摘要
由于新疆地区特殊的戈壁环境，抽油机井下故障频发。因此，准确地诊断抽油机井下故障类型具有重要的现实意义，但示功图包含数据量较大，特征种类繁杂，传统机器学习诊断方法并未取得理想效果和广泛应用。深度学习的发展为抽油机的井下故障诊断提供了新的方向，但抽油机故障数据集的样本量往往不足以满足深度学习训练的需求，且现有的深度学习模型参数量较大，在运算资源受限的诊断平台上部署较为困难。因此，本文首先采用生成对抗网络对抽油机故障数据集进行数据增强;其次，构建轻量级卷积神经网络模型实现井下故障的精确诊断;最后，搭建故障诊断平台进行部署应用。具体研究内容如下: 针对抽油机故障数据集各类样本量不平衡导致的数据增强模型训练困难和示功图图像特征信息较少导致的模式崩溃问题，构建一种基于Wasserstein距离的条件生成对抗网络模型用于示功图数据增强。该模型将分类器从判别器中移出，避免抽油杆断脱等不平衡样本的标签影响;使用空洞卷积和在损失函数中加入Wasserstein距离，提高模型表现力，避免模式崩溃。经实验验证，生成示功图的LPIPS值、FID值等均优于现有生成对抗网络模型。应用于故障诊断模型后，诊断准确率有明显提高。 针对现有基于深度学习的故障诊断模型参数量大导致应用受限的问题，构建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空洞残差模块，高效获取示功图轮廓特征;在深层神经网络部署深度多维混合模块,与空洞残差模块配合，保证准确率的同时减少参数量;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。经实验验证，改进后的模型参数量仅为0.94M,浮点型计算量为165.24M。 设计基于μc/os系统的RTU和基于SSMP框架、微服务架构的云平台，实现基于A11-GRM协议的压力、电参、载荷-位移数据的Zigbee无线传输以及PC端的抽油机状态数据可视化、抽油机故障诊断报警等功能。针对示功图数据量大导致的丢帧问题，构建一种基于令牌桶的复合整流算法，保障抽油机故障诊断系统的稳定运行。
NETL