套管切割器是一种针对套管损坏井进行修复的修井工具,在其井下作业期间,经常会发生各种故障,产生较大的经济损失。因此,套管切割器故障识别系统的研究势在必行。然而套管切割器振动信号包含较多噪声,并且存在不完全测量现象,进而导致的故障特征信息淹没的问题亟待解决。另外由于故障数据量稀少和复杂网络模型参数量较大,给模型的识别准确率和故障识别的实时性也带来了很大挑战。首先,本文充分考虑套管切割器井下工作环境温度指标,设计并实现了高温环境套管切割器振动加速度数据采集装置。然后,为了获取振动信号特征,建立了套管切割器在无故障和其他两种常见故障状态下的模型,并对模型进行了振动特性分析,分析结果显示:环境噪声会导致故障特征信息被淹没。为了解决该问题,本文设计了一种基于信噪比提升与稀疏表示模型的故障特征增强算法,给出了信噪比增强方法的具体实现和稀疏表示的数学模型与快速求解方法,使用该方法对切割器实际作业数据进行处理,得到了可唯一表示不同故障特征的二维时频向量图,将该图像作为轻量化卷积神经网络的输入进行故障识别。接着,针对大型卷积神经网络模型存在结构复杂且冗余、计算速度缓慢、参数数量庞大等缺陷,本文设计了基于MobileNet-V3 Small轻量化卷积神经网络模型改进的故障识别模型,目标是提升模型的计算速度,在最大限度的降低模型的参数量和资源占用量的前提下,可以较为准确的进行故障识别。最后,针对故障数据量较少的问题,本文使用了基于半监督学习-伪标签的模型性能提升方法,将无标签数据纳入到了模型的训练过程中,进一步改善了模型的性能。实验结果表明,改进后的模型的识别准确率为96.14%,轻量化程度较高,较好的实现了高温套管切割器的故障识别分类。