摘要： 抽油机故障样本获取成本较高，导致采用传统方法训练的诊断模型难以充分学习有效特征，识别准确率难以达到理想水平。提出一种基于元迁移学习(Meta-transfer Learning，MTL)和改进密集时延神经网络(Dense Time-Delay Neural Network，D-TDNN)的抽油机故障声纹诊断方法。该方法通过提取抽油机运行声信号的梅尔频谱图特征，有效捕获故障信息，采用元迁移学习策略使模型能迅速适应数据分布变化并降低过拟合风险。在此基础上，引入前端残差注意力模块增强特征提取中的频率通道感知能力，弥补密集时延神经网络在局部频率特征捕获方面的不足。将上下文掩蔽模块嵌入网络以优化特征权重的动态分配，使模型能更有效聚焦于关键特征区域，提升故障信息提取精
度。实验结果表明，该方法对于抽油机故障的平均识别准确率达91.59 %。

关键词: 故障诊断, 抽油机, 声信号, 元迁移学习, 密集时延神经网络, 注意力机制