基于ECA改进1D-CNN的柱塞泵故障诊断.pdf

油气人工智能基于 ECA 改进 1D-CNN 的柱塞泵故障诊断杨光乔1 李 颖1 王国程1 刘明魁1 柳小勤2 邓云楠2(1.中国石油长庆油田分公司第三采油厂 2.昆明理工大学机电工程学院)杨光乔,李颖,王国程,等.基于 ECA 改进 1D-CNN 的柱塞泵故障诊断 J.石油机械,2023,51(11):34-40,162.Yang Guangqiao,Li Ying,Wang Guocheng,et al.Fault diagnosis of plunger pump based on ECA improved 1D-CNNJ.China Petroleum Machinery,2023,51(11):34-40,162.摘要:往复式柱塞泵是油田作业的关键设备,其健康状况直接影响作业区的生产运行效率。针对变工况柱塞泵的复杂振动特性,提出基于高效通道注意力(Efficient Channel Attention,ECA)的一维卷积神经网络(One-dimensional Convolutional Neural Network,1D-CNN)油田柱塞泵故障诊断方法。在油田柱塞泵体关键部位安装加速度传感器,并使用测振系统采集泵前轴承等关键部位振动信号;利用一维卷积神经网络对油田柱塞泵振动监测信号进行学习,以识别柱塞泵故障特征,通过高效通道注意力(ECA)机制实现减少特征维度损失同时捕获特征通道信息交互,以提高柱塞泵故障诊断精度;借助 SoftMax 分类器实现振动加速度信号分析的多故障诊断。现场数据采集及试验分析证明,提出的故障诊断模型具有较强的数据特征提取能力,并在油田实际运行数据分析中取得了高性能的诊断效果。验证结果表明,该技术在柱塞泵监测应用中具有较强的鲁棒性和准确性,与其他单一深度学习相比有显著的故障特征提取和诊断优势,能够为柱塞泵及类似设备的故障诊断提供理论依据和技术指导。关键词:柱塞泵;故障诊断;卷积神经网络;高效通道注意力中图分类号:TE934 文献标识码:A DOI:10.16082/ki.issn.1001-4578.2023.11.005Fault Diagnosis of Plunger Pump Based on ECA Improved 1D-CNNYang Guangqiao1 Li Ying1 Wang Guocheng1 Liu Mingkui1 Liu Xiaoqin2 Deng Yunnan2(1.No.3 Oil Production Plant,PetroChina Changqing Oilfield Company;2.Faculty of Mechanical and Electrical Engineering,Kunming University of Science and Technology)Abstract:Reciprocating plunger pump is a key equipment in oilfield operation,and its health directly affects the production operation efficiency of the operating block.Aimed at the complex vibration characteristics of plunger pump under variable working conditions,a fault diagnosis method for oilfield plunger pump based on ECA(effi-cient channel attention)improved 1D-CNN(one-dimensional convolutional neural network)was proposed.Accel-eration sensors were installed in key parts of the oilfield plunger pump,and a vibration measurement system was used to collect vibration signals from key parts such as front bearing of the pump;the one-dimensional convolution-al neural network was used to learn the fault characteristics of plunger pump through oilfield plunger pump vibration monitoring signals,and the efficient channel attention mechanism was used to achieve interaction of captured char-acteristic channel information