CN111639711B - 一种基于压力监测时序数据的输油管线泄漏监测方法 - Google Patents
一种基于压力监测时序数据的输油管线泄漏监测方法 Download PDFInfo
- Publication number
- CN111639711B CN111639711B CN202010481782.0A CN202010481782A CN111639711B CN 111639711 B CN111639711 B CN 111639711B CN 202010481782 A CN202010481782 A CN 202010481782A CN 111639711 B CN111639711 B CN 111639711B
- Authority
- CN
- China
- Prior art keywords
- data
- pressure
- time
- oil pipeline
- abnormal
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000002159 abnormal effect Effects 0.000 claims abstract description 74
- 238000012706 support-vector machine Methods 0.000 claims abstract description 23
- 230000011218 segmentation Effects 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 238000001514 detection method Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 7
- 230000035772 mutation Effects 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 abstract description 8
- 238000010801 machine learning Methods 0.000 abstract description 5
- 239000000463 material Substances 0.000 abstract description 4
- 238000007781 pre-processing Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 206010000369 Accident Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Examining Or Testing Airtightness (AREA)
- Pipeline Systems (AREA)
Abstract
本发明涉及一种基于压力监测时序数据的输油管线泄漏监测方法，本方法通过时序分段、特征提取等数据预处理实现了海量输油管线时序数据的实时高效处理，构建了耦合一分类支持向量机和层次聚类的输油管线异常泄漏监测模型。本方法结合一分类支持向量机和层次聚类两种算法的优势，有效地解决了传统输油管线异常泄漏监测人力物力成本较高，监测时效性较低的问题；并解决了现有基于机器学习的输油管线异常泄漏监测方法中，因数据样本不平衡导致误报率较高且难以区分事故、人工异常的问题。此方法大大降低了输油管线异常泄漏的误报率，实现输油管线异常泄漏的快速及时监测，为输油管线的监测和作业安全提供了保障。
Description
技术领域
本发明涉及输油管线异常泄漏监测领域，具体涉及一种基于压力监测时序数据的输油管线泄漏监测方法。
背景技术
在油气管道的运行管理中，及时发现管道泄漏并确定漏点位置，保证管道的安全运行、减少因泄漏造成的经济损失和环境污染、防止爆炸和火灾事故的发生具有十分重要的意义。传统输油管线泄漏检测(人工巡查、沿线铺设设备检测法、体积或质量平衡法、基于状态估计的方法等)存在人力物力成本较高，监测时效性较低。目前，机器学习被逐步引入输油管线的异常泄漏监测。但因输油管线数据的时序性和正负样本的不均衡性，使得传统机器学习方法在输油管线泄漏检测时仍存在一些不足：(1)输油管线监测数据是海量的时序数据，传统机器学习模型难以直接使用现场作业数据快速地进行泄漏检测；(2)由于输油管线监测数据量巨大，但是异常样本稀少，使得普通的二分类模型不能很好对正常异常进行区分，监测精度较低；(3)输油管线异常包含多种模式，主要包含人工作业造成的异常、事故造成的异常两类，目前的油管泄漏监测方法难以区分异常模式，误报率较高。
发明内容
