CN110905478B - 一种基于箱线图法和马氏平方距离法的钻井数据清洗方法 - Google Patents
一种基于箱线图法和马氏平方距离法的钻井数据清洗方法 Download PDFInfo
- Publication number
- CN110905478B CN110905478B CN201911080518.XA CN201911080518A CN110905478B CN 110905478 B CN110905478 B CN 110905478B CN 201911080518 A CN201911080518 A CN 201911080518A CN 110905478 B CN110905478 B CN 110905478B
- Authority
- CN
- China
- Prior art keywords
- data
- value
- data processing
- processing unit
- constant
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000005553 drilling Methods 0.000 title claims abstract description 51
- 238000004140 cleaning Methods 0.000 title claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 65
- 230000002159 abnormal effect Effects 0.000 claims abstract description 54
- 239000011159 matrix material Substances 0.000 claims abstract description 24
- 238000001514 detection method Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 13
- 101150110969 gap1 gene Proteins 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000012850 discrimination method Methods 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 5
- 238000013461 design Methods 0.000 abstract description 3
- 239000003208 petroleum Substances 0.000 description 5
- 230000008030 elimination Effects 0.000 description 3
- 238000003379 elimination reaction Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B44/00—Automatic control systems specially adapted for drilling operations, i.e. self-operating systems which function to carry out or modify a drilling operation without intervention of a human operator, e.g. computer-controlled drilling systems; Systems specially adapted for monitoring a plurality of drilling variables or conditions
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明设计开发了一种基于箱线图法和马氏平方距离法的钻井数据清洗方法,包括:步骤一、获取需要进行数据清洗的钻井数据;步骤二、对所述多维矩阵进行分组,得到多个行数为M行,列数为N的矩阵作为基本数据处理单元,依次对所述基本数据处理单元进行数据清洗,对所述基本数据处理单元进行数据更新,得到更新数据处理单元;步骤四、将所述异常值剔除,得到常值数据处理单元;步骤五、计算所述常值数据处理单元各维度之间的马氏距离,本发明针对箱线图法检测钻井数据存在的局限性,同时结合马氏距离判别法能对多变量统计数据进行异常值检测的特点,对含有多维数据的钻井数据进行双重清洗,能有效地检测出异常值,以达到较好的数据清洗效果。
