基于Transformer增強原型網絡的潛油電泵小樣本故障診斷
中文題目：基于Transformer增強原型網絡的潛油電泵小樣本故障診斷
論文題目：Few-shot Fault Diagnosis for Electric Submersible Pump Based on Transformer-enhanced Prototypical Network
錄用會議：CPCC2025 (CAA A類會議)
作者列表：
1）王亮程 中國石油大學（北京）人工智能學院 本科生
2）李 康 中國石油大學（北京）人工智能學院 自動化系教師
3）高小永 中國石油大學（北京）人工智能學院 自動化系教師
摘要:
潛油電泵是油田重要的提升工具，實時故障診斷是保障經濟效益的重要措施。然而，目前電潛泵故障診斷面臨樣本稀缺、動態數據特征提取困難等問題。近年來，元學習逐漸成為解決小樣本故障診斷問題的潛在方案。為此，我們在現有研究成果的基礎上，融合原型網絡和Transformer的優勢，開發了一套電潛泵故障診斷程序。
背景與動機:
在海洋及陸上油田，潛油電泵憑（ESP）借大排量、高揚程的優勢已成為人工舉升的主力設備，然而其長期運行于高溫、高壓、含砂、含硫的極端環境，故障機理復雜且突發性強；一旦發生故障，輕則減產停機，重則引發井口泄漏、火災爆炸等重大事故。現場運維對實時、精準的故障診斷提出了極高要求，但出于安全規范，ESP不允許在故障狀態下長時間運行，導致可采集的故障樣本數量極少，且信號呈現多變量、非線性、強時序耦合的特點，傳統依賴大量標注數據的深度學習方法難以直接適用。此外，海上平臺作業空間受限、檢修成本高，更加劇了對“小樣本、高可靠”診斷技術的迫切需求。因此，本文著眼于元學習范式，提出融合Transformer長程依賴建模與原型網絡度量學習的TEPN框架，以實現極少量故障樣本下的快速、準確診斷，從而保障油田安全高效生產。
設計與實現:
本文針對電潛泵故障樣本稀缺的難題，設計并實現了一套 Transformer-增強原型網絡（TEPN）：首先提出多變量時間序列分詞策略（MTST），將原始高維、非線性的 ESP 信號切分成可嵌入的“時序補丁”，并引入可學習的類令牌與位置編碼，適配 Transformer 的輸入格式；隨后堆疊多層 Transformer 編碼器，利用多頭自注意力捕獲跨變量的長程依賴，輸出魯棒的故障特征；最后在元學習框架下，外循環通過大量隨機采樣的 N-way K-shot 任務，用負對數似然損失端到端優化 Transformer 與嵌入參數，內循環僅用少量支持樣本計算每類原型向量，并以歐氏距離的方式完成查詢樣本的零梯度分類。整個系統在真實油田 10 類故障數據上實現了 90% 左右的小樣本診斷準確率，驗證了其有效性。
實驗結果及分析:
實驗在中國能源發展有限公司提供的現場電潛泵故障數據集上進行，共涵蓋10類常見故障。按照3-way 3-shot、3-way 5-shot、4-way 3-shot、4-way 5-shot四種典型小樣本設置測試，TEPN在四個子數據集上的平均診斷準確率分別穩定在89.3%–94.9%區間，標準差普遍小于6%，顯示出良好的魯棒性。進一步通過t-SNE可視化可見，Transformer編碼后的特征空間內同類故障聚類緊密、異類間邊界清晰；混淆矩陣亦表明各類別召回率均衡，無嚴重混淆。對比實驗顯示，TEPN優于傳統原型網絡。
結論:
本文提出了一種新的ESP系統TEPN技術。該技術結合MTST策略對ESP數據進行預處理，并結合Transformer編碼器，構建了一個高效的模塊來學習ESP的嵌入特征，從而捕捉ESP變量的長期依賴關系。同時，該技術依賴于原型網絡的穩定性來應對小樣本的挑戰。最后，基于中國能源開發有限公司采集的真實ESP故障數據進行了全面的對比實驗，以驗證所提方法的有效性。
作者簡介:
李康，講師，博士，碩士生導師，IEEE Member, 中國自動化學會會員，中國人工智能學會會員。長期從事復雜流程工業系統安全監測與故障診斷、智能制造及先進機器人感知與交互技術等相關教學與科研工作。