汪 敏，周 磊，閔 帆，張 響，沈佳園，韓 菲

（1.西南石油大學(xué)電氣信息學(xué)院，成都 610500；2.西南石油大學(xué)計(jì)算機(jī)科學(xué)學(xué)院，成都 610500；3.浙江浙能天然氣運(yùn)行有限公司，杭州 310052；4.新疆油田公司風(fēng)城油田，克拉瑪依 834000）

抽油機(jī)井一直都是石油開(kāi)采中的重要組成部分，為了更好地了解抽油機(jī)井的工作狀況，就必須對(duì)其工作時(shí)產(chǎn)生的一系列數(shù)據(jù)進(jìn)行分析，從而判斷抽油機(jī)井是否正常工作。通過(guò)測(cè)量抽油機(jī)往復(fù)一周所產(chǎn)生的載荷、位移系列數(shù)據(jù)來(lái)繪制地面示功圖［1］，由不同因素導(dǎo)致的抽油機(jī)故障會(huì)形成不同形狀的示功圖。及時(shí)準(zhǔn)確地對(duì)示功圖進(jìn)行診斷，得出抽油機(jī)的故障原因，可以減少財(cái)產(chǎn)損失和延長(zhǎng)零部件的使用壽命。目前以示功圖為研究對(duì)象對(duì)抽油機(jī)進(jìn)行故障診斷是最常見(jiàn)的方法。常見(jiàn)的有BP神經(jīng)網(wǎng)絡(luò)［2］、主成分分析方法［3］以及支持向量機(jī)（Support vector machine，SVM）［4］等。田增國(guó)等［5］提出了一種基于主成分分析的示功圖故障診斷系統(tǒng)。該方法是利用降維技術(shù)保留大量信息的情況下將原始數(shù)據(jù)進(jìn)行壓縮，將大量的線性相關(guān)屬性變量轉(zhuǎn)化成幾個(gè)相互獨(dú)立或者不相關(guān)的變量。通過(guò)計(jì)算示功圖經(jīng)過(guò)主成分分析后的數(shù)據(jù)之間的相關(guān)系數(shù)來(lái)判定不同故障。施海青等［6］提出了一種基于支持向量機(jī)的抽油機(jī)故障診斷方法。該方法采用矢量曲線對(duì)數(shù)據(jù)進(jìn)行壓縮，從而提取井下示功圖特征點(diǎn)。采用“一對(duì)一”的方式構(gòu)建多分類支持向量機(jī)分類器，能夠?qū)Χ鄠€(gè)故障做出識(shí)別。杜娟等［7］提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的抽油機(jī)工況識(shí)別方法。該方法在原有神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上增添了兩個(gè)注意力機(jī)制模塊，能夠很好地調(diào)節(jié)原有模型的過(guò)擬合情況，使模型更能關(guān)注小類別工況。在工況復(fù)雜的抽油機(jī)故障診斷實(shí)驗(yàn)中，該模型具有良好的泛化能力。文獻(xiàn)［8］提出了一種基于稀疏多圖正則化極限學(xué)習(xí)機(jī)的抽油機(jī)故障診斷方法。該方法通過(guò)快速離散曲波變換提取示功圖特征，利用圖表示學(xué)習(xí)方法構(gòu)建類內(nèi)圖和類間圖來(lái)表示同類數(shù)據(jù)間的關(guān)系以及不同類別數(shù)據(jù)間的關(guān)系。通過(guò)稀疏表示，可以使同一類數(shù)據(jù)的結(jié)果輸出盡可能相同，不同類別的數(shù)據(jù)的結(jié)果輸出盡可能分開(kāi)。示功圖故障診斷測(cè)試表明，該模型在抽油機(jī)工況識(shí)別上有很好的表現(xiàn)。文獻(xiàn)［9］采用了適應(yīng)噪聲因子的濾波器以及使用基函數(shù)來(lái)與之結(jié)合的方法。使用近似多邊形的傅里葉描述符方法來(lái)提取示功圖特征，采用徑向基函數(shù)（Radial basis function，RBF）神經(jīng)網(wǎng)絡(luò)，利用指標(biāo)圖數(shù)據(jù)和生產(chǎn)數(shù)據(jù)建立故障診斷模型，使用自適應(yīng)噪聲因子來(lái)解決模型中的自適應(yīng)濾波問(wèn)題。實(shí)驗(yàn)表明，模型在示功圖故障診斷方面取得不錯(cuò)的表現(xiàn)。