Description
技术领域
本发明涉及石油勘探以及钻井工程领域,具体涉及一种用于钻井数据处理的计算与处理方法。
背景技术
随着我国石油行业的蓬勃发展以及石油资源勘探力度的加大,有关石油勘探的钻井数据,包括试井和录井数据的体量越来越大,在石油行业进行数字化转型的背景下,相关职能部门对钻井数据的可靠性要求越来越高。在自动化逐渐普及的今天,钻井数据仍然受到诸多不稳定因素的影响,例如钻机本身的机械特性,所钻地层的地质、水土情况,以及设备的操作情况等。另外,在数据的录入环节,数据也可能受到人为的篡改,因此,采集录入到数据库系统中的数据,往往包含一些不真实的以及异常的噪声数据,另外,在数据的传输过程以及产生过程中,受设备以及传输误差等的一些影响,数据不可避免地会产生一些缺失数据以及错误、异常的数据,如何对采集到的钻井数据进行数据治理,保证钻井数据的精确性、完整性、有效性,进而提高钻井数据的管控质量,是一个在石油钻井领域值得研究的课题。
鉴于钻井数据含有多维数据,且由不同的传感器采集所得,且由上所述,钻井数据自身带有噪声数据、不真实数据等复杂性,因此,钻井数据的异常检测和清洗给工程技术人员带来了巨大挑战。目前数据清洗包括数据的异常值检测、数据缺失值填补或剔除、无效值处理等一系列机制。在钻井数据参数检测方面,专利201410306809.7针对钻井参数公开了一种钻井数据异常检测方法,通过人为设定的上下阈值范围以及超出阈值范围的异常采样数据的连续个数来判定该时间段的数据是否异常,进而实现数据的清洗,该方法实现简单,但阈值参数的设定需要凭借经验来选取,且受数据的影响有时需要更改不同的阈值设定,由于不控制因素太多,因此清洗过程不够智能化和自动化。专利201410307882.6公布了一种数据异常监测系统,该系统包括井场端和协同监测端,井场端判断数据是否异常,协同检测端分析得到出现异常的原因,该方法强调的是两端协同检测,并没有指出具体的数据分析与异常检测方法。上述方案在钻井数据清洗以提高数据质量管控方面仍有不足,且目前尚未有有效的数据清洗方案用于钻井数据的质量控制。选择高效的数据清洗方法,能为钻井工程数据的分析和挖掘利用提供了十分重要的支撑,对提高钻井工程数据分析的科学性以及提高钻井效率具有十分重要的意义。
发明内容
本发明设计开发了一种基于箱线图法和马氏平方距离法的钻井数据清洗方法,同时结合箱线图法和马氏距离判别法,利用二者均能对多变量统计数据进行异常值检测的特点,对含有多维数据的钻井数据进行双重清洗,能有效地检测出异常值,以达到较好的数据清洗效果。
本发明提供的技术方案为:
一种基于箱线图法和马氏平方距离法的钻井数据清洗方法,包括:
步骤一、获取需要进行数据清洗的钻井数据,并将所述钻井数据编写成多维矩阵;
其中,所述多维矩阵的行数代表钻井数据的样本量,所述多维矩阵的列数代表钻井数据的属性列;
步骤二、对所述多维矩阵进行分组,得到多个行数为M行,列数为N的矩阵作为基本数据处理单元,依次对所述基本数据处理单元进行数据清洗;
步骤三、遍历所述基本数据处理单元每一列,检查每一列是否存在缺失值,并剔除所述缺失值,对所述基本数据处理单元进行数据更新,得到更新数据处理单元;
步骤四、利依次对更新数据处理单元的每一列进行异常值检测,并将所述异常值剔除,得到常值数据处理单元;
步骤五、计算所述常值数据处理单元各维度之间的马氏距离;
步骤六、根据所述马氏距离判别所述常值数据处理单元是否为异常样本,并剔除所述异常样本。
优选的是,所述多维矩阵行数40≤M≤60。
优选的是,所述步骤四中的异常值检测方法包括:
步骤b、求解第i列数据的四分位距:
gap1=aei-afi;
步骤c、根据所述四分位距求解判定上限和判定下限:
sde1=ae1+1.5*gap1
xde1=af1-1.5*gap1
其中,sde1为判定上限,xde1为判定下限;
步骤d、将排序后的新向量中的每一个值与所述判定上限和判定下限比较,若aki>sde1或axi<xde1,则判定aki为异常值,并将其剔除;
优选的是,所述步骤五中的马氏距离计算过程为:
然后,计算各个维度间的协方差矩阵∑:
其中,Cov(Yp,Yn)为常值数据处理单元Y的第p列和第n列之间的协方差,
最后,计算得到常值数据单元中第j行数据对应的马氏平方距离:
优选的是,所述步骤六中判别异常样本的过程为:
首先,计算所述常值数据处理单元的卡方分布值,并根据所述卡方分布值得到马氏距离的临界值;
然后,将所述马氏平方距离与所述马氏距离的临界值进行比较,若所述马氏平方距离大于所述马氏距离的临界值,判定所述常值数据处理单元为异常样本,并剔除所述异常样本。
优选的是,常值数据单元中第j行数据的卡方分布值计算公式为:
其中,χj 2为常值数据单元中第j行数据的卡方分布值。
