CN111967532A - 油田加热炉异常检测方法和系统及相关设备 - Google Patents

油田加热炉异常检测方法和系统及相关设备 Download PDF

Info

Publication number
CN111967532A
CN111967532A CN202010910892.4A CN202010910892A CN111967532A CN 111967532 A CN111967532 A CN 111967532A CN 202010910892 A CN202010910892 A CN 202010910892A CN 111967532 A CN111967532 A CN 111967532A
Authority
CN
China
Prior art keywords
data
training
time periods
operation data
heating furnace
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.)
Pending
Application number
CN202010910892.4A
Other languages
English (en)
Inventor
刘永才
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Jiayuntong Electronics Co Ltd
Original Assignee
Shenzhen Jiayuntong Electronics Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Jiayuntong Electronics Co Ltd filed Critical Shenzhen Jiayuntong Electronics Co Ltd
Priority to CN202010910892.4A priority Critical patent/CN111967532A/zh
Publication of CN111967532A publication Critical patent/CN111967532A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种油田加热炉异常检测方法和系统及相关设备。方法包括：获取上一时间周期内油田加热炉的运行数据，并根据时间段对运行数据进行划分，得到分别属于不同时间段的至少两个数据集；对于每个数据集利用孤立森林算法进行过滤，得到一组训练数据；分别使用每组训练数据训练自编码网络，得到对应不同时间段的预测模型；对于待检测的当前运行数据，使用对应时间段的预测模型进行异常检测。本发明利用自动训练的半监督自编码网络进行异常检测，可减少人工运维成本，提高异常数据检测精确度，保证加热炉的正常运行。