本发明针对现有方法中人力物力成本较高，监测时效性较低的问题，提供基于一种基于压力监测时序数据的输油管线泄漏发现方法。该方法使用时间滑动窗口对时序数据进行分段，在此基础上构建最大值、最小值、均值、中值、方差、一阶自相关等统计指标。实现了时序数据的预处理并满足了耦合模型的输入需求。并结合一类支持向量机对样本数据进行了建模，可以在短时间内有效识别出输油管线的压力异常，提升了监测精度。并引入层次聚类算法，对所有异常时间序列进行聚类，并根据真实生产环境下的异常泄漏标记得到泄漏事故异常的簇类，提取了泄漏异常的模式。其他簇类则为人工作业异常，从而有效地对人工作业异常与泄漏异常进行了区分，降低了异常探测误报率，实现了海量时序压力数据的输油管线异常泄漏监测。
为了解决上述技术问题，本发明一种基于压力监测时序数据的输油管线泄漏监测方法，包括以下步骤：
(1)基于滑动时间窗口对历史输油管线时序压力数据依次进行分段和统计指标特征提取，然后进行归一化，得到历史时序压力特征数据集，历史时序压力特征数据集中每个历史时序压力特征数据包含对应分段归一化后的统计指标特征和是否发生波动突变的标签；
(2)基于历史时序压力特征数据集，训练一分类支持向量机，得到初步异常探测模型；
(3)将探测的输油管线实时压力数据采用与步骤(1)相同的分段和统计指标特征提取，然后进行归一化，得到探测时序压力特征数据；
(4)将所述探测时序压力特征数据输入到初步异常探测模型中进行异常探测，将判断为波动突变的预处理后的输油管线实时压力数据标记，形成异常时序压力数据；
(5)对于所述异常时序压力数据，识别出其中波动突变的异常压力片段，当两个异常压力片段的间隔小于一个时长阈值时，则将这两个异常压力片段以及之间的输油管线压力时序数据标记为真正异常，将与其他异常压力片段的时间间隔均不小所述时长阈值的异常压力片段删除；
(6)对于所述异常时序压力数据中标记为真正异常的数据，采用与步骤(1)中相同的滑动时间窗口再次进行分段，分段时，对该滑动时间窗口的数据进行截取，不足滑动时间窗口长度的，用正常压力数据进行填充，超过滑动时间窗口长度的，进行截断，并对截断后不足滑动时间窗口长度的数据，再用正常压力数据进行填充；然后分段进行统计指标特征提取，然后进行归一化，得到探测异常压力时序特征数据集；所述探测异常压力时序特征数据集中每个数据包含对应分段归一化后的统计指标特征；
(7)将所述探测异常压力时序特征数据集和历史时序压力特征数据集中标签为输油管线泄漏的标签的归一化后的统计指标特征一起输入到层次聚类模型，得到不同层次的异常簇类，将选择历史真实泄漏异常所在的簇类作为泄漏异常簇，根据所述探测异常压力时序特征数据集中是否存在被分类到泄漏异常簇中的归一化后的统计指标特征，来判断是否存在输油管线泄漏。
进一步地，在本发明的基于压力监测时序数据的输油管线泄漏监测方法中，步骤(1)中所述依次进行分段和统计指标特征提取具体包括如下步骤：
首先对预处理后的数据分割处理为固定滑动时间窗口的分段数据，然后计算各个固定时间窗口内输油管线压力的最大值、最小值、均值、中值、方差以及一阶自相关值作为所述统计指标特征。
进一步地，在本发明的基于压力监测时序数据的输油管线泄漏监测方法中，步骤(2)具体包括：将所述历史时序压力特征数据集分为训练集和验证集，采用训练集分别训练多个一分类支持向量机，这些一分类支持向量机的模型参数互相之间不完全相同，训练完成之后，然后利用验证集进行验证，选择最优的一分类支持向量机作为所述初步异常探测模型。
进一步地，在本发明的基于压力监测时序数据的输油管线泄漏监测方法中，在进行分段和统计指标特征时，所述历史输油管线时序压力数据与所述待探测的输油管线实时压力数据均被分为多组，采用多线程分别进行处理，对于每个线程处理的数据，对数据进行清洗，以把数据中的空值、负值、字符串及异常值给去掉，若是去掉的数据小于预设比例，则对于去掉的数据部分采用线型插值进行填充。
实施本发明的基于压力监测时序数据的输油管线泄漏监测方法，具有以下有益效果：本发明有效地解决了现有输油管线异常泄漏监测方法所存在的人力物力成本较高，监测时效性较低的问题。根据输油管线实时数据的特点，将数据进行了分段、特征值等数据预处理，实现了时序数据的离散化并满足了耦合模型的输入需求。耦合一类支持向量机和层次聚类方法对样本数据进行了分析与建模，结合一分类支持向量机和层次聚类两种算法的优势，解决了现有基于机器学习的输油管线异常泄漏监测方法中，因数据样本不平衡导致误报率较高且难以区分事故、人工异常的问题。使得能够基于输油管线压力数据快速有效地实现海量实时的输油管线异常泄漏监测，为输油管线安全运输提供支持。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明的方法流程图；
图2是本发明的数据特征提取过程图；
