平均池化時域圖卷積網絡用于潛油電泵異常檢測
中文題目：平均池化時域圖卷積網絡用于潛油電泵異常檢測
論文題目：Average-Pooling Temporal Graph Convolutional Network for Anomaly Detection of Electric Submersible Pump
錄用期刊/會議：DDCLS 2025 (CAA-A類 EI會議論文)
原文DOI：10.1109/DDCLS66240.2025.11065249
原文鏈接：https://ieeexplore.ieee.org/document/11065249
錄用/見刊時間：2025年
作者列表：
1）劉健楊 中國石油大學（北京）人工智能學院 碩士研究生
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
4）張來斌 中國石油大學（北京）安全與海洋工程學院 安全工程系教師
摘要:
本研究提出了一種平均池化時域圖卷積網絡（APTGCN），用于處理潛油電泵（ESP）異常檢測問題。APTGCN融合了時域卷積網絡（TCN）和圖卷積網絡（GCN），實現了對ESP監測變量的時空依賴關系建模。特別地，在TCN與GCN之間采用了平均池化層（APL），改善了模型的計算復雜度和訓練效率。實驗結果表明，APTGCN在實際真實油田ESP異常檢測中展現出有效性與優越性。
背景與動機:
ESP廣泛應用于海上油田開采中，用于將地下流體高效提取至地面。然而，復雜惡劣的下井環境（如高溫、高壓、高腐蝕、高振動）極易導致泵軸斷裂、套管泄漏等故障，不僅增加運維成本，還危及作業安全。傳統的異常檢測方法依賴單變量分析和人工操作，難以適應復雜的多變量動態特性。隨著工業大數據的發展，數據驅動方法逐漸成為主流。然而，現有方法或忽視了變量間交互，或存在模型復雜度高、過擬合風險大等問題。因此，設計一種高效、簡潔、能同時捕捉時空依賴關系的新型模型，是ESP異常檢測領域亟需解決的關鍵挑戰。
設計與實現:
如圖1所示，本文提出的APTGCN模型由三部分構成：時域卷積網絡(Temporal Convolutional Network, TCN)、平均池化層(Average Pooling Layer, APL) 和圖卷積網絡(Graph Convolutional Network, GCN)。首先，TCN用于提取傳感器數據中的長期時序特征，并利用因果卷積與擴張卷積保持數據時序性。隨后，APL對時間維度上的特征進行平均池化，既降低了特征維度、平滑了短時噪聲，也顯著減少了后續GCN的計算負擔。最后，GCN以傳感器之間的余弦相似度為依據構建圖結構，挖掘變量間的空間依賴關系。整個模型在訓練階段采用均方誤差損失進行預測學習，在測試階段通過殘差評分函數實現異常檢測。該工作流程通過在滑動窗口數據上訓練APTGCN模型來學習正常的時空模式，隨后計算預測值與實時傳感器數據之間的歸一化殘差，若超過閾值則標記為異常。圖2展示了APTGCN用于ESP故障檢測的運行流程。
圖1 所提方法概述
圖2 基于APTGCN的電潛泵異常檢測流程圖
實驗結果及分析:
為評估所提出的APTGCN模型的有效性，我們在真實ESP監測數據集上進行了一系列實驗。本研究所用數據采集自中國某實際油田的四口ESP油井（B18ST1、B20H3、E32和B47ST1）。每口油井配備15個傳感器，持續監測重要運行參數。圖3以可視化形式對比了不同模型和油井的性能指標（FDR、FAR、gmean）。APTGCN不僅展現出最優的平均性能，在平衡性指標上表現尤為突出，這表明其具有更強的穩定性。
圖3 四類方法在不同油井中的重復實驗結果 (a)FDR (b)FAR (c) gmean.
消融實驗在四個不同數據集的平均結果如表1所示。結果表明APL模塊的引入在保持高異常檢測性能的同時，顯著降低了模型復雜度。與其他設計方案相比，APTGCN在檢測精度、計算效率和模型簡潔性三者之間實現了最佳平衡。
表1 不同消融實驗在四個不同數據集的平均結果
結論:
本文提出了一種用于ESP異常檢測方法APTGCN。該方法通過TCN和GCN提取時空特征，并使用APL以進一步降低計算復雜度并提升檢測性能。在四個實際油井數據集上的實驗驗證了APTGCN相較于現有方法具有更高的檢測準確率、更低的誤報率和更優的模型穩定性，為ESP系統的智能監測提供了一種高效可靠的解決方案。
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。