CN114898126B - 一种提升采油机复合工况故障诊断精度方法 - Google Patents
一种提升采油机复合工况故障诊断精度方法 Download PDFInfo
- Publication number
- CN114898126B CN114898126B CN202210082349.9A CN202210082349A CN114898126B CN 114898126 B CN114898126 B CN 114898126B CN 202210082349 A CN202210082349 A CN 202210082349A CN 114898126 B CN114898126 B CN 114898126B
- Authority
- CN
- China
- Prior art keywords
- working condition
- indicator diagram
- layer
- oil extraction
- vector
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000003745 diagnosis Methods 0.000 title claims abstract description 29
- 239000002131 composite material Substances 0.000 title claims description 34
- 238000010586 diagram Methods 0.000 claims abstract description 78
- 239000013598 vector Substances 0.000 claims abstract description 51
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 150000001875 compounds Chemical class 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 15
- 230000000007 visual effect Effects 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 abstract description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 238000004134 energy conservation Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 6
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003129 oil well Substances 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- E21B47/00—Survey of boreholes or wells
- E21B47/008—Monitoring of down-hole pump systems, e.g. for the detection of "pumped-off" conditions
-
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/185—Electrical failure alarms
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Geophysics (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种提升采油机故障诊断精度方法,该方法针对采油机的复合工况示功图,设计融合视觉Transformer和卷积神经网络的混合神经网络结构,并使用混合网络对示功图数据集提取特征向量,建立示功图特征检索库。对实时采集的示功图使用相同混合网络进行特征提取,根据提取的特征与特征检索库中的特征向量进行相似度计算,得到相似度向量。通过相似度向量,判定示功图类型,并进行单一和复合工况故障诊断,提升复合工况故障诊断的精度。本发明设计的混合神经网络结构,使企业能够更加精细化、集约化的管理采油机生产,建立更为合适的采油机工作制度,以达到节能增产的目的。
Description
技术领域
本发明涉及采油机故障诊断领域,具体而言,是通过针对复合故障工况示功图,设计混 合神经网络结构,加强对复合工况示功图的特征提取能力,提升复合工况故障诊断精度。
背景技术
随着深度学习在计算机视觉领域的成功,越来越多的学者也开始使用深度学习算法解决 本领域中的问题。在采油机故障诊断领域中,已出现使用深度卷积神经网络进行示功图识别, 并以此对采油机进行故障诊断的方法,且取得了不错的效果。