图3是本发明的层次聚类异常分类流程图；
图4是本发明的一分类支持向量机训练流程图；
图5是采用本发明方法监测得到的输油管线压力异常对比结果图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
参考图1，图1是本发明的方法流程图，图1中示意除了步骤(2)-(7)的具体流程。本实施例的基于压力监测时序数据的输油管线泄漏监测方法，包括以下步骤：
(1)基于滑动时间窗口对历史输油管线时序压力数据依次进行分段和统计指标特征提取，然后进行归一化，得到历史时序压力特征数据集，历史时序压力特征数据集中每个历史时序压力特征数据包含对应分段归一化后的统计指标特征和是否发生波动突变的标签。在进行分段和统计指标特征时，对历史输油管线时序压力数据进行清洗，以把数据中的空值、负值、字符串及异常值给去掉，对于去掉的数据部分采用线型插值进行填充。
在本发明的另一实施例中，在进行分段和统计指标特征时，所述历史输油管线时序压力数据与所述待探测的输油管线实时压力数据均被分为多组，采用多线程分别进行处理，对于每个线程处理的数据，对数据进行清洗，以把数据中的空值、负值、字符串及异常值给去掉，若是去掉的数据小于预设比例，则对于去掉的数据部分采用线型插值进行填充，若是不小预设比例，则直接删除。
所述分段和统计指标特征提取具体包括如下步骤：
首先对预处理后的数据分割处理为固定滑动时间窗口的分段数据，然后计算各个固定时间窗口内输油管线压力的最大值、最小值、均值、中值、方差以及一阶自相关值作为所述统计指标特征，实现了时序数据的离散化并满足了模型输入和实时检测的实际需求。统计指标特征提取可参考图2。
(2)基于历史时序压力特征数据集，训练一分类支持向量机，得到初步异常探测模型。初步异常探测模型用于判断探测的输油管线实时压力数据是否发生波动突变。
在本发明的一实施例中，可以直接对一个一分类支持向量机进行训练，训练得到的模型即为所述初步探测模型。
在本发明的另一实施例中，步骤(2)具体包括：将所述历史时序压力特征数据集分为训练集和验证集，采用训练集分别训练多个一分类支持向量机，这些一分类支持向量机的模型参数互相之间不完全相同，训练完成之后，然后利用验证集进行验证，选择最优的一分类支持向量机作为所述初步异常探测模型。模型参数包括核函数Kernel、内核系数Gamma以及惩罚系数C。最优的一分类支持向量机可采用一分类支持向量机选取精度指标(F1-score)最高的。
对于一分类支持向量机的训练，本实施例仅需要使用压力波动平稳(没有波动异常即为波动平稳)正常数据即可进行模型训练；有效的避免了实际生产环境中因泄漏样本过少所造成的正负样本不均衡问题，提高了数据的可用性和模型的性能。一分类支持向量机训练流程可参考图4。
(3)将探测的输油管线实时压力数据采用与步骤(1)相同的分段和统计指标特征提取，然后进行归一化，得到探测时序压力特征数据。
(4)将所述探测时序压力特征数据输入到初步异常探测模型中进行异常探测，将判断为波动突变的预处理后的输油管线实时压力数据标记，并对应形成异常时序压力数据；
(5)对于所述异常时序压力特征数据，识别出其中波动突变的异常压力片段，当两个异常压力片段的间隔小于一个时长阈值时，则将这两个异常压力片段以及之间的输油管线压力时序数据标记为真正异常，将与其他异常压力片段的时间间隔均不小所述时长阈值的异常压力片段删除；
(6)对于所述异常时序压力特征数据中标记为真正异常的数据，采用与步骤(1)中相同的滑动时间窗口再次进行分段，分段时，对该滑动时间窗口的数据进行截取，不足滑动时间窗口长度的，用正常压力数据进行填充，超过滑动时间窗口长度的，进行截断，并对截断后不足滑动时间窗口长度的数据，再用正常压力数据进行填充；然后分段进行统计指标特征提取，然后进行归一化，得到探测异常压力时序特征数据集；所述探测异常压力时序特征数据集中每个数据包含对应分段归一化后的统计指标特征；
(7)参考图3，图3是本发明的层次聚类异常分类流程图。将所述探测异常压力时序特征数据集和历史时序压力特征数据集中标签为输油管线泄漏的标签的归一化后的统计指标特征一起输入到层次聚类模型，得到不同层次的异常簇类，将选择历史真实泄漏异常所在的簇类作为泄漏异常簇，根据所述探测异常压力时序特征数据集中是否存在被分类到泄漏异常簇中的归一化后的统计指标特征，来判断是否存在输油管线泄漏，若存在，在发生输油管线泄漏，否则未发生，它异常簇则被判定为人工操作异常。采用本发明方法监测得到的输油管线压力异常对比结果如图5所示。
如此，实现了人工作业异常和事故异常的区分，在提高模型性能的同时，大大减少了误报的频率，进一步提高了模型在生产环境下的监测准确度和实用性。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。