优选的是,所述马氏距离的临界值计算公式为:
其中,χj为常值数据单元中第j行数据的卡方分布值的开方值。
本发明所述的有益效果
本发明设计开发了一种基于箱线图法和马氏平方距离法的钻井数据清洗方法,针对箱线图法检测钻井数据存在的局限性,同时结合马氏距离判别法能对多变量统计数据进行异常值检测的特点,对含有多维数据的钻井数据进行双重清洗,能有效地检测出异常值,以达到较好的数据清洗效果。
附图说明
图1为本发明所述的一种基于箱线图法和马氏距离判别法的数据清洗方法的整体处理流程图。
图2为本发明中利用箱线图法进行异常值检测的具体流程图。
图3为本发明中利用马氏距离判别法进行异常值检测的具体流程图。
具体实施方式
下面结合附图对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
如图1所示,本发明提供的基于箱线图法和马氏平方距离法的钻井数据清洗方法,包括:
步骤S101、获取所需要进行数据清洗的钻井数据及其维数,该维数包括数据的行数和列数,其中行数代表数据的样本量,列数代表数据的属性列;
步骤S102、对获取的样本进行分组,每组40个样本为一组,作为基本的数据处理单元;
步骤S103、取其中的一组数据进行清洗,当该组数据清洗完毕后,取下一组数据进行清洗;
步骤S104、检查该组数据某一维度的数据是否含有缺失值,如果含有缺失值,则直接剔除该样本数据,转向步骤S110,以避免因缺失值插补影响后期的数据分析效果;
步骤S105、如果该维数据不存在缺失值,则利用箱线图法检查该维数据是否存在异常值点,如果该维数据不存在异常值点,则转向步骤S106;如果箱线图法检查出该维数据含有异常值点,则直接剔除包含该异常值的样本,转向步骤S110;
步骤S106、取该组数据的下一位数据进行分析,检查是否含有缺失值和异常值点,即转向步骤S104;
步骤S107、检查该组数据的所有维度的数据是否遍历完毕,若没有,则转向步骤S106,取下一维数据继续进行处理;如果遍历完毕,则转向步骤S108;
步骤S108、求该组数据各维度之间的马氏距离;
步骤S109、根据步骤S108所求的马氏距离,根据马氏距离判别法检测该组数据有无异常样本,该方法具体的实施方法将在随后的具体实施方式中予以阐述;如果检测到了有异常样本,则转向步骤S110;
步骤S110、直接剔除异常样本;
步骤S111、如果该组数据经过马氏距离判别后无异常样本,或者该组数据的所有样本经过马氏距离判别法检测后,则转向步骤S111,取下一组样本数据,进行上述方法的数据清洗;
根据本发明的一个实施例,在步骤S102中样本分组数量可以取除40以外的其他整数值,最后一组的样本数量小于40个样本时,可单独按一组样本数据来进行统计。
以下将结合附图和实施例来详细说明本发明的实施方式,借此阐述本发明如何应用技术手段来解决技术问题,以达到技术的实施过程能被充分理解并予以实施。需要说明的是,只要不构成不冲突,本发明的各个实施例以及实施例中的各个特征可以相互结合,所形成的技术方案均在本发明的保护范围之内。
同时,在以下说明中,出于解释的目的而阐述了更多的具体细节,以提供对本发明实施例的具体理解;对于本领域的技术人员显而易见地是,本发明可以不用这里的具体细节或者所描述的特定方式来实例。
另外,在附图中的流程图所示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。虽然在流程图中示出了逻辑顺序,但在某些情况下,可以以不同于此处的顺序来执行所描述的步骤。
本发明所提供的钻井参数数据清洗流程,包括:
步骤S101、获取当前要清洗的钻井数据,并将其作为一个矩阵,获取相应的行和列,以得到钻井数据的样本数量和属性维数,假定属性维数为N维,分别为X1,X2…XN;
步骤S103、取其中的一组数据进行清洗,当该组数据清洗完毕后,取下一组数据进行清洗;
步骤S104、先检查第一维数据是否存在缺失值,即检查矩阵的第一列中是否存在缺失值,如果存在,则转向步骤S110,将其中样本剔除,并对样本数进行更新得到更新数据处理单元如果不存在缺失值,则转向步骤S105;
步骤S105、利用箱线图法对该列数据进行异常值检测,其具体过程为:
步骤S202、求解排序后的新向量的第一四分位数,第一四分位数即为经过排序后向量处在25%位置处的值为afi;
步骤S203、求解排序后的新向量的第三四分位数即为经过排序后向量处在75%位置处的值,假定为aei;
步骤S204、求解第i列数据的四分位距:
gap1=aei-afi;
步骤S205、根据四分位距求解判定上限和判定下限:
sde1=ae1+1.5*gap1
xde1=af1-1.5*gap1
其中,sde1为判定上限,xde1为判定下限;