現(xiàn)階段常用深度學(xué)習(xí)方法進(jìn)行故障診斷測(cè)試，Peng 等［10］開(kāi)發(fā)了一種新型雙向門(mén)控循環(huán)單元（Bidirectional gated recurrent unit，BGRU），在訓(xùn)練階段對(duì)每個(gè)訓(xùn)練樣本進(jìn)行加權(quán)，以減少類不平衡的影響，然后利用成本敏感的主動(dòng)學(xué)習(xí)來(lái)選擇候選樣本。在實(shí)際等離子體蝕刻工藝數(shù)據(jù)集上評(píng)估了所提出方法的有效性。Jin 等［11］提出一種用于復(fù)合故障診斷的新型解耦注意力殘差網(wǎng)絡(luò)，應(yīng)用在軸承數(shù)據(jù)集，獲得了優(yōu)越的精度，大大減少了領(lǐng)域?qū)＜业臉?biāo)記工作量。Zhang 等［12］引入概率主動(dòng)支持向量機(jī)（Probabilistic active support vector machine，Pro-ASVM）的學(xué)習(xí)方法，根據(jù)樣本點(diǎn)的概率選擇點(diǎn)作為支持向量。應(yīng)用于軸承振動(dòng)信號(hào)的分類，獲得了優(yōu)異的分類效果。Jian 等［13］針對(duì)實(shí)際工業(yè)故障診斷訓(xùn)練集規(guī)模較小的問(wèn)題，提出了一種基于主動(dòng)和半監(jiān)督學(xué)習(xí)的故障診斷新方法。應(yīng)用于實(shí)際的智能維護(hù)系統(tǒng)數(shù)據(jù)，為小訓(xùn)練集下的故障診斷提供了一種有前途且有用的方法。Chen 等［14］針對(duì)自組織蜂窩網(wǎng)絡(luò)（Self-organizing cellular networks，SONs）中的故障診斷的多分類問(wèn)題，提出了一種新的基于主動(dòng)學(xué)習(xí)的故障診斷方案。該方案只需很少的標(biāo)記訓(xùn)練實(shí)例即可實(shí)現(xiàn)高診斷性能，從而顯著降低成本。Pun?ochá? 等［15］提出了主動(dòng)故障診斷（Active fault diagnosis，AFD）領(lǐng)域的基本分類方法。由于實(shí)際油田生產(chǎn)過(guò)程中存在抽油機(jī)井下的故障種類數(shù)量多且不同故障類別的數(shù)據(jù)量不平衡、人為標(biāo)注的樣本少且費(fèi)時(shí)費(fèi)力等問(wèn)題，常用的深度學(xué)習(xí)工況識(shí)別模型難以在實(shí)際工作中落地。同時(shí)，主成分分析方法、支持向量機(jī)等傳統(tǒng)的方法無(wú)法很好的處理不平衡數(shù)據(jù)分類問(wèn)題。針對(duì)以上方法存在的不足，本文提出一種基于分布驅(qū)動(dòng)的多類別長(zhǎng)尾數(shù)據(jù)代價(jià)敏感主動(dòng)學(xué)習(xí)算法（Cost-sensitive active learning algorithm based on distribution-driven multi-class long-tailed data，CALA）來(lái)解決這一困難且非常有意義的問(wèn)題。

1 特征提取

本節(jié)主要介紹本文示功圖的特征提取方法，結(jié)合灰度矩陣的知識(shí)，提取示功圖灰度矩陣的6 個(gè)特征作為統(tǒng)計(jì)特征。

1.1 網(wǎng)格法提取灰度矩陣

本文采用網(wǎng)格法［16］對(duì)示功圖進(jìn)行灰度矩陣提取，網(wǎng)格法構(gòu)建示功圖的灰度矩陣主要包含如下步驟：

（1）標(biāo)準(zhǔn)化示功圖

為了更好地比較不同工況下的抽油機(jī)示功圖，消除示功圖量綱對(duì)收集到的數(shù)據(jù)的影響，將采集到的示功圖數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)歸一化。為符合石油工業(yè)的習(xí)慣，將示功圖放進(jìn)一個(gè)長(zhǎng)寬比為2∶1 的矩形中，滿足繪制的地面示功圖被矩形內(nèi)切這一條件。