Claims (3)
1.一种基于压力监测时序数据的输油管线泄漏监测方法，其特征在于，包括以下步骤：
(1)基于滑动时间窗口对历史输油管线时序压力数据依次进行分段和统计指标特征提取，然后进行归一化，得到历史时序压力特征数据集，历史时序压力特征数据集中每个历史时序压力特征数据包含对应分段归一化后的统计指标特征和是否发生波动突变的标签；
(2)基于历史时序压力特征数据集，训练一分类支持向量机，得到初步异常探测模型，具体包括：将所述历史时序压力特征数据集分为训练集和验证集，采用训练集分别训练多个一分类支持向量机，这些一分类支持向量机的模型参数互相之间不完全相同，训练完成之后，然后利用验证集进行验证，选择最优的一分类支持向量机作为所述初步异常探测模型；
(3)将待探测的输油管线实时压力数据采用与步骤(1)相同的分段和统计指标特征提取，然后进行归一化，得到探测时序压力特征数据；
(4)将所述探测时序压力特征数据输入到初步异常探测模型中进行异常探测，将判断为波动突变的预处理后的输油管线实时压力数据标记，形成异常时序压力数据；
(5)对于所述异常时序压力数据，识别出其中波动突变的异常压力片段，当两个异常压力片段的间隔小于一个时长阈值时，则将这两个异常压力片段以及之间的输油管线压力时序数据标记为真正异常，将与其他异常压力片段的时间间隔均不小所述时长阈值的异常压力片段删除；
(6)对于所述异常时序压力数据中标记为真正异常的数据，采用与步骤(1)中相同的滑动时间窗口再次进行分段，分段时，对该滑动时间窗口的数据进行截取，不足滑动时间窗口长度的，用正常压力数据进行填充，超过滑动时间窗口长度的，进行截断，并对截断后不足滑动时间窗口长度的数据，再用正常压力数据进行填充；然后分段进行统计指标特征提取，然后进行归一化，得到探测异常压力时序特征数据集；所述探测异常压力时序特征数据集中每个数据包含对应分段归一化后的统计指标特征；
(7)将所述探测异常压力时序特征数据集和历史时序压力特征数据集中标签为输油管线泄漏的标签的归一化后的统计指标特征一起输入到层次聚类模型，得到不同层次的异常簇类，将选择历史真实泄漏异常所在的簇类作为泄漏异常簇，根据所述探测异常压力时序特征数据集中是否存在被分类到泄漏异常簇中的归一化后的统计指标特征，来判断是否存在输油管线泄漏。
2.根据权利要求1所述的基于压力监测时序数据的输油管线泄漏监测方法，其特征在于，步骤(1)中所述依次进行分段和统计指标特征提取具体包括如下步骤：
首先对预处理后的数据分割处理为固定滑动时间窗口的分段数据，然后计算各个固定时间窗口内输油管线压力的最大值、最小值、均值、中值、方差以及一阶自相关值作为所述统计指标特征。
3.根据权利要求1所述的基于压力监测时序数据的输油管线泄漏监测方法，其特征在于，在进行分段和统计指标特征时，所述历史输油管线时序压力数据与所述待探测的输油管线实时压力数据均被分为多组，采用多线程分别进行处理，对于每个线程处理的数据，对数据进行清洗，以把数据中的空值、负值、字符串及异常值给去掉，若是去掉的数据小于预设比例，则对于去掉的数据部分采用线型插值进行填充。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010481782.0A CN111639711B (zh) | 2020-05-29 | 2020-05-29 | 一种基于压力监测时序数据的输油管线泄漏监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010481782.0A CN111639711B (zh) | 2020-05-29 | 2020-05-29 | 一种基于压力监测时序数据的输油管线泄漏监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111639711A CN111639711A (zh) | 2020-09-08 |
| CN111639711B true CN111639711B (zh) | 2023-04-18 |
Family
ID=72329723
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010481782.0A Active CN111639711B (zh) | 2020-05-29 | 2020-05-29 | 一种基于压力监测时序数据的输油管线泄漏监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111639711B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118499705B (zh) * | 2024-07-22 | 2024-10-11 | 山东华立供水设备有限公司 | 供水管网泄露事件分级预警方法、装置、设备及介质 |
