2024年5月3日发(作者：)

第41卷摇第4期

2023年7月

吉林大学学报(信息科学版)

JournalofJilinUniversity(InformationScienceEdition)

Vol.41摇No.4

July2023

:1671鄄5896(2023)04鄄0646鄄07文章编号

基于卷积神经网络的抽油机井故障诊断研究

杨摇莉,张摇帅,鹿卓慧

(东北石油大学电气信息工程学院,黑龙江大庆163318)

摘要:针对抽油机井示功图故障诊断问题,提出基于轻型卷积神经网络,并引入注意力机制,以提高在参数量、

计算量减少的情况下的网络诊断性能。网络基础结构采用MobileNet鄄V2,并将ECA(EfficientChannelAttention

Module)模块嵌入MobileNet鄄V2的倒残差模块中。倒残差模块中,ECA对特征图从通道维度,将生成的通道注

在保证模型诊断准确性的前提下,降低了网络模型结构的复杂性。实验结果表明,改进后的MobileNet鄄V2的

诊断准确率达到97.60%,满足油田实际生产需求。

关键词:抽油机井;故障诊断;示功图;卷积神经网络;注意力机制

中图分类号:TP306文献标志码:A

意力重标定权重与输入特征图进行相应通道相乘,最后获取经过注意力加权处理的特征图。基于提出的方法,

StudyofFaultRecognitionofPumpWellBasedonConvolutionalNeuralNetwork

(CollegeofElectricalandInformationEngineering,NortheastPetroleumUniversity,Daqing163318,China)

YANGLi,ZHANGShuai,LUZhuohui

Abstract:Forthefaultdiagnosisproblemoftheindicatordiagramofpumpingwells,thefeatureinformationin

rtoensurethediagnosticperformanceofthe

networkmodel,nthelightweightconvolution

(EfficientChannelAttentionModule)moduleisembeddedintheinverseresidualmoduleofMobileNet鄄V2.

channelinformationinteractionbetweenadjacentchannelsandobtainthedependenciesbetweenlocalchannels.

is90.6%,andtheimprovedMobileNet鄄V2diagnosticaccuracyrateis97.60%.

Keywords:pumping

attentionmechanism

well;faultrecognition;indicatordiagram;

neuralnetwork,theattentionmechanismisintroducedtoimprovethediagnosticperformanceofthelightweight

Comparedwiththeordinaryresidualnetwork,thefeaturesretainedafterconvolutionaremorecomplete,sothe

,inthenetworkinfrastructuretheMobileNet鄄V2networkisused,andtheattentionECA

,theECAuses1Dconvolutiontoachievelocalcross鄄

Theresultingchannelattentionre鄄calibrationweightsaremultipliedbythecorrespondingchannelsoftheinput

featuremapofthemodule,andtheattention鄄ileNet鄄V2accuracyrate

convolutionalneuralnetwork;

0摇引摇言

由于抽油机井地下工作环境复杂性及工况环境的特殊性,抽油机杆柱在井下持续做往复运动时,

设备自身结构极易在此过程中因受多种因素影响引发抽油机故障,从而不仅使抽油效率降低,甚至会

发生严重的油井安全事故,因此研究能及时有效地对抽油机井的故障做出诊断方法则对智能化油田发展

收稿日期:2022鄄08鄄16

基金项目:国家自然科学基金资助项目(52074088);东北石油大学黑龙江省杰青后备人才基金资助项目(SJQH202002)

作者简介:杨莉(1979—摇),女,黑龙江大庆人,东北石油大学副教授,主要从事人工智能研究,(Tel)86鄄136****3592(E鄄mail)

19696163@。

Copyright©博看网. All Rights Reserved.

第4期杨莉,等:基于卷积神经网络的抽油机井故障诊断研究

647

具有重要意义。

悬点载荷(P)及悬点位移(S)是记录抽油机驴头做往复运动时的参数,由悬点载荷随悬点位移变化

曲线所构成的封闭曲线即为示功图,能实时记录油、气、水、蜡、砂等地层因素对抽油机井工作状态的影

响

[1]

,以及泵和杆的工作状态,是有效分析和对抽油机井故障做出正确诊断的重要手段

[2鄄3]

。通过示功

图可以判断出故障种类,所以对示功图故障诊断进行分析是目前的重要研究方向。

进行故障诊断分析的方法,通过对采集的大量载荷冲程数据进行处理,并引入神经网络

[4]