（2）網(wǎng)格化示功圖

將長(zhǎng)方形分成多個(gè)網(wǎng)格，本文將之劃分為20×10 大小的網(wǎng)格個(gè)數(shù)，并將所有網(wǎng)格的初始灰度賦值“0”；若網(wǎng)格內(nèi)含有示功圖曲線，其灰度值賦值為“1”；邊界內(nèi)部網(wǎng)格的灰度值往矩形中心依次遞增；邊界外部網(wǎng)格的灰度值以矩形邊界依次遞減。邊界搜索方式按列進(jìn)行。

1.2 特征向量提取

通過(guò)對(duì)構(gòu)建好的示功圖灰度矩陣［17］進(jìn)行數(shù)理統(tǒng)計(jì)，計(jì)算灰度均值gˉ、方差σ2、偏度ε、峰度P、能量E和熵ξ這6 個(gè)統(tǒng)計(jì)特征作為示功圖特征值。

假設(shè)灰度矩陣大小為G(A，B)，矩陣中任意位置的值gab(1 ≤a≤A，1 ≤b≤B)表示示功圖網(wǎng)格化后對(duì)應(yīng)位置的灰度。設(shè)灰度矩陣中灰度級(jí)數(shù)為R，設(shè)某一灰度級(jí)數(shù)r的數(shù)量為T(mén)(r)，則該灰度級(jí)數(shù)在灰度矩陣中出現(xiàn)的概率可表示為p(r)=T(r)/(A×B)。

以統(tǒng)計(jì)的6 個(gè)特征值{d1，d2，d3，d4，d5，d6}作為最終的分類特征向量。

2 算法設(shè)計(jì)

本文的數(shù)據(jù)模型是教師和誤分類代價(jià)決策系統(tǒng)（TMC-DS）［18］，該決策系統(tǒng)定義成1 個(gè)四元組

式中：X代表一個(gè)數(shù)據(jù)集向量；y代表數(shù)據(jù)真實(shí)標(biāo)簽向量；M代表誤分類代價(jià)矩陣；t代表專家代價(jià)為1。CALA 算法過(guò)程框圖如圖1 所示。

圖1 CALA 算法流程框圖Fig.1 CALA algorithm flow chart

2.1 獲取數(shù)據(jù)最佳分布

本節(jié)設(shè)計(jì)了一種基于誤差統(tǒng)計(jì)函數(shù)探索數(shù)據(jù)最佳聚類簇?cái)?shù)的方法。依據(jù)“物以類聚”的原則，樣本間距離越接近，它們的標(biāo)簽就越可能一致的假設(shè)［19］。通過(guò)對(duì)多個(gè)結(jié)構(gòu)化數(shù)據(jù)集進(jìn)行分析測(cè)驗(yàn)，得到擬合誤差曲線。其具體步驟如下：

（1）距離閾值實(shí)例對(duì)

依據(jù)距離閾值λ的相鄰實(shí)例對(duì)(xi，xj)定義為

式中：dist(xi，xj)代表數(shù)據(jù)樣本xi和xj間的歐式距離；λ為設(shè)定歸一化距離閾值；Nλ為滿足條件的實(shí)例對(duì)個(gè)數(shù)。

（2）實(shí)例對(duì)標(biāo)簽統(tǒng)計(jì)誤差

根據(jù)式（8）得到的實(shí)例對(duì)個(gè)數(shù)，依據(jù)不同的距離閾值定義實(shí)例對(duì)標(biāo)簽統(tǒng)計(jì)誤差函數(shù)

式中：|Nλ|為滿足閾值λ下實(shí)例對(duì)數(shù)量；yi和yj為樣本xi和xj對(duì)應(yīng)的真實(shí)標(biāo)簽。

（3）獲取經(jīng)驗(yàn)誤差函數(shù)

