Es wird eine neuartige Methode zur Gesundheitsüberwachung von Offshore-Kompressorstationsplattformen vorgestellt, um deren Schadensdetektionsfähigkeit unter komplexen Betriebsbedingungen zu verbessern. Es wird ein auf einem Speicherzellen-Autoencoder basierendes Deep-Learning-Framework verwendet, das störungsbedingte Merkmale durch Rauschunterdrückung und Winkelbereichs-Resampling von hochfrequenten Vibrationsdaten der Offshore-Kompressorstationsplattform verstärkt. Das Modell nutzt ein tiefes Faltungsneuronales Netzwerk, um historische Datenmuster zu erlernen, erstellt eine versteckte Zustands-Memory-Datenbank und realisiert eine spärliche Zuordnung zwischen kodierten Stichprobenmerkmalen und der Memory-Datenbank. Schließlich wird ein gaußsches Mischwahrscheinlichkeitsmodell verwendet, um die erzeugten Zugehörigkeitswerte zu modellieren und den Gesundheitszustand der Kompressorstationsplattform zu bewerten. Die Methode wurde anhand der Offshore-Kompressorstationsplattform im Kreis Rudong, Jiangsu, validiert und erreichte eine Anomalierückruf- und Genauigkeitsrate von über 98 %, was andere Vergleichsalgorithmen übertrifft.

Offshore-Kompressorstationsplattform;Gesundheitsüberwachung;Winkelbereichs-Resampling;Speicherzelle;Tiefe Autoencoder