创新性：目前有杆泵系统的工况诊断主要利用卷积神经网络来识别示功图，因存在工况不同但示功图相似的问题，导致其诊断准确率不高。本研究针对上述难题，将迁移学习和Vision Transformer相结合，从而构建基于迁移学习和ViT模型的抽油机工况诊断方法。利用ImageNet-1k数据集对ViT模型进行预训练，使用实际的示功图数据集微调模型的权重，进而提高工况诊断能力。该方法可以更好地解决示功图的实际问题，满足油田现场的需求。

中文摘要：示功图是诊断有杆泵系统工作条件的重要工具。然而，一个关键问题是实际的示功图会在不同的工作条件上呈现出类似的图形。这降低了现有模型的分类性能，导致诊断准确度不高。为了解决这个问题，我们提出了一种基于迁移学习和ViT模型的新方法来诊断有杆泵系统的工作情况。具体来说，我们首先使用ImageNet-1k数据集对ViT模型进行预训练，然后使用实际的示功图数据集微调模型的权重。这种迁移学习方式不仅显著减少了模型的训练时间，而且有效提高了工作条件诊断的准确性。为了评估所提出方法的性能，我们将其与ResNet、DenseNet和RegNet模型进行比较。我们的实验结果表明，我们的方法实现了工作条件诊断准确率为0.9060，比其他方法高出0.2-0.3。此外，我们的方法在不同工作条件但图形相似的示功图问题上表现良好。因此，我们的基于迁移学习和ViT模型的方法可以更好地解决示功图的实际问题，满足油田现场的需求。

Geoenergy Science and Engineering(原名为Journal of Petroleum Science and Engineering)涵盖了石油和天然气的勘探、生产和流动领域，包括：油藏工程；油藏模拟；岩石力学；岩石物理学；孔隙级现象；测井、测试和评估；数学建模；提高油气采收率；流体力学;多孔介质中的多相流；生产工程；形成评估；勘探方法；地质构造/地下的二氧化碳封存等。该期刊最新影响因子为5.168，近3年平均影响因子IF为3.646，JCR分区为Q1区，中科院工程技术大类2区。

文章链接：

https://doi.org/10.1016/j.geoen.2023.211729

引用格式：

Liming Zhang, Jinlian Wu, Kai Zhang, et al. Diagnosis of Pumping Machine Working Conditions Based on Transfer Learning and ViT Model[J]. Geoenergy Science and Engineering, 2023, 226: 211729.