数据共8类，气体影响工况为第4类，原始标签为3，其one-hot编码形式标签为[0,0,0,1,0,0,0,0]。

步骤3：构建多尺度卷积块：

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，本实例m取1。此时多尺度卷积块结构如图2所示，是由3*3、5*5、7*7三种尺寸卷积核构成，三种不同尺寸的卷积核来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。每个尺寸卷积核个数为32，多尺度卷积块的输出为96。

步骤4：搭建多尺度卷积神经网络模型：

网络结构中包含p(p≥0,正整数)个多尺度卷积层、q(q≥0,正整数)个最大池化层、k(k≥0,正整数)个卷积层、n(n≥0,正整数)个平均池化层以及输入和输出层，本实例中，p＝2,q＝2,k＝1,n＝1。如图3所示，多尺度卷积神经网络模型一共包括8层。网络结构中包含2个多尺度卷积层、2个最大池化层、1个卷积层、1个平均池化层以及输入和输出。

(1)第1层：输入层，输入为预处理的32*32尺寸示功图图片数据。

(2)第2层：多尺度卷积层，以多尺度卷积块对输入特征图进行特征提取，输出特征图仍然为32*32大小。每个卷积操作后均使用swish激活函数。

其中：swish激活函数为：

本实例β值为1。

(3)第3层：池化层，减少计算量，刻画平移不变性。本实例采用2*2的最大池化，输出特征图为16*16大小。

(4)第4层：多尺度卷积层，参数设置同(2)。

(5)第5层：池化层，采用2*2的最大池化，输出特征图为8*8大小。

(6)第6层：卷积层，卷积核尺寸为5*5，步长设置为1，输出特征图为8*8大小，卷积操作后使用swish激活函数进行非线性化变化。

(7)第7层：池化层，采用8*8的平均池化，输出特征图为1*1大小。

(8)第8层：输出层，将上一层输出转换成1d向量，作为softmax分类器的输入，输出分类结果。

步骤5：对步骤4搭建的多尺度卷积神经网络进行训练：

使用步骤2得到的训练集进行网络训练。使用交叉熵函数来计算模型的输出损失，使用adam优化方法，最小化损失函数，进行网络参数训练，保存最佳模型参数。

其中，交叉熵函数为：

式中，y是示功图预测标签的概率分布，y′是示功图真实标签的概率分布，用交叉熵函数来判断模型对真实概率分布估计的准确程度。

步骤6：使用步骤5训练得到的网络模型对步骤2中测试集进行测试。图4为模型训练准确度和测试准确度结果图。模型在训练到400步左右时，训练集和测试集均趋于稳定，训练集准确度为100％，测试集准确度为98％左右。