Description

油田加热炉异常检测方法和系统及相关设备
技术领域
本发明涉及油田加热炉异常检测技术领域，具体涉及一种油田加热炉异常检测方法和系统及相关设备。
背景技术
油田加热炉是油气集输系统中处理、输送等环节应用最多的一种油田专用设备，其作用是将原油、天然气、油气混合物等加热至工艺所需要的温度，满足油气集输工艺及加工工艺的要求，是一种非常重要的油田生产设施。油田加热炉的传感器异常数据检测，对加热炉的正常运行起到了重要作用。由于油田的系统封闭无法远程操控，标记数据难，算法维护成本高，不同加热炉的传感器也不尽相同，而对油田加热炉的异常检测提出了挑战。
发明内容
本发明的目的在于提供一种油田加热炉异常检测方法，该方法利用自动训练的半监督自编码网络进行异常检测，减少人工运维成本，提高异常数据检测精确度，保证加热炉的正常运行。本发明的目的还在于提供相应的油田加热炉异常检测系统及相关设备。
为实现上述目的，本发明采用的技术方案如下。
第一方面，提供一种油田加热炉异常检测方法，包括：获取上一时间周期内油田加热炉的运行数据，并根据时间段对运行数据进行划分，得到分别属于不同时间段的至少两个数据集；对于每个数据集利用孤立森林算法进行过滤，得到一组训练数据；分别使用每组训练数据训练自编码网络，得到对应不同时间段的预测模型；对于待检测的当前运行数据，使用对应时间段的预测模型进行异常检测
一种可能的实现方式中，所述的使用对应时间段的预测模型进行异常检测，包括：针对不同时间段的运行数据，设定不同的检测标准；使用当前运行数据所属时间段对应的预测模型，对当前运行数据进行预测，获得差异值；在该差异值超过对应时间段的检测标准时，确认当前运行数据异常。
一种可能的实现方式中，所述的对于每个数据集利用孤立森林算法进行过滤，包括：对于每个数据集，按照加热炉炉效高低进一步分为两个子集；对于炉效低的子集，利用孤立森林算法按照第一比例去除边缘数据；对于炉效高的子集，利用孤立森林算法按照第二比例去除边缘数据；其中，第一比例大于第二比例。
一种可能的实现方式中，所述的根据时间段对运行数据进行划分，得到分别属于不同时间段的至少两个数据集，包括：基于白天和夜晚的数据差异性较大，将上一时间周期的若干天的运行数据按照白天和夜晚分类，划分为属于白天的数据集S1和属于夜晚的数据集S2。
一种可能的实现方式中，所述的分别使用每组训练数据训练自编码网络，得到对应不同时间段的预测模型，包括：使用归一化的训练数据训练自编码网络，得到对应的预测模型，并利用Hyperopt算法对预测模型进行参数调优。
第二方面，提供一种油田加热炉异常检测系统，包括：获取模块，用于获取上一时间周期内油田加热炉的运行数据，并根据时间段对运行数据进行划分，得到分别属于不同时间段的至少两个数据集；处理模块：用于对于每个数据集利用孤立森林算法进行过滤，得到一组训练数据；训练模块：用于分别使用每组训练数据训练自编码网络，得到对应不同时间段的预测模型；测试模块：用于对于待检测的当前运行数据，使用对应时间段的预测模型进行异常检测。
一种可能的实现方式中，所述测试模块，具体用于：针对不同时间段的运行数据，设定不同的检测标准；使用当前运行数据所属时间段对应的预测模型，对当前运行数据进行预测，获得差异值；在该差异值超过对应时间段的检测标准时，确认当前运行数据异常。
一种可能的实现方式中，所述处理模块，具体用于：对于每个数据集，按照加热炉炉效高低进一步分为两个子集；对于炉效低的子集，利用孤立森林算法按照第一比例去除边缘数据；对于炉效高的子集，利用孤立森林算法按照第二比例去除边缘数据；其中，第一比例大于第二比例。
第三方面，提供一种计算机设备，包括处理器和存储器，所述存储器中存储有程序，所述程序包括计算机执行指令，当所述计算机设备运行时，所述处理器执行所述存储器存储的所述计算机执行指令，以使所述计算机设备执行如第一方面所述的加热炉异常检测方法。
第四方面，提供一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括计算机执行指令，所述计算机执行指令当被计算机设备执行时，使所述计算机设备执行如第一方面所述的加热炉异常检测方法。
从以上技术方案可以看出，本发明实施例具有以下优点：
通过自动化训练，即，按时间周期自动获取训练数据重新训练、调整算法的参数，减少人工对模型的维护成本，提高异常数据检测精确度，保证加热炉的正常运行。
通过对运行数据划分数据集和利用孤立森林算法去除边缘数据，按照数据集来提取得到训练数据和训练模型并进行检测，使数据的提取精度提高，进而，使得加热炉异常数据识别度更高，以及，使应用适应力更强。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例和现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例提供的油田加热炉异常检测方法的流程图；
图2是本发明实施例中自编码网络的结构图；
图3是本发明实施例中模型训练的流程图；
图4是本发明实施例中自动训练过程的示意图；