虽然基于卷积神经网络的示功图识别方法在针对单一工况时能取得不错的识别效果,但 是在面对具有多种故障特征的复合工况示功图时,这类方法会重点突出某一个显著的特征, 而忽视其他次要特征,从而将复合工况误判为单一工况。例如先有技术中公开号为CN 112861912A的专利文献利用示功图数据对深度残差神经网络进行训练,获得基于深度残差 神经网络的诊断模型,向诊断模型输入待识别示功图数据,输出工况诊断结果。此方法采用的深度残差卷积神经网络模型不能很好的提取复合工况的全局特征,导致无法利用复合工况 的全局特征,提升复合工况的识别准确率。而大多数采油企业不仅希望能了解到采油机的主 要单一工况,而且希望能掌握到更精细的复合工况,以制定更合理的采油机工作制度。
因此,亟需一种不仅能提取示功图的单一故障特征,而且能更好的提取示功图的复合故 障特征,提升采油机复合故障诊断精度方法,使企业能够更加精细化、集约化的管理采油机 生产,建立更为合适的采油机工作制度,以达到节能增产的目的。
发明内容
针对上述缺陷,本发明公开一种提升采油机复合工况故障诊断精度方法,该方法针对采 油机的复合工况示功图,设计融合视觉Transformer和卷积神经网络的混合神经网络结构, 对复合工况示功图进行特征提取,根据提取的特征进行故障诊断,提升复合工况故障诊断的精度。
该方法具体包含以下步骤:
1)采集采油机的历史示功图,组成单一工况和复合工况示功图数据集S,采用留出法 划分S为训练集Strain、验证集Sval和测试集Stest,其中留出法的比例为8:1:1;
2)设计混合神经网络结构模型,融合N层卷积神经网络和M层视觉Transformer网络, 其中卷积网络层数1≤N≤100,视觉Transformer网络层数1≤M≤32;
3)纵向堆叠只包含卷积层的N层卷积神经网络,并对卷积神经网络输出得到的c通道 的特征图计算平均值,得到单通道的特征图,其中N层卷积神经网络模型具体结构包括:
3-1)第1层为普通卷积层,卷积核为k1×k1,卷积步幅为2,激活函数为Relu;
3-2)第2层为最大池化层,池化操作的窗口大小为3,步幅为2,图片填充为1;
3-3)第3到第N层为普通卷积层,卷积核为k2×k2,卷积通道数在第三层为64,往后每 隔一层增加2倍;
3-4)对经过N层卷积神经网络得到的c通道的特征图,取平均值得到单通道特征图,其中 512≤c≤4096;
4)将单通道特征图划分成p×p个图像块,输入到M层视觉Transformer网络中,并得 到d维的特征向量x,其中M层视觉Transformer网络模型具体结构包括:
4-1)输入第1层之前,对卷积神经网络的输出单通道特征图划分为p×p个图像块,并将 每个图像块进行线性嵌入,得到p×p×dp维的矩阵,其中1≤p≤20,图像块嵌入向量维度 dp≥128;
4-2)第1到M层为自注意力层,其中自注意力的计算公式如下:
其中Q,K,V为相同的输入矩阵,KT为矩阵K的转置,x为矩阵中的行向量,行向量和
4-3)混合结构的最后1层为全连接层,用来输出d维特征向量,其中128≤d≤4096;
5)根据训练集Strain和验证集Sval,采用三元组损失Loss(xA,x+,x-)进行反向传播训练网 络参数,其中三元组损失Loss(xA,x+,x-)公式如下:
其中,xA为锚样本向量,x+为正样本向量,x-为负样本向量,h+为正样本和锚样本向量之间的距离,h-为负样本和锚样本向量之间的距离,m为固定间距,[·]+表示当表达式值大于零时取表达式的值,否则取为零;
6)根据测试集Stest验证模型的精度和泛化能力,经训练得到最终网络模型;
7)使用训练完成的网络模型,建立故障工况示功图特征向量检索库D;
8)对实时采集的示功图数据使用混合网络模型提取特征向量并与工况特征检索库 中的特征向量进行相似度计算,得到相似度向量V,其中相似度计算函数为余弦相似度函数:
其中X为实时示功图特征向量所组成的矩阵,D为工况示功图特征向量检索库矩阵;
9)判断V中最大值Vmax是否超过主工况阈值T1,是则判定此示功图主工况类别K,否则 将此示功图类别标记为未知,由专家标定后加入工况特征检索库中,其中相似度阈值T1=0.95;
10)判断V中的复合工况隶属度t是否超过复合工况阈值T2,是则判定存在Ki,此示功 图为复合工况,否则判定不存在Ki,示功图为单一工况,仅包含主工况K,其中T2=0.8;
11)判断K是否为故障工况,如果为平稳工况,则不报警,并转步骤8),如果为故障工 况,判断是否包含Ki,是则进行复合故障工况报警,否则进行单一故障工况报警,转步骤8)。
有益效果:
本发明所公开的方法,针对采油机的复合工况示功图,设计混合神经网络结构,不仅能提取示功图的单一故障特征,而且能更好地提取示功图的复合故障特征,克服了传统卷积神 经网络不能很好的提取复合工况示功图全局特征的缺陷,提升采油机复合故障诊断精度,使 企业能够更加精细化、集约化的管理采油机生产,建立更为合适的采油机工作制度,以达到 节能增产的目的。
附图说明
图1为本发明的系统整体流程框图;
图2为本发明的混合神经网络结构中卷积神经网络的结构图;
图3为本发明的混合神经网络结构中视觉Transformer网络的结构图;
图4为本发明的混合神经网络结构整体结构图;
图5为混合神经网络模型在训练集和验证集上的损失率;
图6为实时采集的示功图实例;
图7为对比模型效果的示功图实例。
具体实施方式
下面结合附图以及具体的算例,给出详细的计算过程和具体操作流程,以对本发明作进 一步说明。本实施案例在以本发明技术方案为前提下进行实施,但本发明的保护范围不限于 下述的实施案例。
本案例以某采油企业为例来说明本方法的有效性及实施过程,以某企业2021年7月至 2021年8月之间的示功图数据构建训练集、验证集及测试集,分析本文方法对提升采油机 复合工况故障诊断精度的有效性,本发明的系统整体流程图如图1所示。
