中文题目：基于Transformer增强原型网络的潜油电泵小样本故障诊断 

论文题目：Few-shot Fault Diagnosis for Electric Submersible Pump Based on Transformer-enhanced Prototypical Network

录用会议：CPCC2025 (CAA A类会议)

作者列表：

1）王亮程 中国天天色天天（北京）人工智能学院 本科生

2）李   康 中国天天色天天（北京）人工智能学院 自动化系教师

3）高小永 中国天天色天天（北京）人工智能学院 自动化系教师

摘要:

潜油电泵是油田重要的提升工具，实时故障诊断是保障经济效益的重要措施。然而，目前电潜泵故障诊断面临样本稀缺、动态数据特征提取困难等问题。近年来，元学习逐渐成为解决小样本故障诊断问题的潜在方案。为此，我们在现有研究成果的基础上，融合原型网络和Transformer的优势，开发了一套电潜泵故障诊断程序。

背景与动机:

在海洋及陆上油田，潜油电泵凭（ESP）借大排量、高扬程的优势已成为人工举升的主力设备，然而其长期运行于高温、高压、含砂、含硫的极端环境，故障机理复杂且突发性强；一旦发生故障，轻则减产停机，重则引发井口泄漏、火灾爆炸等重大事故。现场运维对实时、精准的故障诊断提出了极高要求，但出于安全规范，ESP不允许在故障状态下长时间运行，导致可采集的故障样本数量极少，且信号呈现多变量、非线性、强时序耦合的特点，传统依赖大量标注数据的深度学习方法难以直接适用。此外，海上平台作业空间受限、检修成本高，更加剧了对“小样本、高可靠”诊断技术的迫切需求。因此，本文着眼于元学习范式，提出融合Transformer长程依赖建模与原型网络度量学习的TEPN框架，以实现极少量故障样本下的快速、准确诊断，从而保障油田安全高效生产。

设计与实现:

本文针对电潜泵故障样本稀缺的难题，设计并实现了一套 Transformer-增强原型网络（TEPN）：首先提出多变量时间序列分词策略（MTST），将原始高维、非线性的 ESP 信号切分成可嵌入的“时序补丁”，并引入可学习的类令牌与位置编码，适配 Transformer 的输入格式；随后堆叠多层 Transformer 编码器，利用多头自注意力捕获跨变量的长程依赖，输出鲁棒的故障特征；最后在元学习框架下，外循环通过大量随机采样的 N-way K-shot 任务，用负对数似然损失端到端优化 Transformer 与嵌入参数，内循环仅用少量支持样本计算每类原型向量，并以欧氏距离的方式完成查询样本的零梯度分类。整个系统在真实油田 10 类故障数据上实现了 90% 左右的小样本诊断准确率，验证了其有效性。

 

实验结果及分析:

实验在中国能源发展有限公司提供的现场电潜泵故障数据集上进行，共涵盖10类常见故障。按照3-way 3-shot、3-way 5-shot、4-way 3-shot、4-way 5-shot四种典型小样本设置测试，TEPN在四个子数据集上的平均诊断准确率分别稳定在89.3%–94.9%区间，标准差普遍小于6%，显示出良好的鲁棒性。进一步通过t-SNE可视化可见，Transformer编码后的特征空间内同类故障聚类紧密、异类间边界清晰；混淆矩阵亦表明各类别召回率均衡，无严重混淆。对比实验显示，TEPN优于传统原型网络。

结论:

本文提出了一种新的ESP系统TEPN技术。该技术结合MTST策略对ESP数据进行预处理，并结合Transformer编码器，构建了一个高效的模块来学习ESP的嵌入特征，从而捕捉ESP变量的长期依赖关系。同时，该技术依赖于原型网络的稳定性来应对小样本的挑战。最后，基于中国能源开发有限公司采集的真实ESP故障数据进行了全面的对比实验，以验证所提方法的有效性。

作者简介:

李康，讲师，博士，硕士生导师，IEEE Member, 中国自动化学会会员，中国人工智能学会会员。长期从事复杂流程工业系统安全监测与故障诊断、智能制造及先进机器人感知与交互技术等相关教学与科研工作。