数据不平衡分布下燃气调压器故障识别方法.pdfVIP

第45卷第2期振动、测试与诊断Vol.45No.2

2025年4月JournalofVibration，MeasurementDiagnosisApr.2025

DOI:10.16450/ki.issn.1004⁃6801.2025.02.019

数据不平衡分布下燃气调压器故障识别方法∗

112

尹孟伟，王勇，王超群

（1.上海电力大学计算机科学与技术学院上海，201306）

（2.上海航天能源股份有限公司上海，201201）

摘要针对燃气调压器故障识别中不平衡数据影响模型识别能力的问题，提出一种一维卷积神经网络

（one⁃dimensionalconvolutionalneuralnetwork，简称1D⁃CNN）与注意力机制（squeeze⁃and⁃excitation，简称SE）相结

合的改进深度卷积神经网络（SE⁃1DCNN）方法。首先，使用一维卷积核提取故障特征；其次，在交替的卷积层后添

加SE模块用于通道加权，选择性地保留所需的重要信息特征，并抑制弱相关的特征；最后，使用类平衡损失函数代

替交叉熵损失函数来抵消不平衡分布给网络造成的影响。实验结果表明，根据真实环境中采集的不平衡故障数据，

所提改进模型与其他故障识别模型相比有更好的故障识别能力，准确率高达98.17%。

关键词故障识别；燃气调压器；类平衡损失函数；卷积神经网络；注意力机制

中图分类号TH138.52；TP206.3；TP306.3

引言络实现数据驱动的机械智能故障诊断打下了基础。

深度学习技术在特征提取和适应性学习方面显示出

调压器是天然气输配过程中降压、稳压的设备，［5］［6］［7］

强大的能力，在语音识别和计算机视觉等领域

其运行状况直接影响着燃气输配系统的安全。当迅速发展。对比传统机器学习，深度学习不需要人

前，对调压器的故障诊断多以定时检查为主，导致运工参与特征工程提取且具有更强的适应性和学习能

行维护困难。随着物联网技术的发展，大量的调压力。因此，为了实现调压器故障智能诊断代替人工

站被改造成为数字调压站，调度中心能采集到调压判断，减少企业运行维护压力，迫切需要一种高效、

器运行参数的各种时序数据，用于监测调压器的健准确的故障诊断识别方法。

康程度，这为实现调压器故障智能诊断提供了数据

基础。文献［1］通过搭建概率神经网络实现燃气调1问题分析

压器4种不同的故障类型诊断，具有一定的实际应

用价值。文献［2］提出稀疏自编码与支持向量机在基于深度学习理论的调压器故障识别方面，

（supportvectormachine，简称SVM）相结合实现调文献［8］提出一种改进一维卷积神经网络与SVM

压器的故障类型分类。文献［3］将具有自适应噪声分类器相结合的方法对6种故障进行分类，虽然取

的完全集成经验模态分解和模糊C⁃均值聚类相结得了不错的识别准确率，但有以下两点不足：①其实

合，实现了3种典型的调压器故障状态的分类。文验数据集来自调压器检测线中实时采集的压力数

献［4］提出了基于粒子群优化的核主元分析法