具体的实施步骤如下:
1)采集采油机的历史示功图共45000张,组成单一工况和复合工况示功图数据集S, 按照留出法以8:1:1的比例划分数据集S为训练集Strain36000张、验证集Sval4500张和测试集 Stest4500张。
2)针对复合工况示功图,设计混合神经网络结构模型,本实施例中,融合16层残差卷 积神经网络和6层视觉Transformer网络。
3)纵向堆叠只包含卷积层的17层残差卷积神经网络,并对残差卷积神经网络输出得到 的1024通道的特征图计算平均值,得到单通道的特征图,其中17层残差卷积神经网络模型 如图2所示,图中k表示卷积核大小,s表示卷积步幅,p表示图片边缘填充大小,O_c表示卷积层输出通道数,具体结构包括:
3-1)第1层为普通卷积层,卷积核为7×7,卷积步幅为2,激活函数为Relu;
3-2)第2层为最大池化层,池化操作的窗口大小为3,步幅为2,图片边缘填充为1;
3-3)第3到第17层中每三层为一个残差块,每个残差块的第一层和第三层的卷积核为 1×1,第二层的卷积核为3×3,每个残差块的输出通道数依次为[64,64,128,128,256],第4 个残差块的卷积步幅为2,其他的残差块卷积步幅都为1;
3-4)对经过17层卷积神经网络得到的1024通道的特征图,取平均值得到单通道特征图。
4)将单通道特征图划分成2×2个图像块,输入到6层视觉Transformer网络中,并得到 128维的特征向量x,其中6层视觉Transformer网络模型如图3所示,具体结构包括:
4-1)输入第1层之前,对卷积神经网络的输出单通道特征图划分为2×2个图像块,并将 每个图像块进行线性嵌入,得到4×192维的矩阵;
4-2)第1到6层为自注意力层,其中自注意力的计算公式如下:
其中Q,K,V为相同的输入矩阵,KT为矩阵K的转置,x为矩阵中的行向量,行向量和
4-3)混合结构的最后1层为全连接层,用来输出128维特征向量,混合网络整体结构如 图4所示。
5)根据训练集Strain和验证集Sval,采用三元组损失Loss(xA,x+,x-)进行反向传播训练网 络参数,其中三元组损失Loss(xA,x+,x-)计算如下:
本实施例中取m=1,训练过程损失函数值如图5所示。
6)根据测试集Stest验证模型的精度和泛化能力,测试集结果如表1所示,经训练得到 最终网络模型。
表1 模型测试集精度
模型 | 总体精度 | 复合工况精度 |
Resnet50 | 90.13% | 85.2% |
混合结构模型 | 94.21% | 91.5% |
7)使用训练完成的网络模型,建立故障工况示功图特征向量检索库D,本实施例以25 个工况为例,所建立检索库的结果如表2所示。
表2 故障工况示功图特征向量检索库D
8)对实时采集的示功图数据,本实施例以图6所示示功图为例,使用混合网络模型提 取特征向量将提取的特征向量重复纵向堆叠组成矩阵X和 工况特征检索库中的特征向量组成的矩阵D如下:
利用余弦相似度函数计算相似度向量V:
9)相似度向量V中最大值Vmax=0.96超过主工况阈值T1=0.95,此示功图主工况类别 K=2。
10)相似度向量V中存在复合工况隶属度t=0.89超过复合工况阈值T2=0.8,且t的工况 类别Ki=21,判定此示功图为复合工况,次要工况为Ki。
11)判定主工况K为供液不足故障工况,包含次要工况Ki为固定凡尔漏失,进行复合故 障工况报警,并转到步骤8)。
对实时采集的示功图数据进行人工诊断,人工诊断结果为供液不足和游动凡尔漏失的复 合工况。由此可知,本混合神经网络结构能较好识别出复合工况,且混合网络在测试集上的 精度更高,泛化能力更好。
此外,针对某油井采集的复合工况示功图如图7所示,Resnet50网络仅能识别出主工况 油稠,而本方法中的混合网络结构不仅能识别出主工况,而且能识别出次要工况出砂,进一 步显示出混合网络结构对复合工况故障诊断的优越性。
根据某产油企业2021年9月1日至10月1日之间收集的4口不同井的示功图数据,分别使用Resnet50和混合网络进行故障诊断,所得结果如表3所示:
表3 Resnet50和混合网络故障诊断结果
由上述分析可知,本发明所提出的提升采油机复合工况故障诊断精度方法,不仅能提取 示功图的单一故障特征,而且能更好地提取示功图的复合故障特征,使企业能够更加精细化、 集约化的管理采油机生产,建立更为合适的采油机工作制度,以达到节能增产的目的。
Claims (6)
1.一种提升采油机复合工况故障诊断精度方法,其特征在于该方法针对采油机的复合工况示功图,设计融合视觉Transformer和卷积神经网络的混合神经网络结构,对复合工况示功图进行特征提取,根据提取的特征进行故障诊断,提升复合工况故障诊断的精度,包括以下步骤:
1)采集采油机的历史示功图,组成单一工况和复合工况示功图数据集S,采用留出法划分S为训练集Strain、验证集Sval和测试集Stest;
2)设计混合神经网络结构模型,融合N层卷积神经网络和M层视觉Transformer网络;
3)纵向堆叠只包含卷积层的N层卷积神经网络,并对卷积神经网络输出得到的c通道的特征图计算平均值,得到单通道的特征图;
N层卷积神经网络模型具体结构包括:
3-1)第1层为普通卷积层,卷积核为k1×k1,卷积步幅为2,激活函数为Relu;