| CN119167121A (zh) * | 2024-11-22 | 2024-12-20 | 太仓阳鸿石化有限公司 | 一种管线密封性智能监测方法及系统 |
| CN119215371A (zh) * | 2024-12-03 | 2024-12-31 | 山东雷纳新材料科技有限公司 | 用于全氟已酮灭火设备的泄压报警方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109344195A (zh) * | 2018-10-25 | 2019-02-15 | 电子科技大学 | 基于hmm模型的管道安全事件识别及知识挖掘方法 |
| CN109396375A (zh) * | 2018-12-11 | 2019-03-01 | 大连理工大学 | 一种基于特征向量和层次聚类的结晶器漏钢预报方法 |
| CN109800627A (zh) * | 2018-12-03 | 2019-05-24 | 第四范式（北京）技术有限公司 | 石油管道信号的异常检测方法及装置、设备及可读介质 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2582795C (en) * | 2006-03-27 | 2015-01-13 | Key Energy Sevices, Inc. | Method and system for interpreting tubing data |
| IL253638A0 (en) * | 2017-07-24 | 2017-09-28 | Shalom Swissa Shai | Leak detection system |
| US11487965B2 (en) * | 2017-08-23 | 2022-11-01 | Huawei Technologies Co., Ltd. | Method and apparatus for counting foot step based on stride frequency, and device |
| CN108846761A (zh) * | 2018-05-28 | 2018-11-20 | 安徽磐众信息科技有限公司 | 一种基于人工神经网络的期权期货交易分析方法 |
| CN108899892A (zh) * | 2018-06-08 | 2018-11-27 | 上海电力学院 | 一种基于cnn非侵入式用电负荷分解方法 |
| CN108870090B (zh) * | 2018-06-22 | 2020-07-14 | 大连理工大学 | 基于最小二乘支持向量机信息融合的管道泄漏检测方法 |
| CN109538944B (zh) * | 2018-12-03 | 2020-07-07 | 北京无线电计量测试研究所 | 一种管道泄漏检测方法 |
| CN110623658B (zh) * | 2019-09-24 | 2022-07-26 | 京东方科技集团股份有限公司 | 信号处理方法、信号处理装置、医学设备、存储介质 |
-
2020
- 2020-05-29 CN CN202010481782.0A patent/CN111639711B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109344195A (zh) * | 2018-10-25 | 2019-02-15 | 电子科技大学 | 基于hmm模型的管道安全事件识别及知识挖掘方法 |
| CN109800627A (zh) * | 2018-12-03 | 2019-05-24 | 第四范式（北京）技术有限公司 | 石油管道信号的异常检测方法及装置、设备及可读介质 |
| CN109396375A (zh) * | 2018-12-11 | 2019-03-01 | 大连理工大学 | 一种基于特征向量和层次聚类的结晶器漏钢预报方法 |
Non-Patent Citations (1)
| Title |
|---|
| "Underwater gas pipeline leakage source localization by distributed fiber-optic sensing based on particle swarm optimization tuning of the support vector machine ";YUE HUANG.et al;《applied optics》;第55卷(第2期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111639711A (zh) | 2020-09-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111639711B (zh) | 一种基于压力监测时序数据的输油管线泄漏监测方法 | |