at the same time of reducing the characteristic dimension loss,so as to improve the fault diagnosis accuracy of plunger pump;and the SoftMax classifier was used to achieve multi-fault diagnosis of vi-43 石 油 机 械CHINA PETROLEUM MACHINERY2023 年 第 51 卷 第 11 期基金项目:中国石油长庆油田公司科学研究与技术开发项目“智能化地面工艺技术研究与应用”课题“注水泵状态智能监测与故障诊断技术研究”(2022DJ0801)。bration acceleration signal analysis.Field data collection and test analysis show that the proposed fault diagnosis model has strong data characteristic extraction ability,and has achieved high-performance diagnostic effect in actu-al oilfield operation data analysis.The verification results show that this technology has strong robustness and accu-racy in the monitoring application of plunger pump,has significant advantages in fault feature extraction and diag-nosis compared to other single deep learning methods,and provides theoretical basis and technical guidance for fault diagnosis of plunger pump and similar equipment.Keywords:plunger pump;fault diagnosis;convolutional neural network(CNN);efficient channel atten-tion(ECA)0 引 言油田注水能够弥补原油开采造成的地下亏空,保持或提高油层压力进而稳定油田产能,提高采收率。柱塞泵作为油田开发过程中的关键设备,其运行中存在压力高、能耗高、故障率高、安全风险高等问题,监控不当容易造成事故发生,成为油田设备管理的难点和重点1-2。保障柱塞泵系统安全稳定生产、提高设备运行可靠度,对于提高油田开发经济效益具有重要意义。近年来,随着基于振动信号处理的在线监测系统建设日益成熟,柱塞泵在线监测系统逐渐取代周期性人力现场检修,承担着油田的注水系统维护任务3-4。振动信号包含大量机械运行状态信息及机组运行状态信息,不同的故障特征、运行参数都能够映射到振动数据特征中。在柱塞泵系统运行过程中完成数据实时传输及在线诊断能够帮助维护人员及时掌握机组运行状态,对于故障缺陷能够快速响应并调整运行策略,做到发现故障并及时处理。然而,生产计划的频繁变动往往导致柱塞泵机组的运行工况产生波动,进一步导致振动强度发生波动5。由于故障缺陷和运行参数都影响着振动数据特征数值,油田柱塞泵振动信号特征往往受到工况扰动,传统方法对故障特征的捕捉和学习能力较弱,难以对故障特征进行诊断,进而出现“不预警”或“错误预警”等威胁设备运行安全的问题。因此,探索高精度的智能化故障诊断方法是保障油田柱塞泵故障诊断准确率,提高油田运行监测效率的关键6。近年来,深度学习优秀的自适应故障特征学习能力成为故障诊断领域的热点方向,并在机械设备故障诊断领域得到广泛关注。大量研究表明,基于卷 积 神 经 网 络(Convolutional Neural Network,CNN)的故障诊断在工业场景具有关键意义,通过对工业数据强关联特性的学习和表征,CNN 能对工业环境下高温、嘈杂等负面因素对故障诊断的干扰进行消除,实现鲁棒特征的学习能力7-9。由于一维卷积神经网络(One-dimensional Convolutional Neuyql Network,1D-CNN)相比传统二维卷积神经网络具有输入简单、运算速度快,能够获取轻量化模型而受到广泛关注10-12。卷积核在一维数据的连续滑动令 1D-CNN 能够适用于各类传感器数据的时间序列分析,并发掘出深层非线性特征用于表征目标的性能,从而在保证预测精度的基础上简化模型结构,提高模型训练效率。但柱塞泵体积较大、振动传播路径复杂,导致故障特征在信号中受到大量干扰而难以被提取。目前关于油田柱塞泵故障诊断的深度学习方法尚未被探索,且现有基于深度学习的故障诊断方法缺乏对振动信号的有效数据特征强化,多通道特征不具备有效的深度交互。