[1]王立杰,冯 爽,王婷婷.基于改进 VAE 和 MobileNetV2 的抽油机电参数反演与故障诊断[J].机械与电子,2025,(08):10-15.
　WANG Lijie,FENG Shuang,WANG Tingting.Electrical Parameter Inversion and Fault Diagnosis of Pumping Units Based on Improved VAE and MobileNetV2[J].Machinery & Electronics,2025,(08):10-15.
点击复制

基于改进 VAE 和 MobileNetV2 的抽油机电参数反演与故障诊断()
分享到：

《机械与电子》[ISSN:1001-2257/CN:52-1052/TH]

卷:
期数:
2025年08期
页码:
10-15
栏目:
研究与设计
出版日期:
2025-08-25

文章信息/Info

Title:
Electrical Parameter Inversion and Fault Diagnosis of Pumping Units Based on Improved VAE and MobileNetV2
文章编号:
1001-2257 ( 2025 ) 08-0010-06
作者:
王立杰; 冯 爽; 王婷婷
东北石油大学电气信息工程学院,黑龙江 大庆 163318
Author(s):
WANG Lijie ;  FENG Shuang ;  WANG Tingting
( School of Electrical & Information Engineering , Northeast Petroleum University , Daqing 163318 , China )
关键词:
电参数反演; 变分自编码器; 线性回归网络;  MobileNetV2 ; 故障诊断
Keywords:
electrical parameter inversion ;  variational auto-encoder ;  linear regression network ;  MobileNetV2 ;  fault diagnosis
分类号:
TP183
文献标志码:
A
摘要:
针对抽油机示功图反演及故障诊断中参数测量复杂、成本高和误差较大的问题,提出一种基于改进变分自编码器( VAE )网络的低运算力高精度反演方法。将轻量级神经网络架构( MobileNetV2 )的轻量化特性与 SE 注意力机制模块的特征选择能力结合,使网络在不显著增加计算量的情况下,具有更强的特征表达能力,能够提升诊断精度与增强全局信息建模能力。通过改进变分自编码器与多种反演算法对比,生成的数据符合率达到了 97% ,较之前提升了 4.1 百分点。 SEMobileNetV2 同 5 类常见的故障分类网络对比,训练用时较少且精度最高达到了 96.4% 。通过实验证明了反演与分类改进网络的优越性。
Abstract:
To address the issues of complex parameter measurement , high cost , and large errors in the inversion and fault diagnosis of pumping unit dynamometer cards , a low-computation , high accuracy inversion method based on an improved Variational Auto-encoder ( VAE ) network is proposed.The lightweight characteristics of the MobileNetV2 neural network architecture are combined with the feature selection capability of the SE attention mechanism module , enabling the network to achieve stronger feature representation ability and enhanced global information modeling capability without significantly increasing computational complexity.Compared with multiple inversion algorithms , the improved Variational Auto encoder achieves a data conformity rate of 97% , an improvement of 4.1 percentage points.In comparison with five common fault classification networks , the SEMobileNetV2 network achieves the highest accuracy of 96.4% while requiring less computation time.These experimental results demonstrate the superiority of the improved network for both inversion and classification tasks.

参考文献/References:

[ 1 ] 赵新语,樊军,何方,等 . 基于全局与局部特征结合的抽油机故障诊断[ J ] . 机械强度, 2023 , 45 ( 6 ): 1286-1292.

[ 2 ] 卢玉 . 基于 FOA BP 神经网络的悬点示功图反演技术[ J ] . 油气田地面工程, 2023 , 42 ( 10 ): 58-63.
[ 3 ] 叶彦斐,侯翔一,程立,等 . 基于电参数和示功图信息融合的油井工况诊断算法[ J ] . 工业控制计算机, 2023 , 36( 6 ): 16-18.
?[ 4 ] 曹晟 . 基于机理和数据的抽油机电功率反演示功图对比研究[ D ] . 北京:中国石油大学,2021.
[ 5 ] 李翔宇,邓昱航,袁春华 . 基于 CGAN 的抽油机电参数反演示功图研究[ J ] . 沈阳理工大学学报, 2024 , 43 ( 3 ): 1-9.
[ 6 ] YANG H , QIU R C , SHI X , et al.Unsupervised feature learning for online voltage stability evaluation and monitoring based on variational autoencoder [ J ] .Electric power systems research , 2020 , 182 : 106253.
[ 7 ] 杜娟,刘志刚,宋考平,等 . 基于卷积神经网络的抽油机故障诊断 [ J ] . 电子科技大学学报, 2020 , 49 ( 5 ): 751-757.
[ 8 ] 杨莉,张帅,鹿卓慧 . 基于卷积神经网络的抽油机井故障诊断研究[ J ] . 吉林大学学报(信息科学版), 2023 , 41( 4 ): 646-652.
[ 9 ] ZHANG K , YU H , MA X , et al.Multi-source information fused generative adversarial network model and data assimilation based history matching for reservoir with complex geologies [ J ] .Petroleum science , 2022 , 19( 2 ): 707-719.
[ 10 ] GUO C , HU W , YANG F , et al.Deep learning technique for process fault detection and diagnosis in the presence of incomplete data [ J ] .Chinese journal of chemical engineering , 2020 , 28 ( 9 ): 2358-2367.
[ 11 ] 吴杰,姜宜鑫,韩国敬,等 . 一种基于变分推断的可评判推荐算法[ J ] . 计算机技术与发展, 2023 , 33 ( 10 ): 150-156.
[ 12 ] 申赞伟,刘彦博,杨柳,等 . 用于电类实验测量数据异常检测的 MVAE 神经网络[ J ] . 实验室研究与探索,2025 , 44 ( 1 ): 24-29.
[ 13 ] 孟琭,徐磊,郭嘉阳 . 一种基于改进的 MobileNetV2 网络语义分割算法[ J ] . 电子学报, 2020 , 48 ( 9 ): 1769-1776.
[ 14 ] CHEN B J , TAN W J , WANG Y T , et al.Distinguishing between natural and GAN-Generated face images by combining global and local features [ J ] .Chinese journal of electronics , 2022 , 31 ( 1 ): 59-67.
[ 15 ] 吴昊臻,许燕,周建平,等 . 基于卷积神经网络的抽油机故障诊断[ J ] . 燕山大学学报, 2024 , 48 ( 1 ): 30-38.
[ 16 ] 李博文,宋文广,徐加军 . 基于改进布谷鸟搜索优化 RBF 神经网络的抽油机故障诊断[ J ] . 中国工程机械学报,2023 , 21 ( 6 ): 624-628.
[ 17 ] 商敬量 . 基于深度学习的游梁式抽油机故障诊断研究[ D ] . 大庆:东北石油大学,2023.
[ 18 ] 麻建新,袁春华,李翔宇 . 针对油井长时程基于深度残差收缩网络的模型故障诊断[ J ] . 科技资讯, 2023 , 21( 14 ): 116-119.

备注/Memo

备注/Memo:
收稿日期: 2025-03-24
基金项目:国家自然科学基金资助项目( 52474036 )
作者简介:王立杰 ( 1983- ),男,黑龙江黑河人,博士,讲师,研究方向为机器人协作故障诊断;冯 爽 ( 1996- ),男,黑龙江黑河人,硕士研究生,研究方向为抽油机故障诊断,通信作者, E-mail : 1228710559@qq.com ;王婷婷 ( 1982- ),女,黑龙江大庆人,博士,教授,博士研究生导师,研究方向为油气田岩石脆性与抽油机参数优化的协同分析。
更新日期/Last Update: 2025-09-04