、BP(Back

为保证抽油机工作状态正常,需要频繁对抽油机井各类生产参数进行采样,目前使用的对于示功图

Propagation)神经网络

[5鄄7]

,相较于传统依靠现场经验的方法,虽然提高了诊断速度,但需要大量的数据,

计算量巨大。使用专家系统

[8]

,根据示功图故障类型及其特征,构建井下工作状况故障诊断专家系统

知识库,对井下工况进行分析诊断,但需要领域专家的知识,并且移植性差,学习能力不是很强。通过

支持向量机(SVM:SupportVectorMachine)

[9]

对有杆泵抽油机井进行诊断分析,利用不变矩与示功图的

轮廓特征,示功图中存在的不变矩提取出7个作为示功图故障诊断的有效参数,并对参数处理后作为特

征向量,使其成为支持向量机的输入,对抽油机井故障诊断具有较好的效果,但特征提取的有效参数规

模较大,计算资源、时间消耗较大。

对上述方法存在的不足,应用传统分析方法需要大量的富有分析经验的工作人员,因此传统的对

示功图分析诊断的方法适用性较差。并且在进行特征提取时,需将大量的示功图中的载荷位移数据对作

为模型输入,不仅对计算量有较高要求还容易造成模型内部神经元连接结构复杂,而且对示功图的图片

特征的提取不能得到较为完整的状态,不能准确地得到示功图图片特征映射,从而使模型的准确性降低

及运行效率不足,不能对示功图的轮廓信息特征进行直接有效提取。因此,如何利用大量的示功图及其

对应的故障诊断种类对示功图进行特征提取及识别分类需要深入研究。

近年来,随着大数据集技术的发展及计算机计算能力的不断提高,卷积神经网络

[10鄄12]

等各种网络

模型在图像分类、故障分析诊断等计算机视觉方面的实用性能愈发成熟,例如采用卷积神经网络LeNet

对示功图诊断进行处理

[13]

,相对于传统方法,其诊断准确度得到很大提高。VGG16通过研究较浅层网

相较于传统卷积网络,性能更加优秀。残差网络结构使ResNet网络

[15]

相较于VGG(VisualGeometry

Group)网络,虽然网络层数更深,但残差网络优化更加简单,网络复杂程度并不高。为使网络计算量降

低,将普通卷积神经网络中的普通卷积替换为深度分离卷积

[16]

,构成轻量型网络结构,并且引入正则化

注意力机制,不仅降低了网络结构复杂程度,还降低了计算量及模型存储,增强了不同故障类型的轮廓

信息,提高了模型的诊断能力。

VGG、ResNet等网络随着模块不断地加深堆叠,通过特征的不断积聚使网络具有更完整的映射特

络模型,并加深网络结构

[14]

,证明了加深网络深度有利于卷积网络模型对示功图片提取特征的完整性,

征,但网络层数不断增加导致其参数爆炸性的增加,所需计算资源与训练难度也随之增加,从而导致网

络的效果降低。由于模型的存储及内存空间较大,存在模型能否在设备上正常运行问题。所以VGG、

ResNet等卷积网络,随着网络结构复杂的增加,带来了巨大的计算量及模型内存所占存储空间较大,而

且存在示功图轮廓相似但故障种类不同的问题,仅靠卷积提取映射示功图轮廓信息特征并不能进行较好

的处理。而轻量型网络的网络结构精简,能使网络运行时的参数规模及计算量降低,所以采用轻量型

卷积网络具有较大优势。

2017年,Google引入深度分离卷积(DepthwiseSeparableConvolution),提出MobileNet鄄V1,虽然相

较于VGG16准确度低,但与GoogleNet相比,准确率更高,体积更小,计算资源的损耗也小于前两个网

络。因此深度分离卷积能有效降低网络参数规模,减少存储空间,在移动端部署上具有一定优势,更适

用于便携设备。

笔者主要使用MobileNet鄄V2网络,并且引入ECA(EfficientChannelAttentionModule)注意力模块,

该模块将上一层卷积层经映射后获得的特征图作为输入,通过注意力机制对通道进行权重处理,将自适

应地重新校准通道的特征响应,对局部跨通道之间的相关性进行重新标定,实现对特征的增强与抑制,

增强对示功图的不同轮廓信息特征的注意力。为减少参数及计算量采用轻量型卷积神经网络,并且引入

Copyright©博看网. All Rights Reserved.