步骤S206、将排序后的新向量中的每一个值与所述判定上限和判定下限比较,若aki>sde1或axi<xde1,则判定aki为异常值,并将其剔除;
步骤S207、进行下一组数据的异常值清洗;
步骤S106、取该组数据的下一位数据进行分析,检查是否含有缺失值和异常值点,即转向步骤S104;
步骤S107、检查该组数据的所有维度的数据是否遍历完毕,若没有,则转向步骤S106,取下一维数据继续进行处理;如果遍历完毕,则转向步骤S108;
步骤S108、求该组数据各维度之间的马氏距离,其具体过程为:
如图3所示,步骤S301、计算常值数据单元中第j行数据的卡方分布值,其计算公式为:
其中,χj 2为常值数据单元中第j行数据的卡方分布值;
步骤S303、计算各个维度间的协方差矩阵∑:
其中,Cov(Yp,Yn)为常值数据处理单元Y的第p列和第n列之间的协方差,
步骤S304、计算马氏距离的临界值计算公式为:
其中,χj为常值数据单元中第j行数据的卡方分布值的开方值。
步骤S305、计算得到常值数据单元中第j行数据对应的马氏平方距离:
步骤S306、将所述马氏平方距离与所述马氏距离的临界值进行比较,若所述马氏平方距离小于所述马氏距离的临界值进入步骤S307,若所述马氏平方距离大于所述马氏距离的临界值,进入步骤S308;
步骤S307、进行下一组数据清洗;
步骤S308、判定所述常值数据处理单元为异常样本,并剔除所述异常样本。
本发明同时结合箱线图法和马氏距离判别法,利用二者均能对多变量统计数据进行异常值检测的特点,对含有多维数据的钻井数据进行双重清洗,能有效地检测出异常值,以达到较好的数据清洗效果。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (6)
1.一种基于箱线图法和马氏平方距离法的钻井数据清洗方法,其特征在于,包括:
步骤一、获取需要进行数据清洗的钻井数据,并将所述钻井数据编写成多维矩阵;
其中,所述多维矩阵的行数代表钻井数据的样本量,所述多维矩阵的列数代表钻井数据的属性列;
步骤二、对所述多维矩阵进行分组,得到多个行数为M行,列数为N的矩阵作为基本数据处理单元,依次对所述基本数据处理单元进行数据清洗;
步骤三、遍历所述基本数据处理单元每一列,检查每一列是否存在缺失值,并剔除所述缺失值,对所述基本数据处理单元进行数据更新,得到更新数据处理单元;
步骤四、依次对更新数据处理单元的每一列进行异常值检测,并将所述异常值剔除,得到常值数据处理单元;所述步骤四中的异常值检测方法包括:
步骤b、求解第i列数据的四分位距:
gap1=aei-afi;
步骤c、根据所述四分位距求解判定上限和判定下限:
sde1=ae1+1.5*gap1
xde1=af1-1.5*gap1
其中,sde1为判定上限,xde1为判定下限;
步骤d、将排序后的新向量中的每一个值与所述判定上限和判定下限比较,若aki>sde1或axi<xde1,则判定aki为异常值,并将其剔除;
步骤五、计算所述常值数据处理单元各维度之间的马氏距离;
步骤六、根据所述马氏距离判别所述常值数据处理单元是否为异常样本,并剔除所述异常样本。
2.根据权利要求1所述的基于箱线图法和马氏平方距离法的钻井数据清洗方法,其特征在于,所述多维矩阵行数40≤M≤60。
3.根据权利要求2所述的基于箱线图法和马氏平方距离法的钻井数据清洗方法,其特征在于,所述步骤五中的马氏距离计算过程为:
然后,计算各个维度间的协方差矩阵∑:
其中,Cov(Yp,Yn)为常值数据处理单元Y的第p列和第n列之间的协方差,
4.根据权利要求3所述的基于箱线图法和马氏平方距离法的钻井数据清洗方法,其特征在于,所述步骤六中判别异常样本的过程为:
首先,计算所述常值数据处理单元的卡方分布值,并根据所述卡方分布值得到马氏距离的临界值;
然后,将所述马氏平方距离与所述马氏距离的临界值进行比较,若所述马氏平方距离大于所述马氏距离的临界值,判定所述常值数据处理单元为异常样本,并剔除所述异常样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911080518.XA CN110905478B (zh) | 2019-11-07 | 2019-11-07 | 一种基于箱线图法和马氏平方距离法的钻井数据清洗方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911080518.XA CN110905478B (zh) | 2019-11-07 | 2019-11-07 | 一种基于箱线图法和马氏平方距离法的钻井数据清洗方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110905478A CN110905478A (zh) | 2020-03-24 |
