文献类型：期刊文章

作　　者：杜娟[1] 刘志刚[1,2] 宋考平[2,3] 杨二龙[2]

DU Juan;LIU Zhi-gang;SONG Kao-ping;YANG Er-long(School of Computer and Information Technology,Northeast Petroleum University,Daqing Heilongjiang,163318;Post-Doctoral Research Center of Oil and Gas Engineering,Northeast Petroleum University,Daqing Heilongjiang,163318;Unconventional Oil and Gas Research Center,China University of Petroleum,Changping Beijing,102249)

机构地区：[1]东北石油大学计算机与信息技术学院,黑龙江大庆163318 [2]东北石油大学石油与天然气工程博士后工作站,黑龙江大庆163318 [3]中国石油大学非常规油气研究院,北京昌平区102249

出　　处：《电子科技大学学报》

基　　金：国家自然科学基金(61502094,51774090,51104030);黑龙江省自然科学基金(LH2020F003)。

年　　份：2020

卷　　号：49

期　　号：5

起止页码：751-757

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSCD、CSCD2019_2020、EI、IC、JST、MR、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：为提高抽油机的故障诊断性能、减少诊断模型的硬件存储,设计了基于轻量注意力卷积神经网络和示功图的故障诊断方法。首先,将示功图的位移−载荷数据转换为图像,诊断模型的基础结构采用深度分离卷积,提出一种可嵌入连续卷积层的正则化注意力模块,对每个卷积层的通道进行压缩、注意力计算,并根据注意力建立通道失活机制,输出具有特征抑制或加强的注意力特征图。其次,在模型学习算法上,提出注意力损失函数抑制易分样本对模型训练损失的贡献,使模型训练关注难分样本。最后通过仿真实验验证有效性,结果表明该模型硬件存储仅为5.4 MB,故障诊断精度达95.1%,满足抽油机工况检测的诊断精度要求。

关 键 词：卷积神经网络 故障诊断 损失函数 抽油机 正则化注意力  

分 类 号：TP183]