鉴于此,本文提出基于高效通道注意力(Efficient Channel Attention,ECA)改进 1D-CNN 的油田柱塞泵故障诊断方法,针对柱塞泵体积大、振动传播路径复杂导致传统方法在振动故障信号特征提取中的局限,基于深度学习方法开展油田柱塞泵故障诊断智能模型研究。使用 1D-CNN 作为故障诊断基准模型,并引入 ECA,通过增强通道特征交互实现深层次柱塞泵振动信号特征挖掘,提高模型预测精度。在某采油厂的柱塞泵实际运行在线监测数据中进行试验,通过实际的应用和验证结果,展示了本文方法在柱塞泵监测应用中的鲁棒性和准确性。1 理论基础1.1 卷积神经网络卷积神经网络通过稀疏连接和权值参数共享将数据的简单特征映射到更复杂的高维模式。其组成部分描述如下。CNN 主要由不同卷积参数的卷积层组成并对输入数据进行一系列卷积运算以获取卷积特征,其数学表达为:xlj=mi=1xl-1i klij+blj(1)532023 年 第 51 卷 第 11 期杨光乔,等:基于 ECA 改进 1D-CNN 的柱塞泵故障诊断 式中:xlj表示捕获的特征;xl-1i表示输入的数据;klij表示卷积核;blj表示偏置项;表示卷积运算。由于分布统一的数据能让模型更容易学习到数据之中的规律,卷积处理后的数据通常需要批量归一化(Batch Normalization,BN)处理,使隐含神经元趋于标准正态分布,从而减少数据特征分布差异并有效缓解梯度消失问题。BN 通过独立的方式使每一个特征向量具有零均值和单位方差。当卷积层输出 d 维空间向量,则 BN 输入 X=(x(1),x(d)。为减小内部协变量转移,将对每一维特征归一化,可以被表示为:x(i)=x(i)-Ex(i)Varx(i)(2)式中:Ex(i)为 x(i)的期望值;Varx(i)为 x(i)的方差。使用式(2)对特征进行归一化会影响模型的表征能力,于是引入重构参数 i和 i对归一化值进行调整,恢复原始网络的特征分布,上述过程可以描述如下:f(i)=(i)x(i)+(i)(3)对数据进行 BN 规范化后,采用激活函数对数据实施非线性映射。选用 Rectified linear unit(Re-LU)激活函数对输入特征进行处理得到输出:ylj=f(xlj)=max0,xlj(4)式中:f(xlj)为激活函数;ylj为输入特征 xlj的激活值。随后进行池化(Pooling)操作减小模型规模、提高运算速度,同时提高所提取特征的鲁棒性,实现目标区域特征提取并减少参数数量,防止模型过拟合。本文采用最大池化操作,函数表示如下:plj=max(w(s1,s2)yl-1j)(5)式中:w(s1,s2)表示池化区域;s1和 s2对应池化区域的宽度;yl-1j为第 l-1 卷积层中的第 j 个特征值;表示池化区域和特征输出的交集。经过最大池化后的特征将被展平处理输入全连接层,其表达式如下:yi=(wh)Tdm+bh)(6)式中:wh表示相邻层之间的权重矩阵;bh为偏置;dm表示输入数据;()是激活函数。在全连接层之后,通过 SoftMax 函数实现类别分类,即有:fk(y)=exp(yk)Ck=1exp(yk)(7)式中:fk(y)是 SoftMax 函数对每个类别的预测值;k为目标的输出类别索引;C 为训练中所涉及的样本总数。同时,模型训练采用交叉熵作为损失函数,公式如下:L()=-Ck=1hklogfk()(8)式中:为模型的训练参数;hk为第 k 个目标的输出类别;fk()为第 k 类样本预测概率值;L()为误差损失值。1.2 高效通道注意力高效通道注意力(ECA)13是在 SENet14的基础上做出改进,提出一种不降维的局部跨通道交互策略和自适应选择一维卷积核尺寸的方法。ECA通过不降低维数的通道级全局平均池化操作,将特征图由二维矩阵压缩成为单个数值,从而获取特征图的全局感受野信息。当给定特征 y RC,高效通道注意力可以被表示为:=(Wy)(9)其中:W 为学习通道注意力带状矩阵,被表示为:1,11,p00002,22,p+100000C,C-p+1C,C(10)W 包含 p C 个参数,相比原始通道注意力机制更少。其中每个通道特征 yn的权重 wn可以通过与邻域内 p 个参数的交互,该过程被表示为:wn=Pv=1wvyvn()(11)所有通道的特征权重共享,即共同使用 wv,此时可以通过以卷积核尺寸为 p 的一维卷积来表示式(11)中的计算,即有:w=(Conv1Dp(y)(12)式中:Conv1D 表示一维卷积操作。式(12)即为 ECA 的计算表达式,详细模块架构如图 1 所示。图 1 注意力机制Fig.1 Attention mechanism63 石 油 机 械2023 年 第 51 卷 第 11 期1.3 基于 ECA 的 1D-CNN 故障诊断模型1.3.1 模型构建在 1D-CNN 的基础上引入高效通道注意力模块,基于 1D-CNN 从油田柱塞泵振动信号中学习各类故障的多层次特征;然后引入高效通道注意力模块对特征通道的重要程度进行提取,根据这个重要程度实现故障特征增强,对无效的特征进行抑制,使网络获得鲁棒性更高的分类线索。