图5是本发明实施例提供的油田加热炉异常检测系统的结构图；
图6是本发明实施例提供的计算机设备的结构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别不同的对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面通过具体实施例，分别进行详细的说明。
请参考图1，本发明的一个实施例，提供一种油田加热炉异常检测方法。该方法利用自动训练的半监督自编码网络进行异常检测，减少人工运维成本，提高异常数据检测精确度，保证加热炉的正常运行。
该方法可包括如下步骤：
步骤S1、提取数据：获取上一时间周期内油田加热炉的运行数据，并根据时间段对运行数据进行划分，得到分别属于不同时间段的至少两个数据集；以及，对于每个数据集利用孤立森林算法进行过滤，得到一组训练数据；
步骤S2、模型训练：分别使用每组训练数据训练自编码网络，得到对应不同时间段的预测模型；
步骤S3、模型测试：对于待检测的当前运行数据，使用对应时间段的预测模型进行异常检测。
可选的，一些实现方式中，所述的根据时间段对运行数据进行划分，得到分别属于不同时间段的至少两个数据集，可包括：基于不同时间段的数据差异性，例如，白天和夜晚的数据差异性较大，可以将上一时间周期的若干天的运行数据按照白天和夜晚分类，划分为属于白天的数据集S1和属于夜晚的数据集S2。例如，数据集S1所属的时间段可以是早上8点到晚上20点，数据集S2所属的时间段可以是晚上21点至次日早上7点，但需要理解，该时间划分仅为示例，具体可根据需要划分。
可选的，一些实现方式中，所述的对于每个数据集利用孤立森林(IsolationFortest)算法进行过滤，可包括：对于每个数据集，按照加热炉炉效高低进一步分为两个子集；例如，将炉效高于85％的数据分为一个子集，不高于85％的分为另一个子集；对于炉效低(例如不高于85％)的子集，利用孤立森林算法按照第一比例去除边缘数据(即离群数据)；对于炉效高(例如高于85％)的子集，利用孤立森林算法按照第二比例去除边缘数据(即离群数据)；其中，第一比例大于第二比例，例如第一比例为30％，第二比例为10％。
可选的，一些实现方式中，所述的使用对应时间段的预测模型进行异常检测，可包括：针对不同时间段的运行数据，设定不同的检测标准；使用当前运行数据所属时间段对应的预测模型，对当前运行数据进行预测，获得差异值；在该差异值超过对应时间段的检测标准时，确认当前运行数据异常。其中，所述差异值可以是预测值(或者说预测结果)与原数据的差值的绝对值。例如，对于白天和夜晚的运行数据可以设定不同的检测标准分为记为mae1和mae2，mae1和mae2可以根据经验数据设定。
可选的，一些实现方式中，所述的分别使用每组训练数据训练自编码网络，得到对应不同时间段的预测模型，包括：使用归一化的训练数据训练自编码网络，得到对应的预测模型，并利用Hyperopt算法对预测模型进行参数调优。
下面，结合一个具体应用场景下的实施例，对本实施例方法进一步说明。
一、提取加热炉正常运行时的数据。
1、因为油田作业区，早晚的数据差异性较大，所以，可以将所需要检测异常特征的运行数据分为两个数据集S1和S2，举例来说，S1可以为早上8点至20点的数据，S2可以为21点至次日7点的数据。
2、因加热炉异常常发生在较低的炉效区域，所以，可以将S1，S2中的每个数据集都分为两个子集，例如一个子集炉效低于85％，另一个子集炉效高于85％。
3、将数据集S1，S2分别用Isolation Fortest算法去除边缘数据。其中，对于低于85％的炉效的子集，可以将异常分数较大的30％的数据过滤去除，对于高于85％的炉效的子集，可以将异常分数较大的10％的数据过滤去除。剩余的运行数据，即可作为自编码训练数据。
其中，Isolation Fortest算法可以分为两个阶段，第一个阶段训练出颗孤立树，组成孤立森林；第二阶段，将每个样本点(运行数据)带入孤立森林中的每棵孤立树，计算平均高度，之后再计算每个样本点的异常分数。
包括如下步骤：
1)X＝{x1,.......,xn}为给定数据集,任意xi∈X,xi＝(xi1,.....,xid)从中随机抽取ψ个样本点构成的X子集X’放入根节点。
2)从d个维度中随机指定一个维度q，在当前数据中随机产生一个切割点p。
3)此切割点p生成了一个超平面，将当前数据空间划分为两个子空间：指定维度小于p的样本点放入左子节点，大于或等于p的放入右子节点。
min(xij，j＝q，xij∈X′)＜p＜max(xij，j＝q，xij∈X′)
4)递归步骤2)和3)，直至所有的叶子节点都只有一个样本点或者孤立树已经达到指定的高度。
5)循环步骤1)至4)，直至生成个t孤立树(iTree)。
6)对于每一个数据点xi，令其遍历每一颗孤立树，计算点在森林中的平均高度h(xi)，对所有点的平均高度做归一化处理，异常值分数的计算公式：
Figure BDA0002663231210000061