首先選取30 個(gè)不同樣本個(gè)數(shù)，不同特征個(gè)數(shù)以及不同類別數(shù)量的公開(kāi)數(shù)據(jù)集，其次通過(guò)式（8）計(jì)算不同閾值λ下的實(shí)例對(duì)個(gè)數(shù)，然后通過(guò)式（9）統(tǒng)計(jì)不同閾值λ 下的標(biāo)簽統(tǒng)計(jì)誤差e(λ)，最后通過(guò)多項(xiàng)式擬合得到經(jīng)驗(yàn)誤差函數(shù)，即

擬合曲線相關(guān)系數(shù)達(dá)到0.999 9，符合工程實(shí)際。

（4）優(yōu)化目標(biāo)函數(shù)

式中：n為數(shù)據(jù)樣本總數(shù)，ni為對(duì)應(yīng)第i簇的樣本個(gè)數(shù)，λi為第i簇的最遠(yuǎn)兩樣本距離與數(shù)據(jù)集最遠(yuǎn)兩樣本距離的比值。

2.2 預(yù)分類

利用預(yù)分類修正基于統(tǒng)計(jì)策略得到的最佳簇?cái)?shù)。將統(tǒng)計(jì)策略得到的最佳聚類簇?cái)?shù)中每一簇通過(guò)主動(dòng)學(xué)習(xí)方法［20］選擇最具代表性的樣本作為訓(xùn)練集，通過(guò)概率預(yù)測(cè)模型得到樣本預(yù)分類標(biāo)簽。訓(xùn)練集的選取方式為

式中：ci為第Ci簇的聚類中心；s*為該簇交由專家標(biāo)注的樣本。

通過(guò)Softmax 回歸［21］，輸入任意樣本xi，屬于樣本對(duì)應(yīng)的預(yù)測(cè)概率為

其預(yù)測(cè)標(biāo)簽為

式中：l為樣本類別數(shù)量；θ為Softmax 目標(biāo)函數(shù)訓(xùn)練得到的最佳參數(shù)。通常通過(guò)梯度下降法［22］求解。

2.3 更新最佳聚類分布

通過(guò)Softmax 回歸模型進(jìn)行預(yù)分類，測(cè)試樣本會(huì)得到一個(gè)相應(yīng)的預(yù)測(cè)標(biāo)簽。將數(shù)據(jù)再次進(jìn)行聚類，依照得到的樣本預(yù)測(cè)標(biāo)簽和經(jīng)驗(yàn)誤差曲線構(gòu)建新的聚類優(yōu)化目標(biāo)函數(shù)，有

式中：?1和?2為權(quán)重系數(shù)；pu(Ci)為第Ci簇的預(yù)測(cè)標(biāo)簽純度，定義如下

2.4 集成分類

根據(jù)找到的最佳聚類簇?cái)?shù)，將數(shù)據(jù)進(jìn)行聚類，選取每一簇離中心點(diǎn)最近的樣本作為訓(xùn)練集，通過(guò)Softmax 回歸得到測(cè)試集的預(yù)測(cè)標(biāo)簽。并且將該訓(xùn)練集同時(shí)作為K最近鄰算法（K-nearest neighbor，KNN）預(yù)測(cè)分類模型的訓(xùn)練集，得到測(cè)試集的KNN 預(yù)測(cè)標(biāo)簽集合j'。結(jié)合二者的預(yù)測(cè)標(biāo)簽構(gòu)建決策函數(shù)

2.5 偽代碼及時(shí)間復(fù)雜度分析

（1）算法偽代碼

算法 CALA

輸入決策信息系統(tǒng)S=(X，y，M，t)