其网络拓扑结构如图 2 所示。图 2 ECA 改进的 1D-CNN 油田柱塞泵故障诊断模型结构Fig.2 Structure of fault diagnosis model for oilfield plunger pump based on ECA improved 1D-CNN故障诊断模型主要由输入层、隐含层、注意力层以及全连接层组成。输入层以油田柱塞泵一维振动信号样本作为输入,隐含层包括卷积层、BN 层、池化层,本文设计的网络结构包含 2 个隐含层。输入数据经过卷积操作后生成特征图,随后经过卷积核尺寸为 2 的最大池化操作得到第 1 个隐含层的输出;其次经过第 2 隐含层经过卷积和池化操作;随后将隐含层输出送入 ECA 模块进行通道交互;进一步地,将 ECA 输出展平进行全连接计算,通过激活函数获得模型输出;最后将标记好的特征序列送到 SoftMax 分类器中实现柱塞泵故障分类。1.3.2 油田柱塞泵故障诊断流程基于 ECA 改进的 1D-CNN 故障诊断流程如图 3所示。将 ECA 引入 1D-CNN 实现网络模型构建,然后进行模型参数 初始化设定,采用 SoftMax 分类器映射输出特征,以交叉熵作为损失函数 L()更新模型参数;通过迭代计算损失函数判断其收敛特性,最后完成模型训练并保存模型参数。具体步骤信息如下:(1)信号采集。采用 HY-107Z 测振系统对油田柱塞泵振动加速度信号进行采集,用于状态分析和诊断模型构建。(2)数据集准备。按预设比例将油田柱塞泵振动加速度数据划分为训练集和测试集。(3)模型构建与训练。设计故障诊断模型架构并初始化模型参数,基于训练集数据对模型进行训练,并利用前向传播和反向传播迭代求取梯度、更新模型参数,完成指定迭代次数后,结束训练保存最优模型。(4)故障诊断测试。以训练获取的最优模型进行测试,基于测试集数据开展模型的性能验证和评估。图 3 油田柱塞泵故障诊断流程图Fig.3 Flowchart for fault diagnosis of oilfield plunger pump2 试验验证2.1 试验介绍本文在某油田柱塞泵上开展信号采集分析试验,以验证提出的故障预警技术。柱塞泵型号为5DSB,主要信息如图 4 所示。图 4 油田柱塞泵实物及传感器安装示意图Fig.4 Schematic diagram of oilfield plunger pump and installed sensors5DSB 系列柱塞泵装置主要由驱动电机、皮带轮、柱塞泵及基座组成,其中柱塞泵分为动力端与液力端 2 部分。传感器安装位置如下:电机驱动端732023 年 第 51 卷 第 11 期杨光乔,等:基于 ECA 改进 1D-CNN 的柱塞泵故障诊断 轴承垂直方向 2V-a;泵前轴承垂直方向 3V-a;泵后轴承垂直方向 4V-a。文中所有数据均来自 3V测点。试验数据为通过油田日常运行与检修维护获取的现场在线监测数据,包含油田柱塞泵 3 种状态:正常状态、连杆断裂故障、轴承断裂故障,在文中用 F1F3 来表示 3 种状态。油田柱塞泵数据采集及分析使用上海华阳检测器进行状态监测,具体为:设备的振动数据采集选用的仪器为华阳检测公司研发的 HY-107Z 工作测振仪。本次测量采用机械振动状态监测中加速度参数,单位为 m/s2,取有效值;数据的采样频率为 12.8 kHz,单次采样点数为 8 192 个点,采样间隔为 5 min。每类柱塞泵状态数据在试验中共选取 300 组信号作为总样本数据,其中训练集随机选择信号总样本数据的70%,其余 30%的信号样本数据作为测试集。具体信息如表 1 所示。表 1 油田柱塞泵健康状态及数据参数Table 1 Health status and data parameters of oilfield plunger pump工况状态数据采集时间样本长度训练集样本数目类别编号正常状态2021 年 12 月8 192210F1柱塞连杆断裂2022 年 1 月8 192210F2轴承断裂2022 年 1 月8 192210F32.2 模型参数选择针对所处理油田柱塞泵振动加速度信号,设计2 层卷积层,以保证故障诊断性能的同时避免参数过多导致算法效率下降。考虑到在线监测数据的工况波动特性,设计较少的卷积层以避免对当前数据分布的过拟合。输入层所输入的是原始一维振动信号,因此在卷积层 1 中设计了宽卷积核以抑制干扰特征15。为了覆盖更多参数组合的选择及降低人工选择参数引入的随机性,引入了网格搜索算法来寻最优模型的参数,即将各个参数可能的取值进行排列与组合,然后使用各参数组合对构建的模型进行训练,通过交叉验证对模型诊断性能进行测试16-17。拟合函数遍历所有的参数组合后,自动选择最佳参数组合。参数优化结果如表 2 所示。此外,试验 Batchsize 设为 64,训练 Epoch 为30,正则化选用 L2 范数。优化器设置为 Adam(学习率为 0.000 1),最后保存最优的模型进行测试。