科研之友
微信
新浪微博
Facebook
分享链接
摘要
压裂泵工作状态复杂,不易满足传统故障诊断中训练数据多且独立同分布的条件,故障诊断准确率不高。基于TrAdaBoost的迁移学习方法可有效解决上述问题,但模型训练时间较长,且只适用于二分类问题。为此,提出一种基于K-TrAdaBoost迁移学习的压裂泵故障诊断方法。该方法将大量带标签的辅助训练集与少量带标签的目标训练集结合构成足够多的训练集,通过选取K近邻算法(KNN)的最优K值,并引入高斯函数,优化惩罚因子C,计算辅助训练集与目标训练集的相似性,得到辅助训练数据集的初始权重,从而降低TrAdaBoost迭代次数,减少训练时间。迭代结束后,在模型内部引入多分类器,改变模型输出机制,实现多种故障类型的诊断。实验结果表明:所提方法可解决传统诊断方法训练数据集不足且无法独立同分布的问题,降低TrAdaBoost模型的训练时间,实现KTrAdaBoost多种故障类型的诊断,提高压裂泵故障诊断的准确率。
- 出版日期2021
- 单位中国石油大学（北京）
