基于注意力机制和卷积神经网络的油田柱塞泵故障诊断

上海华阳检测  |  2026年10月20日

合作研究——基于高效通道注意力的一维卷积神经网络油田柱塞泵故障诊断

上海华阳检测仪器 × 昆明理工大学联合实验室 × 客户企业

原文《基于ECA改进1D-CNN的柱塞泵故障诊断》发表于《石油机械》2023年11期

摘要

往复式柱塞泵是油田作业的关键设备，其健康状况直接影响作业区的生产运行效率。近年来，基于振动信号的柱塞泵状态监测系统逐渐在油田作业区中建立起来。然而，高负荷连续运行的柱塞泵通常根据生产目标动态调节运行工况，导致分析系统的诊断、预警性能受到工况条件下的复杂振动特征限制。针对变工况柱塞泵的复杂振动特性，本文提出基于高效通道注意力(Efficient Channel Attention, ECA)的一维卷积神经网络(One-dimensional Convolutional Neural Network, 1D-CNN)油田柱塞泵故障诊断方法。首先，在油田柱塞泵体关键部位安装加速度传感器，并使用自研HY-107Z测振仪采集泵前轴承等关键部位振动信号；其次，利用一维卷积神经网络对油田柱塞泵振动监测信号学习柱塞泵故障特征，通过高效通道注意力机制(ECA)实现减少特征维度损失同时捕获特征通道信息交互；最后，借助SoftMax分类器实现振动加速度信号分析的多故障诊断。通过现场数据采集及丰富的实验分析证明，本文提出的故障诊断模型具有较强的数据特征提取能力，并在油田实际运行数据分析中取得了高性能的诊断效果。验证结果表明技术在柱塞泵监测应用中具有较强的鲁棒性和准确性，能够为柱塞泵及类似设备的故障诊断提供理论依据和技术指导。

0 引言

油田注水系统能够弥补原油开采造成的地下亏空，保持或提高油层压力进而稳定油田产能，提高采收率。柱塞泵作为油田开发过程中的关键设备，但是运行存在压力高、能耗高、故障率高、安全风险高等问题，监控不当容易造成事故发生，成为油田设备管理的难点和重点[1,2]，同时对于提高设备运行可靠度，保障柱塞泵系统安全稳定生产，提高油田开发经济效益具有重要的意义。近年来，随着基于振动信号处理的在线监测系统建设日益成熟，柱塞泵在线监测系统逐渐取代周期性人力现场检修承担油田的注水系统维护任务[3,4]。振动信号包含大量机械运行状态信息及机组运行状态的信息，不同的故障特征、运行参数都能够映射到振动数据特征中。在柱塞泵系统运行过程中完成数据实时传输及在线诊断能够帮助维护人员及时掌握机组运行状态，对于故障缺陷能够快速相应并调整运行策略，做到发现故障及时处理。

然而，生产计划的频繁变动往往导致柱塞泵机组的运行工况产生波动，进一步导致振动强度发生波动[5]。由于故障缺陷和运行参数都影响着振动数据特征数值，油田柱塞泵振动信号特征往往受到工况扰动，传统方法特征学习能力弱，难以捕捉稳定、鲁棒的故障特征进行诊断，进而出现"不预警"或"错误预警"等威胁设备运行安全的问题。因此，探索高精度的智能化故障诊断方法是油田柱塞泵故障诊断准确率，提高油田运行监测效率的关键[6]。

近年来，深度学习因其强大的故障特征学习能力作为故障诊断领域的热点方向，并在机械设备故障诊断领域被广泛地应用。大量研究表明了基于卷积神经网络(Convolutional Neural Network, CNN)的故障诊断在工业场景中的重要优势，CNN通过对工业数据强关联特性的学习和表征能够应对工业高温、噪声等随机因素对故障诊断的干扰，具有优秀的鲁棒性和特征学习能力[7-9]。1D-CNN由于相比传统二维卷积神经网络相比更简单的输入和运算速度能够获取轻量化模型而受到广泛关注[10-12]，通过卷积核在一维数据的滑动使1D-CNN能够适用于各类传感器数据的时间序列分析，能够发掘出深层次非线性的特征用于表征航空发动机的性能退化程度，从而在保证预测精度的基础上，简化模型结构，提高模型训练效率。但现有方法缺乏有效的数据特征强化，且目前关于油田柱塞泵故障诊断的深度学习方法尚未被深度探索。有鉴于此，本文在1D-CNN中引入高效通道注意力，通过增强特征通道交互实现网络性能改进，并在某采油厂的柱塞泵点检数据中进行实验，验证结果表明技术在柱塞泵监测应用中具有较强的鲁棒性和准确性。

1 基于 ECA 的 1D-CNN 故障诊断模型

1.1 模型构建

本文在1D-CNN的基础上引入高效通道注意力模块，基于1D-CNN从油田柱塞泵振动信号中学习各类故障的多层次特征，然后引入高效通道注意力模块对特征通道的重要程度进行提取，根据这个重要程度实现故障特征增强，对无效的特征进行抑制，使网络获得鲁棒性更高的分类线索。其网络拓扑结构如图1所示：

故障诊断模型主要由输入层、隐含层、注意力层以及全连接层组成。输入层以油田柱塞泵一维振动信号样本作为输入，隐含层包括卷积层、BN层、池化层，本文设计的网络结构中包含两个隐层。输入数据经过卷积操作后生成特征图，随后经过核尺寸为2的最大池化操作得到第一个隐含层的输出；其次经过第二隐含层经过卷积和池化操作；随后将隐含层输出送入ECA模块进行通道交互；进一步地，将ECA输出展平进行全连接计算，通过激活函数获得模型输出；最后将标记好的特征序列送到SoftMax分类器中实现柱塞泵故障分类。

1.2 油田柱塞泵故障诊断流程

基于ECA的1D-CNN故障诊断流程如图2所示。本文将ECA引入1D-CNN实现网络模型构建，然后进行模型参数初始化设定，采用SoftMax分类器映射输出特征，以交叉熵作为损失函数 L(θ) 更新模型参数；通过迭代计算损失函数判断其收敛特性，最后完成模型训练并保存模型参数；具体步骤信息如下：

（1）信号采集：采用自研振动采集系统对油田柱塞泵振动加速度信号进行采集用于状态分析和诊断模型构建。

（2）数据集准备：按预设比例将油田柱塞泵振动加速度数据划分为训练集和测试集。

（3）模型构建与训练：设计故障诊断模型架构并初始化模型参数，基于训练集数据对模型进行训练，并利用前向传播和反向传播迭代求取梯度、更新模型参数，完成指定迭代次数后结束训练保存最优的模型。

（4）故障诊断测试：以训练获取的最优模型进行测试，基于测试集数据开展模型性能验证评估。

2 实验验证

2.1 实验介绍

本文在某油田柱塞泵上开展信号采集分析实验，以验证提出的故障预警技术。柱塞泵型号为5DSB，主要信息如图3所示。5DSB系列柱塞泵装置主要由驱动电机、皮带轮、柱塞泵、基座组成，其中柱塞泵分为动力端与液力端两部分。传感器安装位置为：电机驱动端轴承垂直方向2V-a；泵前轴承垂直方向3V-a；泵后轴承垂直方向4V-a，本文中所有数据均来自3V测点。本实验数据为通过油田日常运行与检修维护获取的现场点检数据，包含3种油田柱塞泵状态：正常状态、连杆断裂故障、轴承断裂故障，在文中用F1~F3来表示3种状态。油田柱塞泵数据采集及分析使用上海华阳检测器产品进行状态监测，具体如下所示：

设备参数：设备的振动数据采集选用的仪器为上海华阳检测公司研发的HY-107Z工作测振仪。

参数及采样频率选择：本次测量采用机械振动状态监测中加速度参数，单位为 m/s²，取有效值，数据的采样频率为12.8K，单次采样点数为8192个点，采样间隔为5min。每类柱塞泵状态数据在本文实验中共选取300组信号作为总样本数据，其中训练集随机选择信号总样本数据的70%，其余30%的信号样本数据作为测试集。具体信息如表1所示。

表1 油田柱塞泵健康状态及数据参数

2.3 数据波形和频谱分析

本文导出系统中的油田注水泵振动加速度数据进行波形和频谱分析。本次实验中F1正常状态数据来源于2021年12月的点检数据，F2连杆断裂故障及F3轴承断裂故障数据来源于2022年1月点检数据。信号时域波形、频谱如图4所示。

从5(a)、(b)、(c)中的时域信号可以看出，受到实际运行环境中的各类干扰因素影响，信号波形呈现出多种特征，即使相近时间段内的数据特征也可能出现较大差异。从三种状态数据的频谱来看，频带能量分布的不确定性更加显著，相同状态在不同频带均可能出现显著的能量分布。上述分析表明，传统故障特征分析难以在环境复杂、背景嘈杂、工况多变的油田柱塞泵实际运行监测中实现及时、准确的故障诊断，使用学习能力更强、鲁棒性更优的深度学习方法进行故障诊断对于油田生产具有重要意义。

2.4 实验结果分析

本文通过引入回调函数结合模型在训练过程中的表现进行预先保存得到最佳的模型参数。测试集300个样本中，本文提出的方法只有F1的5个样本被误判为连杆断裂状态，其余的数据都能达到100%的诊断正确率，这表明本文提出的模型有较高的故障识别率。对比之下，1D-CNN在F1状态的诊断中出现了15个误判，F2的预测中出现了3个误判，出现了较多诊断失效的案例。

为了验证本文构建的模型的性能，本文将广泛应用的1D-CNN、全连接神经网络(FCNN)和多尺度卷积神经网络[16,17](MC-CNN)对数据进行分析和实验结果比较。激活函数、优化器、损失函数、Dropout的比例和迭代次数等均和本文构建的模型设置相同。所应用的模型实验结果如表2所示。

表2 四种模型的故障诊断准确率

在表2中可以看到，本文构建的模型对诊断准确率显著优于其他的模型，本文模型、1D-CNN，MC-CNN，FCNN的诊断准确率分别为98.1%，93.3%，93.4%，67.6%，并且本文在F1和F3的诊断中达到100%的正确率，这表明本文提出的方法具有较高精度的同时泛化性能也较好。状态F2数据的诊断正确率相比其余状态表现不高，主要是被误判为F1状态，这可能是网络特征提取能力不足造成的。

3 结论

本文提出基于高效通道注意力的一维卷积神经网络故障诊断方法。通过对油田柱塞泵点检振动加速度信号进行深度特征提取，结合高效通道注意力增强特征跨通道交互，提高了特征的有效性，克服传统信号分析在环境复杂、背景嘈杂、工况多变的油田生产中无法充分挖掘故障信息的局限性。通过油田生产点检数据的实验验证，本文提出的模型能够有效的解决监测信号干扰分量复杂、特征时变性强的问题，同时与当前其它深度学习模型相比，基于高效通道注意力的1D-CNN模型具有出色的诊断精度和鲁棒性，具备理论指导意义和工程实用价值。

关于上海华阳

上海华阳检测仪器有限公司自1981年创立以来，始终专注于工业装备智能运维软件平台、数据分析算法及设备检测诊断仪器的研发与制造。

公司先后荣获上海市高新技术企业、上海市专精特新企业、上海市专家工作站等资质，并与昆明理工大学等高校保持深度产学研合作，是中国工业设备管理领域的重要力量。

服务热线：400-820-7512 / 021-62400193

地址：上海市昭化路515号 邮编：200050

邮箱：khfw@sh-huayang.com

网址：www.sh-huayang.com

工作时间：工作日 8:30 – 17:00

上海华阳检测仪器有限公司

厚德载物 · 追求卓越 · 始于1981