3-2)第2层为最大池化层,池化操作的窗口大小为3,步幅为2,图片填充为1;
3-3)第3到第N层为普通卷积层,卷积核为k2×k2,卷积通道数在第三层为64,往后每隔一层增加2倍;
3-4)对经过N层卷积神经网络得到的c通道的特征图,取平均值得到单通道特征图,其中512≤c≤4096;
4)将单通道特征图划分成p×p个图像块,输入到M层视觉Transformer网络中,并得到d维的特征向量x;
M层视觉Transformer网络模型具体结构包括:
4-1)输入第1层之前,对卷积神经网络的输出单通道特征图划分为p×p个图像块,并将每个图像块进行线性嵌入,得到p×p×dp维的矩阵,其中1≤p≤20,图像块嵌入向量维度dp≥128;
4-2)第1到M层为自注意力层,其中自注意力的计算方法如下:
其中Q,K,V为相同的输入矩阵,KT为矩阵K的转置,x为矩阵中的行向量,行向量和
4-3)混合结构的最后1层为全连接层,用来输出d维特征向量,其中128≤d≤4096;
5)根据训练集Strain和验证集Sval,采用三元组损失Loss(xA,x+,x-)进行反向传播训练网络参数,其中xA为锚样本向量,x+为正样本向量,x-为负样本向量;
所述三元组损失Loss(xA,x+,x-)公式如下:
其中h+为正样本和锚样本向量之间的距离,h-为负样本和锚样本向量之间的距离,m为固定间距,[·]+表示当表达式值大于零时取表达式的值,否则取为零;
6)根据测试集Stest验证模型的精度和泛化能力,经训练得到最终网络模型;
7)使用训练完成的网络模型,建立故障工况示功图特征向量检索库D;
8)对实时采集的示功图数据使用混合网络模型提取特征向量并与工况特征检索库中的特征向量进行相似度计算,得到相似度向量V;
9)判断V中最大值Vmax是否超过主工况阈值T1,是则判定此示功图主工况类别K,否则将此示功图类别标记为未知,由专家标定后加入工况特征检索库中;
10)判断V中是否存在次要工况Ki,是则判定此示功图为复合工况,否则为单一工况示功图,仅包含主工况K;
11)判断K是否为故障工况,如果为平稳工况,则不报警,并转步骤8),如果为故障工况,判断是否包含Ki,是则进行复合故障工况报警,否则进行单一故障工况报警,转步骤8)。
2.根据权利要求1所述的一种提升采油机复合工况故障诊断精度方法,其特征在于步骤1)所述留出法的比例为8:1:1。
3.根据权利要求1所述的一种提升采油机复合工况故障诊断精度方法,其特征在于步骤2)卷积神经网络层数1≤N≤100,视觉Transformer网络层数1≤M≤32。
4.根据权利要求1所述的一种提升采油机复合工况故障诊断精度方法,其特征在于步骤8)所述相似度计算函数为余弦相似度函数:
其中X为实时示功图特征向量所组成的矩阵,D为工况示功图特征向量检索库矩阵。
5.根据权利要求1所述的一种提升采油机复合工况故障诊断精度方法,其特征在于步骤9)主工况阈值T1=0.95。
6.根据权利要求1所述的一种提升采油机复合工况故障诊断精度方法,其特征在于步骤10)所述判断V中是否存在次要工况Ki的方法为判断V中的复合工况隶属度t是否超过复合工况阈值T2,是则判定存在Ki,否则判定不存在Ki,其中T2=0.8。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210082349.9A CN114898126B (zh) | 2022-01-24 | 2022-01-24 | 一种提升采油机复合工况故障诊断精度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210082349.9A CN114898126B (zh) | 2022-01-24 | 2022-01-24 | 一种提升采油机复合工况故障诊断精度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114898126A CN114898126A (zh) | 2022-08-12 |
CN114898126B true CN114898126B (zh) | 2023-09-01 |
Family
ID=82716153
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210082349.9A Active CN114898126B (zh) | 2022-01-24 | 2022-01-24 | 一种提升采油机复合工况故障诊断精度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114898126B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115375707B (zh) * | 2022-08-18 | 2023-07-25 | 石河子大学 | 一种复杂背景下植物叶片精准分割方法及系统 |
CN116167748B (zh) * | 2023-04-20 | 2023-08-25 | 中国市政工程西南设计研究总院有限公司 | 一种城市地下综合管廊运维方法、系统、装置及电子设备 |