4、最后，可以将得到的两组训练数据(仍记为S1，S2)归一化。归一化公式可以为：
Figure BDA0002663231210000062
min是这列特征中最小的值，max为这列特征中最大的值。
二、模型的结构。
1、请参考图2，为自编码网络的结构，包括编码器和解码器。
2、编码器器组成包括LSTM1，Layer1，Layer2等层，其中，LSTM1(连接输入Input)用来提取时间特征，Layer1，Layer2来压缩提取特征至输出层bottleneck。
3、解码器组成包括Layer3，Layer4，LSTM2等层，其中，Layer3，Layer4，LSTM2(连接输入Output)来还原输出层bottleneck。
三、模型训练。
1、请参考图3，是模型训练的流程图。
2、特征数总数为n，模型的选择神经元参数随特征数的变化而变化。
3、LSTM1层设置2*n或者1.8*n个神经元，dropout＝0.2；Layer1层设置1.6*n或者1.4*n个神经元；Layer2层设置1.2*n或者n个神经元。
4、bottleneck层结设置0.8*n或者0.6*n个神经元。
5、Layer3层设置1.2*n或者n个神经元；Layer4层设置为1.6*n或者1.4*n个神经元；LSTM2层设置位2*n或者1.8*n个神经元，dropout＝0.2。
6、配置模型的学习过程compile，学习过程compile参数包括优化器optimizer、损失函数loss，评估标准metrics，优化器optimizer，损失函数loss。
7、批次大小batch_size设置为1-100之间,迭代次数epoch设置为1-10000之间，优化器optimizer设置为'Adam','RMSprop','Adagrad'，损失函数loss为’mse’。
8、最后可以用Hyperopt算法来搜索其中最优的参数，迭代次数例如为50次，实现对训练得到的自编码网络的参数的优化，得到优化后的预测模型。
四、模型自动训练。
1、请参考图4，是自动训练过程的示意图。
2、可以在windows或者linux系统上上设置定时器，按照设定的时间周期，例如每一个月启动运行一次模型文件。模型每月重新读取数据(上一时间周期的运行数据)，训练，调参，以保持和现场数据的同步。
五、自动训练的自编码网络异常检测的效果。
1、若当前运行数据a属于白天，对应于S1类，预测结果为a’，计算异常值为a’-a的绝对值，若该异常值大于mae1，则为异常数据，反之则为正常。
若当前运行数据a属于业务，对应于S2类，计算异常值为a’-a的绝对值，若该异常值大于mae2，则为异常数据，反之则为正常。
其中，mae1和mae2分别是对应于不同时间段的检测标准。
2、进行验证：将上一个周期的一个月数据拿来进行训练，另外一个月的数据拿来预测，进行半年的异常检测，最终AUC(Area Under Curve)均可表现在95％左右。
3、需要说明的是，本文中所说的异常数据有燃气流量异常、氧含量异常、一些传感器点位突变以及炉况异常等一些综合性异常。
以上，对本发明实施例提供的油田加热炉异常检测方法进行了说明。该方法的关键之处在于整个模型训练和测试的流程，以及训练前提取数据阶段的数据处理流程。
为便于实施本发明，下面还提供相应的系统和相关设备。
请参考图5，本发明的一个实施例，提供一种油田加热炉异常检测系统，该系统包括：
获取模块51，用于获取上一时间周期内油田加热炉的运行数据，并根据时间段对运行数据进行划分，得到分别属于不同时间段的至少两个数据集；
处理模块52：用于对于每个数据集利用孤立森林算法进行过滤，得到一组训练数据；
训练模块53：用于分别使用每组训练数据训练自编码网络，得到对应不同时间段的预测模型；
测试模块54：用于对于待检测的当前运行数据，使用对应时间段的预测模型进行异常检测。
可选的，所述测试模块54，具体用于：针对不同时间段的运行数据，设定不同的检测标准；使用当前运行数据所属时间段对应的预测模型，对当前运行数据进行预测，获得差异值；在该差异值超过对应时间段的检测标准时，确认当前运行数据异常。
可选的，所述处理模块52，具体用于：对于每个数据集，按照加热炉炉效高低进一步分为两个子集；对于炉效低的子集，利用孤立森林算法按照第一比例去除边缘数据；对于炉效高的子集，利用孤立森林算法按照第二比例去除边缘数据；其中，第一比例大于第二比例。
请参考图6，本发明的一个实施例，提供一种计算机设备60，包括处理器61和存储器62，所述存储器62中存储有程序，所述程序包括计算机执行指令，当所述计算机设备60运行时，所述处理器61执行所述存储器62存储的所述计算机执行指令，以使所述计算机设备60执行如前文所述的加热炉异常检测方法。
本方面的一个实施例，还提供一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括计算机执行指令，所述计算机执行指令当被计算机设备执行时，使所述计算机设备执行如前文所述的加热炉异常检测方法。
综上，对本发明实施例提供的油田加热炉异常检测方法和系统及相关设备进行了说明。从以上技术方案可以看出，本发明实施例具有以下优点：
通过自动化训练，即，按时间周期自动获取训练数据重新训练、调整算法的参数，减少人工对模型的维护成本，提高异常数据检测精确度，保证加热炉的正常运行。
通过按时间段对运行数据划分数据集，对于不同的数据集：分别利用孤立森林算法去除边缘数据，提取得到训练数据，训练自编码网络，得到相应的预测模型；以及，使用对应时间段的预测模型对当前运行数据进行异常检测；使得：数据的提取精度提高，加热炉异常数据识别度更高，算法应用适应力更强。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
上述实施例仅用以说明本发明的技术方案，而非对其限制；本领域的普通技术人员应当理解：其依然可以对上述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种油田加热炉异常检测方法，其特征在于，包括：
获取上一时间周期内油田加热炉的运行数据，并根据时间段对运行数据进行划分，得到分别属于不同时间段的至少两个数据集；
对于每个数据集利用孤立森林算法进行过滤，得到一组训练数据；
分别使用每组训练数据训练自编码网络，得到对应不同时间段的预测模型；
对于待检测的当前运行数据，使用对应时间段的预测模型进行异常检测。
2.根据权利要求1所述的方法，其特征在于，所述的使用对应时间段的预测模型进行异常检测，包括：
针对不同时间段的运行数据，设定不同的检测标准；
使用当前运行数据所属时间段对应的预测模型，对当前运行数据进行预测，获得差异值；
在该差异值超过对应时间段的检测标准时，确认当前运行数据异常。
3.根据权利要求1所述的方法，其特征在于，所述的对于每个数据集利用孤立森林算法进行过滤，包括：
对于每个数据集，按照加热炉炉效高低进一步分为两个子集；
对于炉效低的子集，利用孤立森林算法按照第一比例去除边缘数据；
对于炉效高的子集，利用孤立森林算法按照第二比例去除边缘数据；
其中，第一比例大于第二比例。
4.根据权利要求1所述的方法，其特征在于，所述的根据时间段对运行数据进行划分，得到分别属于不同时间段的至少两个数据集，包括：
基于白天和夜晚的数据差异性较大，将上一时间周期的若干天的运行数据按照白天和夜晚分类，划分为属于白天的数据集S1和属于夜晚的数据集S2。
5.根据权利要求1-4中任一所述的方法，其特征在于，所述的分别使用每组训练数据训练自编码网络，得到对应不同时间段的预测模型，包括：
使用归一化的训练数据训练自编码网络，得到对应的预测模型，并利用Hyperopt算法对预测模型进行参数调优。
6.一种油田加热炉异常检测系统，其特征在于，包括：
获取模块，用于获取上一时间周期内油田加热炉的运行数据，并根据时间段对运行数据进行划分，得到分别属于不同时间段的至少两个数据集；
处理模块：用于对于每个数据集利用孤立森林算法进行过滤，得到一组训练数据；
训练模块：用于分别使用每组训练数据训练自编码网络，得到对应不同时间段的预测模型；
测试模块：用于对于待检测的当前运行数据，使用对应时间段的预测模型进行异常检测。
7.根据权利要求6所述的系统，其特征在于，
所述测试模块，具体用于：针对不同时间段的运行数据，设定不同的检测标准；使用当前运行数据所属时间段对应的预测模型，对当前运行数据进行预测，获得差异值；在该差异值超过对应时间段的检测标准时，确认当前运行数据异常。
8.根据权利要求6所述的系统，其特征在于，
所述处理模块，具体用于：对于每个数据集，按照加热炉炉效高低进一步分为两个子集；对于炉效低的子集，利用孤立森林算法按照第一比例去除边缘数据；对于炉效高的子集，利用孤立森林算法按照第二比例去除边缘数据；其中，第一比例大于第二比例。
9.一种计算机设备，包括处理器和存储器，所述存储器中存储有程序，所述程序包括计算机执行指令，当所述计算机设备运行时，所述处理器执行所述存储器存储的所述计算机执行指令，以使所述计算机设备执行如权利要求1所述的加热炉异常检测方法。
10.一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括计算机执行指令，所述计算机执行指令当被计算机设备执行时，使所述计算机设备执行如权利要求1所述的加热炉异常检测方法。
CN202010910892.4A 2020-09-02 2020-09-02 油田加热炉异常检测方法和系统及相关设备 Pending CN111967532A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010910892.4A CN111967532A (zh) 2020-09-02 2020-09-02 油田加热炉异常检测方法和系统及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010910892.4A CN111967532A (zh) 2020-09-02 2020-09-02 油田加热炉异常检测方法和系统及相关设备