輸出預(yù)測(cè)標(biāo)簽集合Y=[y]n×1

步驟1～5 為賦值和通過(guò)聚類得到數(shù)據(jù)初始分布信息階段，計(jì)算量主要在于聚類算法，時(shí)間復(fù)雜度為O(kdn)。步驟6～8 為選取訓(xùn)練樣本和Softmax 預(yù)分類過(guò)程，選取訓(xùn)練樣本階段時(shí)間復(fù)雜度為O(n2)，Softmax 預(yù)分類過(guò)程時(shí)間復(fù)雜度為O(n'2)，n'為預(yù)分類樣本數(shù)量，為原始樣本總數(shù)減去訓(xùn)練樣本后的樣本個(gè)數(shù)。n'＜n，這階段總的時(shí)間復(fù)雜度為O(n2)+O(n'2)=O(n2)。步驟9～25 為更新最佳聚類分布和集成分類過(guò)程，更新最佳聚類分布與初始聚類階段時(shí)間復(fù)雜度一致為O(kdn)，集成分類過(guò)程中，Softmax 分類階段時(shí)間復(fù)雜度為O(n2)，KNN 分類階段時(shí)間復(fù)雜度為O(n)，考慮while 循環(huán)過(guò)程，則這階段總的時(shí)間復(fù)雜度為O（kdn·log2n）+O（n2log2n）+O（nlog2）=O（n2log2n）。其中特征數(shù)d＜n，聚類簇?cái)?shù)k＜n，時(shí)間復(fù)雜度為

O(kdn)+O(n2)+O(n2log2n)=O(n2log2n)。

3 算法驗(yàn)證

3.1 數(shù)據(jù)集描述

實(shí)驗(yàn)采用來(lái)自新疆風(fēng)城油田4 個(gè)作業(yè)區(qū)不同抽油機(jī)示功圖數(shù)據(jù)對(duì)本文算法進(jìn)行驗(yàn)證分析。其具體信息如表1 所示。這些數(shù)據(jù)包含多個(gè)類別且都是不平衡數(shù)據(jù)。其中A01 是抽油機(jī)作業(yè)一區(qū)常規(guī)油井采集的示功圖數(shù)據(jù)，A02 是抽油機(jī)作業(yè)二區(qū)稠油油井采集的示功圖數(shù)據(jù)，A03 是抽油機(jī)作業(yè)三區(qū)超稠油油井采集的示功圖數(shù)據(jù)，A04 是抽油機(jī)作業(yè)四區(qū)SAGD 油井采集的示功圖數(shù)據(jù)。4 個(gè)油田示功圖數(shù)據(jù)包含有正常工作、供液不足、氣體影響、氣鎖、上碰泵、下碰泵、游動(dòng)閥關(guān)閉遲緩、柱塞脫出泵工作筒、游動(dòng)閥漏、固定閥漏、砂影響+供液不足和慣性影響這12 種常見(jiàn)抽油機(jī)工況。其中，大部分為正常工作，氣體影響工況為最小類別故障工況。A01 中正常工況樣本有4 474 個(gè)，氣體影響工況有300 個(gè)，不平衡比例為14.91；A02 中正常工況樣本有4 974 個(gè)，氣體影響工況有300 個(gè)，不平衡比例為16.58；A03 中正常工況樣本有5 374 個(gè)，氣體影響工況有300 個(gè)，不平衡比例為17.91；A04 中正常工況樣本有5 845 個(gè)，氣體影響工況樣本有300個(gè)，不平衡比例為19.48。實(shí)際油田工作環(huán)境下，抽油機(jī)示功圖中氣體影響這一類工況數(shù)據(jù)稀少。當(dāng)發(fā)生氣體影響時(shí)，抽油機(jī)泵腔內(nèi)壓力不能正常下降，使得加載速度變慢，采油效率降低。對(duì)小類別工況進(jìn)行準(zhǔn)確識(shí)別能夠及時(shí)對(duì)故障機(jī)械進(jìn)行維修，減少損失、延長(zhǎng)機(jī)器設(shè)備的使用壽命。

表1 數(shù)據(jù)集信息Table 1 Information of datasets

3.2 評(píng)價(jià)指標(biāo)