CN116906025B (zh) * | 2023-07-24 | 2024-06-11 | 西南石油大学 | 一种采油工程生产异常诊断装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018028255A1 (zh) * | 2016-08-11 | 2018-02-15 | 深圳市未来媒体技术研究院 | 基于对抗网络的图像显著性检测方法 |
CN109614981A (zh) * | 2018-10-17 | 2019-04-12 | 东北大学 | 基于斯皮尔曼等级相关的卷积神经网络的电力系统智能故障检测方法及系统 |
CN110120011A (zh) * | 2019-05-07 | 2019-08-13 | 电子科技大学 | 一种基于卷积神经网络和混合分辨率的视频超分辨方法 |
CN110132626A (zh) * | 2019-05-20 | 2019-08-16 | 西南石油大学 | 一种基于多尺度卷积神经网络的抽油机故障诊断方法 |
-
2022
- 2022-01-24 CN CN202210082349.9A patent/CN114898126B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018028255A1 (zh) * | 2016-08-11 | 2018-02-15 | 深圳市未来媒体技术研究院 | 基于对抗网络的图像显著性检测方法 |
CN109614981A (zh) * | 2018-10-17 | 2019-04-12 | 东北大学 | 基于斯皮尔曼等级相关的卷积神经网络的电力系统智能故障检测方法及系统 |
CN110120011A (zh) * | 2019-05-07 | 2019-08-13 | 电子科技大学 | 一种基于卷积神经网络和混合分辨率的视频超分辨方法 |
CN110132626A (zh) * | 2019-05-20 | 2019-08-16 | 西南石油大学 | 一种基于多尺度卷积神经网络的抽油机故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114898126A (zh) | 2022-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114898126B (zh) | 一种提升采油机复合工况故障诊断精度方法 | |
WO2021134871A1 (zh) | 基于局部二值模式和深度学习的合成人脸图像取证方法 | |
CN107273490B (zh) | 一种基于知识图谱的组合错题推荐方法 | |
CN110163302B (zh) | 基于正则化注意力卷积神经网络的示功图识别方法 | |
US10740927B2 (en) | Method and device for vehicle identification | |
CN105466693B (zh) | 基于灰色模型的柴油机燃油系统故障预诊断方法 | |
CN111950525B (zh) | 一种基于破坏重建学习与GoogLeNet的细粒度图像分类方法 | |
CN111860775B (zh) | 基于cnn和rnn融合的船舶故障实时诊断方法 | |
CN115375604B (zh) | 一种基于量子化自编码器的无监督缺陷检测方法 | |
CN111524117A (zh) | 一种基于特征金字塔网络的隧道表面缺陷检测方法 | |
CN113205051A (zh) | 基于高空间分辨率遥感影像的储油罐提取方法 | |
CN113592007B (zh) | 一种基于知识蒸馏的不良图片识别系统、方法、计算机及存储介质 | |
CN103279033B (zh) | 一种原油管道调合过程状态辨识方法 | |
CN109508639B (zh) | 基于多尺度带孔卷积神经网络的道路场景语义分割方法 | |
CN108960342A (zh) | 基于改进SoftMax损失函数的图像相似度计算方法 | |
CN114418930A (zh) | 一种基于轻量化YOLOv4的水下鲸鱼目标检测方法 | |
CN112766301A (zh) | 一种采油机示功图相似性判断方法 | |
CN105893941A (zh) | 一种基于区域图像的人脸表情识别方法 | |
Kim et al. | Deep learning-based data augmentation for hydraulic condition monitoring system | |
CN114596445B (zh) | 一种提升采油机故障诊断精度方法 | |
CN109389170A (zh) | 一种基于3d卷积神经网络的渐变型工况预警方法 | |
Zhai et al. | SAS-NET: Similarity attention Siamese network for building change detection in UAV images | |
CN117152823A (zh) | 一种基于动态空洞卷积金字塔注意力的多任务年龄估计方法 | |
CN110084141A (zh) | 一种基于私有信息的跨领域场景识别方法 | |
CN115828882A (zh) | 面向大坝安全知识库风险联动的实体对齐方法和系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |