特色应用
该方法可以为有杆泵抽油系统中的示功图故障识别提供有用的轻量级模型参考。
摘要
现有故障识别方法仍面临轻量化设计不足、多尺度特征表示能力不够以及在少样本条件下模型训练困难等问题，难以满足油田生产现场的需求。针对有杆泵抽油系统的示功图故障识别任务，本文对MobileNetV2进行了针对性改进，并提出了一种基于迁移学习和改进MobileNetV2的轻量级故障识别方法。该方法以MobileNetV2作为基础框架，改进了激活函数，并引入了多尺度特征提取模块和注意力机制，在保持轻量级设计的同时提高了模型的识别能力。实验基于利用竞赛数据和实测油田数据构建的示功图数据集进行。提出的方法与代表性深度学习方法进行了比较，并进一步使用独立实测的油田样本进行了跨源外部验证实验。结果表明，改进的MobileNetV2达到了95.01%的平均准确率，标准差为0.09%，参数为2.28 M，模型大小为9.01 MB，536.72 M MACs，每张图像的CPU推理延迟为29.62 ms。在平均准确率方面，改进的MobileNetV2优于EfficientNetV2、ResNet34、DenseNet121、MobileNetV3、ShuffleNetV2以及原始MobileNetV2，同时在跨源外部验证集上达到了90.16%的平均准确率。该方法在本研究所使用的数据集上实现了识别性能与模型复杂度之间的较好平衡，可以为有杆泵抽油系统中的示功图故障识别提供有用的轻量级模型参考。
