基于卷积神经网络的抽油机故障诊断
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.
卷积神经网络、故障诊断、损失函数、抽油机、正则化注意力
49
TP183(自动化基础理论)
国家自然科学基金;黑龙江省自然科学基金;东北石油大学优秀中青年科研创新团队
2020-10-30(万方平台首次上网日期,不代表论文的发表时间)
共7页
751-757