CN110905478B true CN110905478B (zh) | 2023-04-11 |
Family
ID=69816537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911080518.XA Active CN110905478B (zh) | 2019-11-07 | 2019-11-07 | 一种基于箱线图法和马氏平方距离法的钻井数据清洗方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110905478B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112037080A (zh) * | 2020-08-03 | 2020-12-04 | 森诺科技有限公司 | 一种用于石油专业工程定额编制数据处理方法 |
CN113858956A (zh) * | 2021-09-29 | 2021-12-31 | 北理新源(佛山)信息科技有限公司 | 新能源汽车数据采集与处理方法系统 |
CN114332742B (zh) * | 2022-03-08 | 2022-06-03 | 西安科技大学 | 一种基于深度神经网络的异常视频大数据清洗方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009033A (zh) * | 2019-04-02 | 2019-07-12 | 北京化工大学 | 一种基于动态主元分析的钻井过程异常预警模型 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011039934A (ja) * | 2009-08-17 | 2011-02-24 | Tokai Univ | 感情推定システム及びそれを利用した学習システム |
CN103025592B (zh) * | 2010-06-30 | 2016-08-03 | 普拉德研究及开发股份有限公司 | 用于油田设备预测和健康管理的系统、方法和装置 |
US9262713B2 (en) * | 2012-09-05 | 2016-02-16 | Carbo Ceramics Inc. | Wellbore completion and hydraulic fracturing optimization methods and associated systems |
EP2900913B1 (en) * | 2012-11-05 | 2017-08-09 | Landmark Graphics Corporation | System, method and computer program product for wellbore event modeling using rimlier data |
US10445341B2 (en) * | 2014-06-09 | 2019-10-15 | The Mathworks, Inc. | Methods and systems for analyzing datasets |
CN105221132B (zh) * | 2014-06-30 | 2018-08-10 | 中国石油化工股份有限公司 | 一种钻井工程参数状态检测方法 |
CN105298466A (zh) * | 2014-06-30 | 2016-02-03 | 中国石油化工股份有限公司 | 一种钻井工程参数监测系统 |
WO2016033355A1 (en) * | 2014-08-27 | 2016-03-03 | Digital H2O, Inc | Oilfield water management |
WO2017030756A1 (en) * | 2015-08-14 | 2017-02-23 | Schlumberger Technology Corporation | Bore penetration data matching |
GB2560643B (en) * | 2015-09-30 | 2021-07-21 | Schlumberger Technology Bv | Downhole tool analysis using anomaly detection of measurement data |
US10459101B2 (en) * | 2016-05-25 | 2019-10-29 | Halliburton Energy Services, Inc. | Method for near-real-time, high-resolutionsignal filtering in noisy environments |