表 2 模型主要参数Table 2 Main parameters of the model层名称层参数输出尺寸卷积层 1节点数 64,核尺寸 8512 64池化层 1核尺寸 2128 64卷积层 2节点数 32,核尺寸 3128 32池化层 2核尺寸 232 32Dropout节点丢失概率为 0.2532 32通道注意力层3232全连接(输出层)32.3 数据波形和频谱分析导出系统中的油田注水泵振动加速度数据进行波形和频谱分析。试验中 F1 正常状态数据来源于2021 年 12 月的在线监测数据,F2 连杆断裂故障及F3 轴承断裂故障数据来源于2022 年1 月在线监测数据。信号时域波形、频谱如图 5 所示。图 5 柱塞泵不同状态下的数据波形和频谱Fig.5 Data waveform and spectrum of plunger pump under different states83 石 油 机 械2023 年 第 51 卷 第 11 期从图 5 的时域信号可以看出,受到实际运行环境中的各类干扰因素影响,信号波形呈现出复杂、多变的特征,即使相近时间段内的数据特征也可能出现较大差异。从 3 种状态数据的频谱来看,频带能量分布的不确定性更加显著,相同状态在不同频带均可能出现显著的能量分布。上述分析表明,传统故障特征分析难以在环境复杂、背景嘈杂、工况多变的油田柱塞泵实际运行监测中实现及时、准确的故障诊断,基于学习能力更强、鲁棒性更优的深度学习方法进行故障诊断对于油田生产具有重要意义。2.4 试验结果分析通过引入回调函数,结合模型在训练过程中的表现,进行预先保存,得到最佳的模型参数。训练集数据和测试集数据的故障诊断准确率及损失率分别如图 6a 和图 6b 所示。图 6 诊断准确率曲线Fig.6 Diagnostic accuracy curve从图 6 可以看出,模型验证性能良好,经过40 次的循环迭代,测试集的准确率能够达到93.7%。为了进一步地评价构建的模型对油田柱塞泵故障的诊断效果,引入多分类混淆矩阵对试验结果进行详细分析。基于高效通道注意力的一维卷积神经网络与 1D-CNN 混淆矩阵如图 7 所示。从图 7 可以看出,测试集 300 个样本中,本文提出的方法只有 F1 的 5 个样本被误判为连杆断裂状态,其余的数据都能达到 100%的诊断正确率,这表明本文提出的模型有较高的故障识别率。对比之下,1D-CNN 在 F1 状态的诊断中出现了 15 个误判,F2 的预测中出现了 3 个误判,出现了较多诊断失效的案例。图 7 多分类混淆矩阵Fig.7 Multi-classification confusion matrix为了验证本文构建模型的性能,将广泛应用的1D-CNN、全连接神经网络(FCNN)和多尺度卷积神经网络(MC-CNN)18-19对数据进行分析和试验结果比较。激活函数、优化器、损失函数、Dropout 的比例和迭代次数等均和本文构建的模型设置相同。所应用的模型试验结果如表 3 所示。表 3 4 种模型的故障诊断准确率Table 3 Fault diagnosis accuracy of 4 models模型准确率/%F1F2F3平均/%本文模型100.094.7100.098.11D-CNN96.285.3100.093.3MC-CNN92.485.896.991.7FCNN62.560.079.067.1 从表 3 可以看出,本文模型、1D-CNN,MC-CNN 及 FCNN 的 诊 断 准 确 率 分 别 为 98.1%、93.3%、93.4%及 67.6%,本文构建的模型诊断准确率显著优于其他模型,并且本文在 F1 和 F3 的诊断中达到 100%的正确率。这表明本文提出的方法具有较高精度的同时泛化性能也较好。状态 F2 数932023 年 第 51 卷 第 11 期杨光乔,等:基于 ECA 改进 1D-CNN 的柱塞泵故障诊断 据的诊断正确率相比其余状态表现不高,主要是被误判为 F1 状态,这可能是网络特征提取能力不足造成的。相比其他算法,本文提出的算法具有显著的性能优势。3 结 论本文提出基于高效通道注意力的一维卷积神经网络故障诊断方法,研究得出以下结论:(1)针对柱塞泵体积大、振动传播路径复杂导致传统方法在振动故障信号特征提取中的局限性,开发了基于深度学习的油田柱塞泵故障诊断智能模型,有效提高了油田柱塞泵故障诊断效率。(2)使用 1D-CNN 作为故障诊断基准模型,并引入高效通道注意力,通过增强通道特征交互实现网络性能改进,从而实现深层次柱塞泵振动信号特征挖掘,成功改善了柱塞泵故障诊断模型的预测性能。(3)通过油田生产在线监测数据的试验验证,与当前其他深度学习模型相比,基于高效通道注意力的 1D-CNN 模型具有出色的诊断精度和鲁棒性,具备理论指导意义和工程实用价值。参 考 文 献1 王波,王龙庭,张金亚.基于扭矩和扭压比偏差率的压 裂 泵 故 障 诊 断 J.