648

机井数据集对网络进行校验。

吉林大学学报(信息科学版)第41卷

注意力机制实现对示功图相似但故障不同的诊断,提升网络的故障诊断能力。仿真实验采用油田某抽油

1摇诊断模型

笔者通过深度学习技术对抽油井进行故障诊断。在抽油机井实际生产过程中,必须对其故障诊断准

确率及时间效率有严格要求,极大地降低抽油机井故障对生产过程的影响,从而不会对石油产量造成重

大影响。因此要使识别速度达到以上要求,选取了轻量型卷积神经网络MobileNet鄄V2,并为了使诊断模

型对相似但故障不同的示功图的分类能力得到提升,能更有效地对示功图轮廓信息进行特征提取,引入

注意力模块,以提升卷积提取示功图轮廓特征的诊断精度。

V

1

的深度分离卷积使网络轻量化,并且引入倒残差模块(InvertedResidualsBlocks)及线性瓶颈

倒残差模块中,假设初始特征图为F:H伊W伊C,先经点卷积1伊1伊C,卷积核数量M高于C,对通道

1.1摇MobileNet鄄V2原理

(LinearBottlenecks)。

进行扩展处理H伊W伊M,得到提升通道维度。通常扩展因子定为6,因为低维空间直接进行深度卷积,点

卷积处理,参数量虽然下降,但特征并不能得到较好保留。所以提升通道维度,则能保留更多特征信息。

然后再进行深度卷积处理,即M个通道,每个通道都有一个3伊3伊1二维卷积对本通道进行卷积,深度

卷积处理后通道数不变,最后再次进行1伊1伊M伊N处理将通道维度压缩,N为卷积核数量,即为此次处理

后得到的通道数,N取值小于M,经过处理后得到H伊W伊N。在特征得到保留更为完整的情况下,计算量

并没有较大增长。

较完整的特征,所以采用了1伊1的卷积对输入先进行升维处理,保留较为完整的特征信息,在深度分离

卷积处理后,再对之前升维后的空间进行压缩。然后对V

1

中采用的RELU进行改进,使用线性映射替代

进行压缩后,用线性映射替代RELU。MobileNet鄄V2网络结构如表1所示。t为扩展因子,s为下采样步

长,c为通道数,n为块的重复次数。

Tab.1摇MobileNet鄄V2networkstructure

32

16

24

32

64

96

c

1

1

2

3

4

3

n

2

1

2

2

2

1

s

14伊96

2

V

2

为解决因输入到深度卷积,而深度卷积对通道数无法改变,虽然网络结构更加简单,但不能取得

RELU,使特征信息在低维空间情况下不会被RELU破坏,降低特征信息损失。即在第2次点卷积处理,

表1摇MobileNet鄄V2网络结构

输入

112伊32

2

224伊3

2

输入

112

2

伊16

56

2

伊24

28

2

伊32

14

2

伊64

Bottleneck

Bottleneck

Bottleneck

Bottleneck

Bottleneck

Conv2d

操作t

1

6

6

6

6

7伊160

2

Bottleneck

Avgpool7伊7

Conv2d1伊1

Conv2d1伊1

Bottleneck

操作

6

6

t

160

1280

class

320

c

3

1

1

1

n

2

1

1

s

7

2

伊1280

1伊1伊1280

7

2

伊320

1.2摇嵌入注意力机制的选取

(SqueezeandExcitation)模块上进行改进。由于SE模块对通道权重值向量的生成有一定不足,并且获取

所有通道的相互作用关系并不具有必要性,因此ECA在SE注意力模块基础上,使用1D卷积替换SE模

块用于通道权重值向量生成的两层全连接层。ECA注意力模块中对已通过卷积层下采样处理的特征图

X:H伊W伊C,依然通过全局平均池化(GAP:GlobalAveragePooling)处理,获得1伊1伊C,然后采用1D卷积

替代全连接层,1D卷积的卷积核大小即自适应选择机制获取局部交互通道参数k。免去了全连接层对维

度进行降低缩减的处理,避免降维有利于保留特征完整度,对通道注意力生成更加准确,并且通过1D卷

积进行局部通道交互,使用比SE模块更少的参数量、计算量达到对不同通道的相应程度的增强与抑制

效果,提高准确度。ECA模块原理如图1所示。

笔者主要在MobileNet鄄V2基础上处理特征图,同时嵌入ECA注意力模块,并将该模块在SE

Copyright©博看网. All Rights Reserved.

第4期杨莉,等:基于卷积神经网络的抽油机井故障诊断研究

649

图1摇ECA注意力模块

1.3摇改进的MobileNet鄄V2网络

Fig.1摇ECABlock

在MobileNet鄄V2中嵌入ECA注意力机制,要求ECA更加轻量化,更加精简,并且参数量、计算量也

更少。MobileNet鄄V2相较于ResNet鄄50、VGG鄄16等卷积网络更加精简、轻型,却损失了部分精准度,但简

化后的网络结构在参数量及计算规模上得以降低,其优势更加显著。MobileNet鄄V2的参数数量仅为

VGG鄄16的2.44%,是ResNet鄄50网络的14.23%。从参数数量和模型的大小角度看,MobileNet网络系列

在移动端便携式设备上应用更具有优势。笔者对MobileNet鄄V2改进之处在于,在保证网络精简、轻量化

的优势下,嵌入ECA模块,既对网络处理相似示功

图,故障不同的不相同特征信息的注意力得到一定程

度的增强,相似的特征信息加以抑制,使网络处理示

功图相似,但故障不同类型的示功图的分辨能力得到

较好提升。如图2所示,s是步长stride,下采样层中

用于降低特征层尺寸,分别为s=1,s=2时的结构如

图2所示,当s=2时,将不进行残差连接。在倒残差

模块的1伊1卷积对其进行压缩通道维度处理后,嵌入

ECA模块。

图2给出了改进后的MobileNet鄄V2网络的基础结

构倒残差模块及其改进,在倒残差(Inverted

Residuals)基础模块中,在深度卷积对特征图进行

卷积映射特征信息后,采用ECA注意力模块,对具有

区分性强的特征信息进行针对性的增强,达到对相似

工况的示功图的分类能力的提升的要求。

图2摇ECA模块在倒残差

Fig.2摇PositionofECAmoduleinInvertedResiduals

(InvertedResiduals)中的位置

2.1摇数据集

2摇实验验证与分析

笔者采用的数据集来自国内某个油矿的抽油机井示功图数据,提供的样本数据共5760份,这些样

本所属的工况类型在抽油机井工作过程中,已由人工的方式标注分类完毕。这些示功图为6种较为常见

的工况类型,对应的抽油机井故障类型分别是正常类型、气体影响、油稠影响、抽油杆断脱、供液不足、

油井出砂6种工况类型,如图3所示。

Fig.3摇Sixtypesofindicatordiagramsforpumpingwells

图3摇6种抽油机井示功图类型

Copyright©博看网. All Rights Reserved.

650

吉林大学学报(信息科学版)第41卷

从原始数据集中采用随机方式抽取样本4032份作为该网络模型的示功图训练集,其余的1728份

样本作为该网络模型的示功图测试集。利用训练集与测试集对基于改进的MobileNet鄄V2网络进行训练与

测试。实验中各类型示功图的训练集与测试集的具体数据如表2所示。

Tab.2摇TheCompositionoftrainsetandtestset

训练集

840

840

420

252

840

840

测试集

360

360

180

108

360

360

表2摇训练集与测试集的构成

类型

正常

气体影响

油稠影响

抽油杆断脱

供液不足

油井出砂

标签

0

1

2

3

4

5

2.2摇实验验证

笔者采用的网络模型为MobileNet鄄V2网络,对示功图训练数据集采用改进后的MobileNet鄄V2网络

进行训练,使用的实验硬件平台环境配置如下:Win10操作系统、Python3.6、TensorFlow2.0.0深度学习

0.001,损失函数采用交叉熵函数,训练集样本数为4032,测试集样本数为1728,训练集迭代次数

(epochs)设置为28,其中批量大小(batchsize)参数数量设置为16,则每个epoch训练252次,网络共

训练7056次,以提高网络模型性能。网络训练运行过程中,网络模型每进行252次训练,会对网络模型

运行训练集与测试集时的准确值及损失值进行一次记录,网络模型训练完毕后,网络的准确值与损失值

曲线如图4和图5所示。ECA模块改进后的MobileNet鄄V2网络与MobileNet鄄V2网络的测试集准确率及

损失值曲线如图6和7所示。

框架。网络模型的输入图像像素为100伊100,使用Adam优化算法对网络进行训练,初始学习率设为

摇摇摇Fig.4摇LossvalueofimprovedMobileNet鄄V2摇摇摇Fig.5摇AccuracyoftheimprovedMobileNet鄄V2

摇图4摇改进后MobileNet鄄V2网络的损失值摇摇摇摇图5摇改进后MobileNet鄄V2网络的准确率

摇摇摇摇摇图6摇改进后的MobileNet鄄V2与摇摇摇摇摇摇摇摇图7摇改进后MobileNet鄄V2与

摇

摇摇摇摇摇摇MobileNe鄄tV2网络准确率比较摇摇摇摇摇摇摇摇MobileNet鄄V2网络损失值比较

摇摇摇摇Fig.6摇ComparisonofMobileNet鄄V2and摇摇摇摇摇Fig.7摇ComparisonofMobileNet鄄V2and

摇摇摇MobileNe鄄tV2accuracyafterimprovement摇摇摇摇MobileNet鄄V2lossvaluesafterimprovement

Copyright©博看网. All Rights Reserved.

第4期杨莉,等:基于卷积神经网络的抽油机井故障诊断研究

651

从图7可看出,在网络模型初期训练过程中,当达到第2个Epoch时,模型的测试集准确率就已经

达到95%以上。当网络模型进行7056次训练后,训练集对网络的训练准确率达到99.67%,测试集的

准确率略低于训练集准确率2.07%,随着网络模型对不同工况的轮廓特征的学习,测试集的准确率不断

升高并趋稳。从图7中可以看出,网络模型的测试集损失值不断降低并趋稳,网络模型结束学习后,测

试集的损失值达到0.0524左右,网络模型经过不断调试,最终故障诊断准确率达到97.60%。

对网络模型的结构,越复杂的模型,其模型体积越大,所消耗计算、存储资源越大。采用深度分离

卷积的轻量型网络MobileNet鄄V2,其模型内存远小于VGG鄄16,笔者改进后的ECA鄄MobileNet鄄V2网络相对

于VGG鄄16内存仅为其2%左右,改进后的ECA鄄MobileNet鄄V2网络与MobileNet鄄V2几乎没有变化,相较

于其他残差网络,如ResNet鄄50,仅为其10%左右。在模型准确度上,MobileNetV2网络结构精简,所以

参数量、计算量较少,其准确度不可避免相对较低,仅为93.3%,在MobileNet鄄V2基础结构倒残差模块

16的准确率98.8%,仅相差1.2%,笔者改进的ECA鄄MobileNet鄄V2网络,在相同数据集上与其他网络的

诊断结果如表3所示。

Tab.3摇Thenumberofparametersandrecognitionresultsofdifferentconvolutionnetworks

MobileNet鄄V2

ECA鄄MobileNet鄄V2

ResNet鄄50

VGG鄄16

模型参数数量/Million

138.4

25.5

2.3

2.2

内存大小/Mb

8.73

95.7

9.6

52698.8

90.6

93.3

97.6

中为提高诊断准确率,在嵌入ECA模块后,ECA鄄MobileNet鄄V2网络的准确率达到97.6%,相较于VGG鄄

表3摇不同卷积网络的参数量及诊断结果

准确率/%

摇摇综上所述,笔者改进后的MobileNet鄄V2网络能在网络结构精简,参数数量及计算量小于VGG鄄16、

ResNet鄄50深度卷积网络,并且其准确率并没有像MobileNet鄄V2一样因精简网络结构而降低。在

V2准确率更高。

MobileNet鄄V2网络中嵌入ECA模块,能使网络的诊断能力得以提升,相同迭代训练下,要比MobileNet鄄

3摇结摇语

笔者研究了一种基于轻量型卷积神经网络的ECA鄄MobileNet鄄V2网络,对抽油机井故障类型进行诊

断,对示功图图片通过深度学习卷积的方式对图像的轮廓信息进行特征提取,并通过嵌入ECA注意力模

块提升网络的诊断能力,在保证网络结构精简的前提下,提升网络模型在故障诊断上的诊断准确度。

通过注意力模块的嵌入,对轮廓特征有区别性的进行增强与抑制。网络模型实验验证,在采用轻量型网

络并嵌入ECA注意模块,能有效地提升网络模型对示功图故障的诊断准确度,该方法有效验证了深度学

习在大数据时代下智能化油田的有效应用性。由于在实际生产中不仅只有笔者所研究的6种工况,实际

生产过程中还会存在其他的工况类型,因此后续可以在更多种工况类型下,在卷积神经网络的基础上,

通过嵌入注意力机制对网络性能进行提升,以更好地完成故障诊断任务。

参考文献:

[1]陈德春,肖良飞,张瑞超,等.基于电功图的抽油机井工况诊断模型[J].中国石油大学学报(自然科学版),2017,

41(2):108鄄115.