本文實(shí)驗(yàn)采用精度、平均代價(jià)F-Measure 作為評(píng)估算法性能的指標(biāo)，其精度定義為

式中：|Xt|為測(cè)試集的樣本數(shù)量，error 為誤分類樣本數(shù)量。

對(duì)于不平衡抽油機(jī)故障工況數(shù)據(jù)而言，刻畫(huà)不同工況具有不同的誤分類代價(jià)是很有必要的。對(duì)于稀少工況類別數(shù)據(jù)在實(shí)際場(chǎng)景下樣本數(shù)稀少，誤分類的代價(jià)應(yīng)遠(yuǎn)大于常見(jiàn)工況類別數(shù)據(jù)誤分類代價(jià)。本文設(shè)定的代價(jià)矩陣［23］為

式中：ni和nj分別表示測(cè)試集中屬于第i類和第j類的樣本數(shù)量。平均代價(jià)為

式中：Aij為將第i類誤分類為第j類的樣本數(shù)量；|Xr|為交由專家標(biāo)注的樣本個(gè)數(shù)；t為查詢標(biāo)簽代價(jià)，實(shí)驗(yàn)中設(shè)置為1。

為驗(yàn)證模型在不平衡數(shù)據(jù)分類上的性能，從準(zhǔn)確率（Precision）和召回率（Recall）和F-measure 分?jǐn)?shù)［24］這3 個(gè)評(píng)價(jià)指標(biāo)對(duì)模型性能進(jìn)行綜合評(píng)判。這3 種評(píng)價(jià)指標(biāo)可以由表2 的混淆矩陣計(jì)算得出。

式中：TP 和TN 分別表示真實(shí)標(biāo)簽與預(yù)測(cè)標(biāo)簽全部為正，全部為負(fù)的樣本數(shù)量；FP 表示真實(shí)標(biāo)簽為負(fù)，預(yù)測(cè)標(biāo)簽為正的樣本數(shù)量，而FN 相反。準(zhǔn)確率是針對(duì)模型測(cè)試結(jié)果，表示預(yù)測(cè)為正實(shí)例中有多少真正的正實(shí)例；召回率是針對(duì)于原始樣本具體標(biāo)簽，表示原始樣本的正實(shí)例有多少被模型預(yù)測(cè)正確。F-measure 綜合兼顧這兩個(gè)評(píng)判標(biāo)注，是評(píng)價(jià)算法性能最常用的指標(biāo)。

表2 混淆矩陣Table 2 Confusion matrix

3.3 實(shí)驗(yàn)設(shè)計(jì)

為驗(yàn)證提出的算法模型性能的優(yōu)越性，將本文提出的CALA 算法與基于欠采樣技術(shù)的代價(jià)敏感學(xué)習(xí)算法（Under-sampling，US）［25］、基于閾值移動(dòng)調(diào)整類別閾值算法（Threshold-moving，TM）［26］、基于過(guò)采樣技術(shù)的代價(jià)敏感學(xué)習(xí)算法（Over-sampling，OS）［27］、增強(qiáng)的自動(dòng)雙支持向量機(jī)算法（Enhanced automatic twin support vector machine，EATWSVM）［28］、基于邊距的非定性采樣主動(dòng)學(xué)習(xí)算法（Uncertainty sampling with margin，UM）［29］、基于熵的不確定性采樣主動(dòng)學(xué)習(xí)算法（Uncertainty sampling with entropy，UE）［30］和基于成本嵌入的主動(dòng)學(xué)習(xí)算法（Active learning with cost embedding，ALCE）［31］以及卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural network，CNN）這8 種算法進(jìn)行比較。US、TM、OS 和EATWSVM 是4 種代價(jià)敏感不平衡數(shù)據(jù)處理方法，UM、UE 和ALCE 是3 種代價(jià)敏感主動(dòng)學(xué)習(xí)算法。

4 實(shí)驗(yàn)結(jié)果及分析

4.1 與代價(jià)敏感不平衡數(shù)據(jù)處理方法比較

本節(jié)實(shí)驗(yàn)中，將真實(shí)采集到的4 個(gè)油田的抽油機(jī)示功圖數(shù)據(jù)用于模型性能驗(yàn)證。每個(gè)數(shù)據(jù)集選取30%的樣本交由專家標(biāo)注標(biāo)簽進(jìn)行模型訓(xùn)練，其余樣本作為測(cè)試集。同樣條件下，隨機(jī)10 次重復(fù)實(shí)驗(yàn)，統(tǒng)計(jì)各評(píng)價(jià)指標(biāo)結(jié)果。結(jié)果取均值和標(biāo)準(zhǔn)差如表3 所示。