Publications (1)

Publication Number Publication Date
CN111967532A true CN111967532A (zh) 2020-11-20

Family

ID=73393201

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010910892.4A Pending CN111967532A (zh) 2020-09-02 2020-09-02 油田加热炉异常检测方法和系统及相关设备

Country Status (1)

Country Link
CN (1) CN111967532A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113591377A (zh) * 2021-07-23 2021-11-02 广州新科佳都科技有限公司 一种基于机理分析的站台门异常检测方法及装置
CN114189825A (zh) * 2021-12-09 2022-03-15 苏州捷布森智能科技有限公司 基于工业互联网和智能制造的数据处理方法及系统
CN116181635A (zh) * 2023-03-14 2023-05-30 中车青岛四方车辆研究所有限公司 基于孤立森林的地铁空调压缩机的异常检测方法与系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH03113201A (ja) * 1989-09-28 1991-05-14 Idemitsu Kosan Co Ltd ボイラ制御方法とその装置
CN102338471A (zh) * 2011-09-02 2012-02-01 中国石油天然气股份有限公司 加热炉优化运行监控方法
CN107621781A (zh) * 2016-07-14 2018-01-23 中国石油化工股份有限公司 油田加热炉定温加热和热效率自寻优控制方法及系统
CN110298486A (zh) * 2019-05-29 2019-10-01 成都理工大学 一种基于卷积神经网络的轨道交通客流量预测方法
CN110398375A (zh) * 2019-07-16 2019-11-01 广州亚美信息科技有限公司 车辆冷却系统工作状态的监测方法、装置、设备和介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH03113201A (ja) * 1989-09-28 1991-05-14 Idemitsu Kosan Co Ltd ボイラ制御方法とその装置
CN102338471A (zh) * 2011-09-02 2012-02-01 中国石油天然气股份有限公司 加热炉优化运行监控方法
CN107621781A (zh) * 2016-07-14 2018-01-23 中国石油化工股份有限公司 油田加热炉定温加热和热效率自寻优控制方法及系统
CN110298486A (zh) * 2019-05-29 2019-10-01 成都理工大学 一种基于卷积神经网络的轨道交通客流量预测方法
CN110398375A (zh) * 2019-07-16 2019-11-01 广州亚美信息科技有限公司 车辆冷却系统工作状态的监测方法、装置、设备和介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张荐: "基于QT的加热炉参数预警与智能决策系统", 《中国优秀硕博士学位论文全文数据库（硕士）信息科技辑》, 15 November 2018 (2018-11-15), pages 138 - 212 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113591377A (zh) * 2021-07-23 2021-11-02 广州新科佳都科技有限公司 一种基于机理分析的站台门异常检测方法及装置
CN114189825A (zh) * 2021-12-09 2022-03-15 苏州捷布森智能科技有限公司 基于工业互联网和智能制造的数据处理方法及系统
CN114189825B (zh) * 2021-12-09 2022-10-18 苏州捷布森智能科技有限公司 基于工业互联网和智能制造的数据处理方法及系统
CN116181635A (zh) * 2023-03-14 2023-05-30 中车青岛四方车辆研究所有限公司 基于孤立森林的地铁空调压缩机的异常检测方法与系统

Similar Documents

Publication Publication Date Title
CN111967532A (zh) 油田加热炉异常检测方法和系统及相关设备
CN112383052B (zh) 基于电力物联网的电网故障修复方法和装置
CN110119787B (zh) 一种旋转型机械设备工况检测方法及设备
CN112989710A (zh) 工控传感器数值异常检测方法及装置
CN113268370B (zh) 一种根因告警分析方法、系统、设备及存储介质
CN111080982A (zh) 一种基于多传感器的大坝安全智能监测与预警系统及方法
CN114491525B (zh) 基于深度强化学习的安卓恶意软件检测特征提取方法
CN112257947A (zh) 制烟环境温湿度预测方法、装置以及设备
CN113344243B (zh) 基于改进哈里斯鹰算法优化elm的风速预测方法及系统
CN110569883A (zh) 基于Kohonen网络聚类和ReliefF特征选择的空气质量指数预测方法
CN113449893A (zh) 虫害预测模型训练的方法、虫害预测的方法及装置
CN111275136A (zh) 基于小样本下的故障预测系统及其预警方法
CN116894153A (zh) 基于奇异谱分析和arima-lstm组合模型的滑坡位移预测方法
CN116663746A (zh) 一种电力负荷预测方法、装置、计算机设备及存储介质
CN116842337A (zh) 基于LightGBM优选特征与COA-CNN模型的变压器故障诊断方法
CN117473464B (zh) 基于大数据分析的企业环境治理数据处理系统
CN117667495B (zh) 一种关联规则与深度学习集成的应用系统故障预测方法
CN112949201B (zh) 一种风速预测方法、装置、电子设备及存储介质
CN110516792A (zh) 基于小波分解和浅层神经网络的非平稳时间序列预测方法
CN115858606A (zh) 时序数据的异常检测方法、装置、设备及存储介质
CN112633561A (zh) 一种基于工业大数据的生产风险智能预测预警方法
CN115201394B (zh) 一种多组分变压器油色谱在线监测方法及相关装置
CN111209955A (zh) 基于深度神经网络和随机森林的飞机电源系统故障识别方法
CN115329873A (zh) 低标容量变压器识别方法、装置、设备和介质
CN117725402B (zh) 一种基于设备运行音频的设备异常状态确定方法及系统

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