CHENDC,XIAOLF,ZHANGRC,sticModelofPumpWellBasedonElectricPowerDiagram[J].Journal

ofChinaUniversityofPetroleum(NaturalScienceEdition),2017,41(2):108鄄115.

[2]ZHENGB,sisofSuckerRodPumpingBasedonDynamometerCardDecompositionandHiddenMarkovModel

[3]WANGD,tionandAnalysisofPolishedRodDynamometerCardinSuckerRodPumpingSystemwithWear

[4]任伟建,田野岑,朱永波.基于CS的神经网络在抽油机故障诊断中的应用[J].吉林大学学报(信息科学版),2017,

[J].ShockandVibration,2018,2018(4):1鄄10.

[J].TransactionsoftheInstituteofMeasurementandControl,2018,40(16):4309鄄4320.

Copyright©博看网. All Rights Reserved.

652

35(3):324鄄332.

吉林大学学报(信息科学版)第41卷

RENWJ,TIANYC,ationofCSBasedNeuralNetworkinPumpingKerFaultDiagnosis[J].Journalof

JilinUniversity(InformationScienceEdition),2017,35(3):324鄄332.

Network[C]椅,China:[s.n.],2018:556鄄560.

Series:EarthandEnvironmentalScience,2021,781(2):022057鄄1鄄022057鄄5.

ScienceandEngineering,NortheasternUniversity,2012.

Engineering,DalianUniversityofTechnology,2009.

Materials,2013(2):285鄄289.

[5]SHIXJ,ZHANGJ,chonIntelligentDiagnosisofOilPumpingWellBasedonOptimizedBPNeural

[6]JIANGJX,ficationofIndicatorDiagramTypeintheOilWellbyBPNeuralNetwork[J].IOPConference

[7]潘韩铭.基于BP神经网络与示功图分析的抽油机故障诊断系统[D].沈阳:东北大学信息科学与工程学院,2012.

[8]张楠.基于示功图分析的抽油机故障诊断系统[D].大连:大连理工大学控制科学与工程学院,2009.

iagnosisSystemBasedonBPNeuralNetworkandDiagramAnalysis[D].Shenyang:SchoolofInformation

FaultDiagnosisSystemBasedonSchematicDiagramAnalysis[D].Dalian:SchoolofControlScienceand

[9]WUW,ZHOUY,DiagnosisofSuckRodPumpingSystemBasedonSVM[J].AppliedMechanicsand

[10]刘宝军.基于CNN卷积神经网络的示功图诊断技术[J].西安石油大学学报(自然科学版),2018,33(5):70鄄82.

Xi爷anShiyouUniversity(NaturalScienceEdition),2018,33(5):70鄄82.

(1):198鄄212.

chonDiagnosticTechniqueofIndicatorDiagramBasedonCNNConvolutionNeuralNetwork[J].Journalof

[11]mpDynamometerCardPredictionUsingArtificialNeuralNetworks[J].KnEEngineering,2018,32

[12]魏航信,张青.基于深度学习的示功图多混合故障诊断[J].机电工程技术,2022,51(3):112鄄116.

Technology,2022,51(3):112鄄116.

WEIHX,鄄HybridFaultDiagnosisBasedonDeepLearning[J].ElectromechanicalEngineering

HEYF,LIUC,ationoftheModifiedAlexNetModelintheRodPumpFaultDiagnosis[J].Industrial

SafetyandEnvironmentalProtection,2020,46(7):22鄄26.

InternationalConferenceonLearningRepresentations(ICLR).SanDiego,USA:[s.n.],2015:1鄄14.

ComputerVisionandPatternRecognition(CVPR).LasVegas,USA:IEEE,2016:770鄄778.

UniversityofESTC,2020,49(5):751鄄757.

[13]何岩峰,刘成,王相.改良的AlexNet模型在有杆泵故障诊断中的应用[J].工业安全与环保,2020,46(7):22鄄26.

[14]SIMONYANK,epConvolutionalNetworksforLarge鄄ScaleImageRecognition[C]椅The2015

[15]HEK,ZHANGX,RENS,sidualLearningforImageRecognition[C]椅ProceedingsofIEEEConferenceon

[16]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鄄757.

DUJ,LIUZG,SONGKP,iagnosisofPumkerBasedonConvolutionalNeuralNetwork[J].Journalof

(责任编辑:张洁)

Copyright©博看网. All Rights Reserved.