CN119516286A 一种抽油机故障检测方法、装置、设备、介质及产品 （克拉玛依市建业能源股份有限公司）

诊断模型对所述待检测示功图进行特征提取及模型为预先采用训练样本集对改进的Inception网络为在InceptionV3网络的全连接层后加入2采用故障诊断模型对所述待检测示功图进行特征提取及分类，确定抽油机的工况类其中，所述故障诊断模型为预先采用训练样本集对改进的Inc得到；所述改进的InceptionV3网络为在InceptionV3网络的全连接层后加入注意力机采用故障诊断模型对所述待检测示功图进行特征提取及分类，确定抽油机的工况类通过所述注意力机制层学习所述低维特征向量与工况类型的相关性通过所述相似度计算层计算所述注意力特征向量与特征向量库中每个样本注意力特通过所述输出层根据所述注意力特征向量与特征向量库中每个样本注意力特征向量若是，则将相似度的最大值对应的样本注意力特征向量的工若否，则将相似度的最大值以及次最大值对应的样本注意力特3分别对每组样本运行数据依次进行去噪及归一化处理，得到多组预处理样本运行数针对任一组预处理样本运行数据，根据所述预处理样本运行数据绘制一张样本示功述故障诊断模型为训练好的改进的Incepti分类模块，用于采用故障诊断模型对所述待检测示功图进行其中，所述故障诊断模型为预先采用训练样本集对改进的Inc得到；所述改进的InceptionV3网络为在InceptionV3网络的全连接层后加入注意力机理器执行时实现权利要求1_6中任一项所述的抽油机故障45抽油机复合故障检测提供一种智能化的解决服务器上。终端102可以向服务器104发送待检测示功图，服务器104接收到待检测示功图6机制。所述训练样本集中包括多张样本示功图及每张样本示功图的工况类型标签。络在处理不同尺寸的图像时具有更好的泛化能力。本申请采用主干网络作为特征提取器。→3×3卷积层→ReLU激活函数→3×3卷积层→ReLU激活函数→3×3卷积层→ReLU激活函7数→最大池化层→1×1卷积层→2×2卷积层→…多个Inception模块…→全局平均池→全连接层→ReLU激活函数→→注意力机制层→相似度计算层→输出层。其中，每个特征，可以得到多个输出，再将多个输出进行合并后转移到下一个Inception模块，每个Inception模块中卷积核的组合不同。每个卷积层通过卷积运算提取输入图像中的局部特[0045]待检测示功图在经过多个Inception模块的多层卷积和全局平均池化操作后，会[0048]步骤404，通过所述相似度计算层计算所述注意力特征向量与特征向量库中每个每个样本注意力特征向量的工况类型标签。所述样本注意力特征向量基于样本示功图得到。[0049]步骤405，通过所述输出层根据所述注意力特征向量与特征向量库中每个样本注[0050]输出层通过Softmax函数输出注意力特征向量与各样本注意力特征向量的相似度值以及次最大值对应的样本注意力特征向量的工况类型标签作为抽油机的工况类型。其8[0053]在一个示例性的实施例中，所述故障诊断模型的训练过程包括以下步骤501至步每组样本运行数据存储在一个excel表中，每个excel表中存储有不少于200个采样点的位其中，n为样本运行数据中采样点的数量，9[0068]进一步地，在训练完成后，将已知工况的样本示功图输入训练好的改进的[0074]分类模块902用于采用故障诊断模型对所述待检测示功图进行特征提取及分类，计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信该计算机程序被处理器执行时实现上述各方机程序被处理器执行时实现上述各方法实施例中通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read_取存储器（StaticRandomAccessMemory，SRAM）或动态随机存取存储器（Dynamic[0083]本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数