石 油 机 械,2022,50(11):90-97.WANG B,WANG L T,ZHANG J Y.Fault diagnosis of fracturing pump based on torque and torque-pressure ratio deviation rate J.China Petroleum Machinery,2022,50(11):90-97.2 段礼祥,李涛,唐瑜,等.基于多源异构信息融合的机械故障诊断方法 J.石油机械,2021,49(2):60-67,80.DUAN L X,LI T,TANG Y,et al.Mechanical fault diagnosis method based on multi-source heterogeneous information fusion J.China Petroleum Machinery,2021,49(2):60-67,80.3 平郁才,孙支林,王鹏,等.柱塞式注水泵技术改进与应用分析 J.石油机械,2014,42(12):90-93.PING Y C,SUN Z L,WANG P,et al.The plunger water injection pump modification and application J.China Petroleum Machinery,2014,42(12):90-93.4 何庆,马广蛇,张洪,等.基于云平台的钻机远程状态监测与诊断系统 J.石油机械,2019,47(8):47-54.HE Q,MA G C,ZHANG H,et al.Remote monito-ring and diagnosis system for drilling rig based on cloud platform J.China Petroleum Machinery,2019,47(8):47-54.5 洪晓翠,段礼祥,徐继威,等.变工况下轴承故障的残差对抗网络诊断方法 J.石油机械,2022,50(5):32-42.HONG X C,DUAN L X,XU J W,et al.Residual adversarial neural network diagnosis method for bearing faults under variable working conditions J.China Pe-troleum Machinery,2022,50(5):32-42.6 张东海,王昌荣.智能石油钻机技术现状及发展方向 J.石油机械,2020,48(7):30-36.ZHANG D H,WANG C R.Technology status and de-velopment trend of intelligent drilling rigs J.China Petroleum Machinery,2020,48(7):30-36.7 赵敬娇,赵志宏,杨绍普.基于残差连接和 1D-CNN 的滚动轴承故障诊断研究 J.振动与冲击,2021,40(10):1-6.ZHAO J J,ZHAO Z H,YANG S P.Rolling bearing fault diagnosis based on residual connection and 1D-CNN J.Journal of Vibration and Shock,2021,40(10):1-6.8 车畅畅,王华伟,倪晓梅,等.基于 1D-CNN 和 Bi-LSTM 的航空发动机剩余寿命预测 J.机械工程学报,2021,57(14):304-312.CHE C C,WANG H W,NI X M,et al.Residual life prediction of aeroengine based on 1D-CNN and Bi-LSTMJ.Journal of Mechanical Engineering,2021,57(14):304-312.9 唐若笠,张尚煜,伍文君.基于一维卷积神经网络的超声导波管道裂纹识别方法 J.振动与冲击,2023,42(5):183-189.TANG R L,ZHANG S Y,WU W J.Crack identifica-tion method of ultrasonic guided wave pipeline based on MS-1D CNN J.Journal of Vibration and Shock,2023,42(5):183-189.10 KIRANYAZ S,AVCI O,ABDELJABER O,et al.1D convolutional neural networks and applications:a survey J.Mechanical Systems and Signal Process-ing,2021,151:107398.11 曲建岭,余路,袁涛,等.基于一维卷积神经网络的滚动轴承自适应故障诊断算法 J.仪器仪表学报,2018,39(7):134-143.QU J L,YU L,YUAN T,et al.Adaptive fault diagno-sis algorithm for rolling bearings based on one-dimension-al convolutional neural network J.Chinese Journal of Scientific Instrument,2018,39(7):134-143.(下转第 162 页)04 石 油 机 械2023 年 第 51 卷 第 11 期机器人变径机构优化设计与仿真 J.机械传动,2018,42(3):38-44.YANG C X,LI J J,SUN W H,et al.Optimization design and simulation of adjusting mechanism for wall-press oil and gas In-pipe robot J.Journal of Me-chanical Transmission,2018,42(3):38-44.17 DONG J H,ZHANG H,LIU S H.3D printed bio-in-spired sealing disc of pipeline inspection gauges(PIGs)in small diameter pipeline J.Journal of Natural Gas Science and Engineering,2019,61:344-356.18 彭汉修,赵建国,王菊,等.伸缩式井下机器人电液控制系统研制与性能评价 J.石油钻探技术,2023,51(3):66-72.PENG H X,ZHAO J G,WANG J,et al.Develop-ment and performance evaluation of the electro-hydraulic control system of a telescopic downhole robot J.Pe-troleum Drilling Techniques,2023,51(3):66-72.19 TANG Z J,LU J Q,WANG Z,et al.Design of a new air pressure perception multi-cavity pneumatic-driven earthworm-like soft robot J.Autonomous Ro-bots,2020,44(2):267-279.20 OYAMA A,IIDA H,JI Y,et al.Three-dimensional mapping of pipeline from inside images using earth-worm robot equipped with camera J.IFAC-Paper-sOnLine,2019,52(22):87-90.21 HALSTED T,SHORINWA O,YU J,et al.A survey of distributed optimization methods for multi-robot sys-tems J.Annual Reviews in Control,2021,47:278-305.第一作者简介:郑 杰,副教授,生于 1987 年,2015年毕业于西北工业大学航空宇航科学与技术专业,获博士学位,现从事油气井井下工具及油气管道技术研究工作。地址:(710065)陕西省西安市。email:zhjoil 。通信作者:窦益华,email:yhdou 。收稿日期:2023-06-11(本文编辑 宋治国)(上接第 40 页)12 WU C Z,JIANG P C,DING C,et al.Intelligent fault diagnosis of rotating machinery based on one-di-mensional convolutional neural network J.Comput-ers in Industry,2019,108:53-61.13 WANG Q L,WU B G,ZHU P F,et al.ECA-Net:efficient channel attention for deep convolutional neural networks C2020 IEEE/CVF Conference on Com-puter Vision and Pattern Recognition(CVPR).Seat-tle,WA,USA:IEEE,2020:11531-11539.14 HU J,SHEN L,SUN G.Squeeze-and-excitation net-works C2018 IEEE/CVF Conference on Comput-er Vision and Pattern Recognition.Salt Lake City,UT,USA:IEEE,2018:7132-7141.15 张伟.基于卷积神经网络的轴承故障诊断算法研究 D.哈尔滨:哈尔滨工业大学,2017.ZHANG W.Study on bearing fault diagnosis algorithm based