中文题目：平均池化时域图卷积网络用于潜油电泵异常检测 

论文题目：Average-Pooling Temporal Graph Convolutional Network for Anomaly Detection of Electric Submersible Pump

录用期刊/会议：DDCLS 2025 (CAA-A类 EI会议论文)

原文DOI：10.1109/DDCLS66240.2025.11065249

原文链接：http://ieeexplore.ieee.org/document/11065249

录用/见刊时间：2025年

作者列表：

1）刘健杨 中国天天色天天（北京）人工智能学院 硕士研究生

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

4）张来斌 中国天天色天天（北京）安全与海洋工程学院 安全工程系教师

摘要:

本研究提出了一种平均池化时域图卷积网络（APTGCN），用于处理潜油电泵（ESP）异常检测问题。APTGCN融合了时域卷积网络（TCN）和图卷积网络（GCN），实现了对ESP监测变量的时空依赖关系建模。特别地，在TCN与GCN之间采用了平均池化层（APL），改善了模型的计算复杂度和训练效率。实验结果表明，APTGCN在实际真实油田ESP异常检测中展现出有效性与优越性。

背景与动机:

ESP广泛应用于海上油田开采中，用于将地下流体高效提取至地面。然而，复杂恶劣的下井环境（如高温、高压、高腐蚀、高振动）极易导致泵轴断裂、套管泄漏等故障，不仅增加运维成本，还危及作业安全。传统的异常检测方法依赖单变量分析和人工操作，难以适应复杂的多变量动态特性。随着工业大数据的发展，数据驱动方法逐渐成为主流。然而，现有方法或忽视了变量间交互，或存在模型复杂度高、过拟合风险大等问题。因此，设计一种高效、简洁、能同时捕捉时空依赖关系的新型模型，是ESP异常检测领域亟需解决的关键挑战。

设计与实现:

如图1所示，本文提出的APTGCN模型由三部分构成：时域卷积网络(Temporal Convolutional Network, TCN)、平均池化层(Average Pooling Layer, APL) 和图卷积网络(Graph Convolutional Network, GCN)。首先，TCN用于提取传感器数据中的长期时序特征，并利用因果卷积与扩张卷积保持数据时序性。随后，APL对时间维度上的特征进行平均池化，既降低了特征维度、平滑了短时噪声，也显著减少了后续GCN的计算负担。最后，GCN以传感器之间的余弦相似度为依据构建图结构，挖掘变量间的空间依赖关系。整个模型在训练阶段采用均方误差损失进行预测学习，在测试阶段通过残差评分函数实现异常检测。该工作流程通过在滑动窗口数据上训练APTGCN模型来学习正常的时空模式，随后计算预测值与实时传感器数据之间的归一化残差，若超过阈值则标记为异常。图2展示了APTGCN用于ESP故障检测的运行流程。

 

图1  所提方法概述

 

图2  基于APTGCN的电潜泵异常检测流程图

实验结果及分析:

为评估所提出的APTGCN模型的有效性，我们在真实ESP监测数据集上进行了一系列实验。本研究所用数据采集自中国某实际油田的四口ESP油井（B18ST1、B20H3、E32和B47ST1）。每口油井配备15个传感器，持续监测重要运行参数。图3以可视化形式对比了不同模型和油井的性能指标（FDR、FAR、g_mean）。APTGCN不仅展现出最优的平均性能，在平衡性指标上表现尤为突出，这表明其具有更强的稳定性。

图3  四类方法在不同油井中的重复实验结果 (a)FDR (b)FAR (c) gmean.

消融实验在四个不同数据集的平均结果如表1所示。结果表明APL模块的引入在保持高异常检测性能的同时，显著降低了模型复杂度。与其他设计方案相比，APTGCN在检测精度、计算效率和模型简洁性三者之间实现了最佳平衡。

表1 不同消融实验在四个不同数据集的平均结果

 

结论:

本文提出了一种用于ESP异常检测方法APTGCN。该方法通过TCN和GCN提取时空特征，并使用APL以进一步降低计算复杂度并提升检测性能。在四个实际油井数据集上的实验验证了APTGCN相较于现有方法具有更高的检测准确率、更低的误报率和更优的模型稳定性，为ESP系统的智能监测提供了一种高效可靠的解决方案。

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。