| CN107169145B (zh) | 一种基于聚类算法的用户窃电严重等级检测的方法 | |
| CN109489977B (zh) | 基于KNN-AdaBoost的轴承故障诊断方法 | |
| CN111506478A (zh) | 基于人工智能实现告警管理控制的方法 | |
| CN112529341A (zh) | 一种基于朴素贝叶斯算法的钻井漏失机率预测方法 | |
| Mechefske et al. | Fault detection and diagnosis in low speed rolling element bearings Part II: The use of nearest neighbour classification | |
| CN108304567B (zh) | 高压变压器工况模式识别与数据分类方法及系统 | |
| CN113640380B (zh) | 钢轨伤损检测多级分类方法及系统 | |
| CN110851422A (zh) | 一种基于机器学习的数据异常监测模型构建方法 | |
| CN105447444B (zh) | 一种基于差分窗和模板匹配的otdr事件分析算法 | |
| CN107844067A (zh) | 一种水电站闸门在线状态监测控制方法及监测系统 | |
| CN110488607A (zh) | 一种基于卷积残差网络和迁移学习对车刀磨损的识别方法 | |
| CN112380992B (zh) | 一种加工过程监控数据准确性评估与优化方法及装置 | |
| CN105631481A (zh) | 基于遗传编程的铁谱磨粒复合特征构造方法 | |
| CN108760268B (zh) | 一种基于信息熵的立磨运行数据阶跃故障诊断方法 | |
| CN115063337A (zh) | 埋地管道智能维修决策方法及装置 | |
| CN113482595A (zh) | 一种钻井溢流预警方法、系统、设备和存储介质 | |
| CN111209158B (zh) | 服务器集群的挖矿监控方法及集群监控系统 | |
| CN109342630B (zh) | 变压器油色谱在线监测异常数据诊断方法 | |
| CN110334125A (zh) | 一种配电网量测异常数据辨识方法及装置 | |
| CN106530199A (zh) | 基于窗口式假设检验的多媒体综合隐写分析方法 | |
| CN117853085A (zh) | 基于振动和声音的预测性维护对提升系统监测的方法 | |
| CN117493759A (zh) | 基于主成分分析和向量机的燃气沼气判别方法和装置 | |
| Handayani et al. | Anomaly detection in vessel sensors data with unsupervised learning technique | |
| CN110907544B (zh) | 一种变压器油中溶解气体含量异常阶跃数据识别方法 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240705 Address after: 430000, No. 08, 12th Floor, B3 Building, Wuhan University Science and Technology Park, Daxueyuan Road, Wuhan East Lake New Technology Development Zone, Wuhan City, Hubei Province (multiple photos of one site) Patentee after: WUHAN ZHONGZHI HONGTU TECHNOLOGY CO.,LTD. Country or region after: China Address before: 430000 Lu Mill Road, Hongshan District, Wuhan, Hubei Province, No. 388 Patentee before: CHINA University OF GEOSCIENCES (WUHAN CITY) Country or region before: China |
|
| TR01 | Transfer of patent right |