基于前馈神经网络的天然气抽油机软件实现故障诊断
机器学习
2025-02-26 v1 信号处理
摘要
近年来，人们越来越多关注使用人工神经网络（ANN）对天然气抽油机（GPU）进行诊断。通常，ANN的训练是在GPU工作流模型上进行的，生成的诊断数据集用于模拟缺陷状态。同时，所获得的结果无法评估GPU的真实状态。建议使用GPU的声学和振动过程特征值作为ANN的输入数据。对GTK-25-i型（Nuovo Pignone，意大利）天然气抽油机运行产生的真实振动和声学过程进行了描述性统计分析。已完成到达ANN输入的诊断特征包的构建。诊断特征为声学和振动信号的五个最大振幅分量，以及每个样本的标准差值。针对GPU的三种技术状态，在ANN数据输入管道中实时计算诊断特征。使用TensorFlow、Keras、NumPy、pandas框架，在Python 3编程语言中，开发了一种深度全连接前馈ANN的架构，采用误差反向传播算法进行训练。给出了所开发ANN的训练和测试结果。在测试中发现，对于全部1475个信号样本，"额定"状态的信号分类精度为1.0000，"运行"状态的精度为0.9853，"缺陷"状态的精度为0.9091。所开发的ANN的使用使得GPU技术状态的分类精度达到实际应用所需的水平，从而可防止GPU故障的发生。ANN可用于诊断任意类型和功率的天然气抽油机。
引用
@article{arxiv.2502.18233,
title = {Software implemented fault diagnosis of natural gas pumping unit based on feedforward neural network},
author = {Mykola Kozlenko and Olena Zamikhovska and Leonid Zamikhovskyi},
journal= {arXiv preprint arXiv:2502.18233},
year = {2025}
}
备注
11 pages, 9 figures