Une nouvelle méthode de surveillance de la santé des plateformes de stations de compression en mer est proposée pour renforcer leur capacité de détection des dommages dans des conditions de fonctionnement complexes. Un cadre d'apprentissage profond basé sur un autoencodeur à unité de mémoire est utilisé, amplifiant les caractéristiques liées aux défauts par le débruitage et le resampling dans le domaine angulaire des données de vibrations haute fréquence des stations de compression en mer. Le modèle utilise un réseau de neurones convolutionnel profond pour apprendre les modèles de données historiques, construit une base mémoire des états cachés et réalise un appariement épars entre les caractéristiques d'encodage des échantillons et la base mémoire. Enfin, un modèle de mélange gaussien probabiliste est adopté pour modéliser les scores d'appartenance générés afin d'évaluer l'état de santé de la station de compression. La méthode a été validée sur une station de compression en mer dans le comté de Rudong, Jiangsu, atteignant un taux de rappel et une précision des anomalies supérieurs à 98 %, surpassant d'autres algorithmes comparatifs.

Plateforme de station de compression en mer;Surveillance de la santé;Resampling dans le domaine angulaire;Unité de mémoire;Autoencodeur profond