表3 與代價(jià)敏感不平衡數(shù)據(jù)處理方法對(duì)比實(shí)驗(yàn)結(jié)果(均值±方差)Table 3 Comparison of experimental results with cost?sensitive imbalanced data processing methods(mean±std)

從表3 可以看出，在A01、A02、A03 和A04 數(shù)據(jù)集中，本文所提出的CALA 算法在精度、召回率和F-measure 這3 種評(píng)價(jià)指標(biāo)上展現(xiàn)的性能都優(yōu)于其余4 種對(duì)比算法。在代價(jià)性能測(cè)試上，過(guò)采樣算法OS 表現(xiàn)最好，CALA 在4 個(gè)數(shù)據(jù)集上的代價(jià)排名分別為第二、第四、第四和第二。

為驗(yàn)證本文提出的CALA 算法在不同查詢比率下的性能，圖2 顯示了CALA 與4 種代價(jià)敏感不平衡數(shù)據(jù)處理方法在查詢比率為30%、35%、40%、45%和50%下的F-measure 對(duì)比，對(duì)于4 個(gè)真實(shí)油井?dāng)?shù)據(jù)集，CALA 算法的平均F-measure 明顯高于其余算法。

圖2 CALA 算法與4 種不平衡數(shù)據(jù)處理算法在不同查詢比率下的F-measure 比較Fig.2 Comparison of F-measure between CALA algorithm and four imbalanced data processing algorithms under different query ratios

4.2 與代價(jià)敏感主動(dòng)學(xué)習(xí)算法比較

本節(jié)實(shí)驗(yàn)中，將真實(shí)采集到的4個(gè)油田的抽油機(jī)示功圖數(shù)據(jù)用于模型性能驗(yàn)證。每個(gè)數(shù)據(jù)集選取30%的樣本交由專家標(biāo)注標(biāo)簽進(jìn)行模型訓(xùn)練，其余樣本作為測(cè)試集。同樣條件下，隨機(jī)10次重復(fù)實(shí)驗(yàn)，統(tǒng)計(jì)各評(píng)價(jià)指標(biāo)結(jié)果。結(jié)果取均值和標(biāo)準(zhǔn)差如表4所示。

表4 與代價(jià)敏感主動(dòng)學(xué)習(xí)算法對(duì)比實(shí)驗(yàn)結(jié)果(均值±方差)Table 4 Comparison of experimental results with cost sensitive active learning algorithms(mean±std)

從表4 可以看出，在A01、A02 和A04 數(shù)據(jù)集中，本文所提出的CALA 算法在精度、召回率和F-measure 這3 種評(píng)價(jià)指標(biāo)上展現(xiàn)的性能都優(yōu)于其余4 種對(duì)比算法。A03 數(shù)據(jù)集上，提出的CALA 算法在召回率和F-measure 評(píng)價(jià)上優(yōu)于其余對(duì)比算法。在代價(jià)性能測(cè)試上，深度學(xué)習(xí)算法CNN 表現(xiàn)最好，CALA 在4 個(gè)數(shù)據(jù)集上的代價(jià)排名分別為第三、第二、第五和第二。

為驗(yàn)證算法在不同查詢比率下的性能，圖3 分別顯示了與3 種代價(jià)敏感主動(dòng)學(xué)習(xí)算法以及深度學(xué)習(xí)算法在查詢比率為30%、35%、40%、45%和50%下的F-measure 對(duì)比，對(duì)于4 個(gè)真實(shí)油井?dāng)?shù)據(jù)集，CALA 算法的平均F-measure 明顯高于其余算法。

圖3 CALA 算法與代價(jià)敏感主動(dòng)學(xué)習(xí)算法以及CNN 算法在不同查詢比率下的F-measure 比較Fig.3 Comparison of F-measure between CALA algorithm and cost-sensitive active learning algorithm and CNN algoithm under different query ratios

4.3 小類別工況下的模型性能測(cè)試

為驗(yàn)證本文算法在小類別上的識(shí)別性能，氣體影響工況為最小類別工況。其中A01、A02、A03和A04 數(shù)據(jù)集中氣體影響工況占比分別為2.85%、2.72%、2.60% 和2.38%。表5 和表6 分別列出CALA 算法和8 種對(duì)比算法在氣體影響工況上的性能。表5 和表6 可以得出，CALA 算法在小類別識(shí)別方面的準(zhǔn)確度和F-Measure 優(yōu)于其余對(duì)比算法；在召回率方面，US、TM 和UM 算法表現(xiàn)較好。

表5 小類別工況下與代價(jià)敏感不平衡數(shù)據(jù)處理方法的對(duì)比實(shí)驗(yàn)結(jié)果（均值±方差）Table 5 Experimental results compared with cost?sensitive imbalanced data processing methods under small category conditions(mean±std)

4.4 模型變換測(cè)試

本文算法的核心在于提出的主動(dòng)查詢策略以及基于代價(jià)優(yōu)化目標(biāo)實(shí)現(xiàn)分布優(yōu)化。因此，本文將KNN 算法替換成樸素貝葉斯（Na?ve Bayes，NB）算法即CALA_NB。表7 為CALA_NB 在查詢比率為30%下重復(fù)10 次實(shí)驗(yàn)得到的結(jié)果。結(jié)果表明，將KNN 替換成NB 之后，算法的效果相差不大，說(shuō)明本文算法性能適用性能較好。

表6 小類別工況下與代價(jià)敏感主動(dòng)學(xué)習(xí)算法的對(duì)比實(shí)驗(yàn)結(jié)果（均值±方差）Table 6 Experimental results compared with cost?sensitive active learning algorithms under small category conditions(mean±std)

4.5 算法適用性分析

為驗(yàn)證算法在12 種常見(jiàn)抽油機(jī)工況下的不同性能，圖4 分別顯示了CALA 在A01、A02、A03 以及A04 四個(gè)數(shù)據(jù)集用30%查詢比例情況下12 種工況的精度。其中橫坐標(biāo)1～12 分別對(duì)應(yīng)12 種抽油機(jī)工況。從圖中可以看出CALA 在各種工況下的識(shí)別精度表現(xiàn)都較好。

4.6 模型時(shí)間開(kāi)銷對(duì)比測(cè)試

表8 為本文提出算法CALA 與其余9 種模型在4 個(gè)實(shí)際抽油機(jī)數(shù)據(jù)集上運(yùn)行的時(shí)間開(kāi)銷。本文提出的算法CALA 均排名第4，由于使用了集成好的US、TM 和OS 算法，這3 種算法運(yùn)行速度更快。

圖4 CALA 算法在4 個(gè)油田數(shù)據(jù)集上的12 種工況精度Fig.4 Accuracy of CALA algorithm for 12 working conditions on four oil field datasets

5 結(jié)論

針對(duì)抽油機(jī)井下工況復(fù)雜、種類繁多的特點(diǎn)，本文提出一種抽油機(jī)故障診斷的分布驅(qū)動(dòng)主動(dòng)學(xué)習(xí)算法。該算法首先利用大量結(jié)構(gòu)化數(shù)據(jù)構(gòu)造經(jīng)驗(yàn)誤差函數(shù)，結(jié)合主動(dòng)學(xué)習(xí)查詢少量關(guān)鍵樣本，通過(guò)代價(jià)敏感方法優(yōu)化算法模型，得到工況數(shù)據(jù)最佳聚類簇?cái)?shù)來(lái)改善數(shù)據(jù)分布。有效利用迭代過(guò)程中的代價(jià)優(yōu)化函數(shù)，使得該算法在抽油機(jī)示功圖故障診斷方面較對(duì)比算法在精度上有較大提高。在小類別工況識(shí)別中，本文提出的算法在準(zhǔn)確度和F-measure 分?jǐn)?shù)上明顯優(yōu)于其余對(duì)比算法。針對(duì)實(shí)際工程環(huán)境下未知工況的識(shí)別和診斷是下一步將要研究的內(nèi)容。