控制与决策

作者：李康,李爽,高小永,李强,张来斌

单位：中国石油大学 (北京) 人工智能学院，北京 102249;中国石油大学(北京) 应急管理部油气生产安全与应急技术重点实验室，北京 102249,,中国石油大学 (北京) 人工智能学院，北京 102249,,中国石油大学 (北京) 人工智能学院，北京 102249,,中国石油大学 (北京) 人工智能学院，北京 102249,,中国石油大学(北京) 安全与海洋工程学院，北京 102249;中国石油大学(北京) 应急管理部油气生产安全与应急技术重点实验室，北京 102249,

关键词：电潜泵;Transformer神经网络;深度学习;特征提取;故障诊断;多变量时序标记

基金：国家自然科学基金重点项目(52234007)；国家自然科学基金面上项目(22178383)；北京市自然科学基金面上项目(2232021)；中国博士后科学基金项目(GZB20230861)；中国石油大学(北京)科研基金项目(2462023YJRC036).

电潜泵故障诊断对于确保安全可靠采油至关重要, 但是, 电潜泵数据呈现出的多变量、非线性和动态变化等复杂特性为该任务带来了严峻挑战. 近年来, 深度学习在复杂数据特征提取方面表现出的强大能力催生了一系列基于神经网络的电潜泵故障诊断方法. 然而, 多数方法忽略了电潜泵数据的动态特性以及长时依赖特征提取困难的问题. 针对上述问题, 提出一种多变量时序标记Transformer神经网络来实现电潜泵故障诊断. 该模型设计新的多变量时间序列标记策略, 继承引入多头注意力机制和残差连接的传统Transformer神经网络编码器在长时依赖特征提取方面的优势, 用前向神经网络替代传统Transformer神经网络解码器来简化模型复杂度. 通过对油田现场故障数据分析, 验证所提出方法的有效性. 实验结果表明, 所提出方法实现了10类电潜泵故障的精确诊断, 相比于流行的深度学习方法诊断性能更优.

来源：2025年第4期

《控制与决策》期刊编辑部

查看控制与决策杂志2025年第4期