基于Stacking模型融合的抽油机故障诊断算法

摘要：

抽油机故障诊断过去基本采用单分类器识别的方法.针对单分类器识别的局限性和抽油机故障诊断的复杂性,提出了一种基于Stacking的多模型融合的抽油机故障诊断算法.首先,对8种不同的抽油机故障图像进行数据清洗,得到二值化图像;然后分别使用AlexNet、VGG16、GoogLeNet、ResNet50作为基学习器,对采集的抽油机故障图像进行分类识别;最后,采用基于Stacking的集成学习方法,将各基学习器的预测结果融合重构后,作为次级元分类器XGBoost的输入,其输出即为最终识别结果.实验结果表明,使用该方法对8种最常见的抽油机故障图像进行实验,平均识别率高达98.16％,基于Stacking的多模型融合的抽油机故障诊断算法显著优于由单一特征组合构建的同类分类器算法,并且具备较好的泛化能力与鲁棒性.

关键词：抽油机、故障诊断、Stacking、模型融合

所属期刊栏目：42

分类号：V435;TP391;TP18

在线出版日期：2023-04-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：74-82