CN106837310B (zh) * | 2016-12-15 | 2020-07-07 | 中法渤海地质服务有限公司 | 基于质量流量综合检测的石油井涌井漏预报方法及装置 |
CN106650297B (zh) * | 2017-01-06 | 2019-04-19 | 南京航空航天大学 | 一种无领域知识的卫星分系统异常检测方法 |
-
2019
- 2019-11-07 CN CN201911080518.XA patent/CN110905478B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009033A (zh) * | 2019-04-02 | 2019-07-12 | 北京化工大学 | 一种基于动态主元分析的钻井过程异常预警模型 |
Non-Patent Citations (4)
Title |
---|
固井质量数据中的异常值剔除方法研究;初力剑等;《中小企业管理与科技(上旬刊)》;20130105(第01期);全文 * |
测试井数据资料的数据清洗技术研究;张允等;《西南石油大学学报》;20071215(第06期);全文 * |
统计数据的异常值检验;毋红军等;《华北水利水电学院学报》;20030330(第01期);全文 * |
钻井过程中工况异常监测与预警系统研究与开发;付娜;《中国优秀硕士学位论文全文数据库》;20160715;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110905478A (zh) | 2020-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110905478B (zh) | 一种基于箱线图法和马氏平方距离法的钻井数据清洗方法 | |
CN107493277B (zh) | 基于最大信息系数的大数据平台在线异常检测方法 | |
CN105607631B (zh) | 间歇过程弱故障模型控制限建立方法及弱故障监测方法 | |
CN111680725B (zh) | 基于重构贡献的气体传感器阵列多故障隔离算法 | |
CN111046341A (zh) | 一种基于主成分分析的非常规天然气压裂效果评价及产能预测方法 | |
CN109308415A (zh) | 一种面向二进制的导向性模糊测试方法与系统 | |
CN112529341A (zh) | 一种基于朴素贝叶斯算法的钻井漏失机率预测方法 | |
CN111259953B (zh) | 一种基于电容型设备缺陷数据的设备缺陷时间预测方法 | |
CN112738014A (zh) | 一种基于卷积时序网络的工控流量异常检测方法及系统 | |
CN113364802B (zh) | 安全告警威胁性研判方法及装置 | |
CN113516228A (zh) | 一种基于深度神经网络的网络异常检测方法 | |
CN104902509A (zh) | 基于top-k(σ)算法的异常数据检测方法 | |
CN113466947B (zh) | 一种应用于超导瞬变电磁的坏点自动去除方法 | |
CN116610990A (zh) | 一种基于特征空间差异化的断路器隐患识别方法及装置 | |
CN110990383A (zh) | 一种基于工业大数据集的相似度计算方法 | |
CN114492146B (zh) | 基于迁移学习的螺栓群松动定位和定量分析方法及系统 | |
CN102890718A (zh) | 基于有监督显式流形学习算法的电子鼻数据挖掘方法 | |
CN115356599A (zh) | 一种多模态城市电网故障诊断方法及系统 | |
CN113449626B (zh) | 隐马尔科夫模型振动信号分析方法装置、存储介质和终端 | |
CN115310499A (zh) | 一种基于数据融合的工业设备故障诊断系统及方法 | |
CN115169815A (zh) | 一种基于混合泛化网络的风电机组异常检测方法 | |
CN111461461B (zh) | 一种水利工程异常检测方法及系统 | |
CN114997214A (zh) | 一种残差密集网络故障诊断方法以及装置 | |
CN116884536B (zh) | 一种工业废渣砖生产配方自动优化方法及系统 | |
CN105245498A (zh) | 一种基于粗糙集的攻击挖掘和检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |