宋纯贺,李泽熙,于洪霞,刘意杨*,冯铁英,张雪健

(1.中国科学院 沈阳自动化研究所机器人学国家重点实验室, 沈阳 110016) (2.中国科学院 网络化控制系统重点实验室, 沈阳 110016) (3.中国科学院 机器人与智能制造创新研究院, 沈阳 110169) (4.中国科学院 沈阳自动化研究所, 沈阳 110016) (5.沈阳工业大学 人工智能学院, 沈阳 110870) (6.杭州西奥电梯有限公司, 杭州 311199)

目前油田主要采用的传统有杆抽油系统,一旦系统出现故障,会造成采油成本增加、设备损坏,以及采油量降低；如果发生事故,则可能引发严重的人员和财产损失．因此设计可以及时且准确的识别油井故障类型的解决方法,不但可以减少人力成本,还可以提升油井的工作效率和安全性．文献[1]将极限学习机的方法应用在有杆抽油机的故障分析中,首先对示功图的特征进行提取,再利用极限学习机进行故障分类．文献[2]使用傅里叶变换的方式对功图进行特征提取,再使用径向基神经网络对提取的特征进行故障分类．上述方法虽然可以解决抽油井故障诊断的问题,但是存在训练时间长,准确率不高,参数设置复杂等问题．

深度学习的发展极大地推动了智能识别技术,目前深度学习模型已经被应用到油井功图故障识别问题之中[3-5],但仍然存在数据量少、模型识别精度不高的问题．在深度学习的理论基础上,文中提出了一种基于改进GoogLeNet网络结构的油井故障识别方法．实验证明,采用改进的GoogLeNet网络结构,识别故障准确率为……