CN115147655A - 油气集输监控系统及其方法 - Google Patents

油气集输监控系统及其方法 Download PDF

Info

Publication number
CN115147655A
CN115147655A CN202210818198.9A CN202210818198A CN115147655A CN 115147655 A CN115147655 A CN 115147655A CN 202210818198 A CN202210818198 A CN 202210818198A CN 115147655 A CN115147655 A CN 115147655A
Authority
CN
China
Prior art keywords
parameters
feature map
classification
oil
gas gathering
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.)
Withdrawn
Application number
CN202210818198.9A
Other languages
English (en)
Inventor
韩中军
赵小龙
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.)
Wenzhou Ningku Technology Co ltd
Original Assignee
Wenzhou Ningku Technology 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 Wenzhou Ningku Technology Co ltd filed Critical Wenzhou Ningku Technology Co ltd
Priority to CN202210818198.9A priority Critical patent/CN115147655A/zh
Publication of CN115147655A publication Critical patent/CN115147655A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Pipeline Systems (AREA)

Abstract

本申请涉及智能监控的领域，其具体地公开了一种油气集输监控系统及其方法，其通过深度神经网络模型提取出油气集输管道及设备的生产技术参数、设备参数、腐蚀参数和检测参数间的隐含关联特征分布表示，以基于所述油气集输系统的特征表示来对所述油气集输系统进行分类判断，并且在此过程中，进一步对用于分类的分类特征图进行柯西重概率化修正，以通过进行特征值的概率性解释来促进神经网络的训练，使得在训练过程当中分属于不同核函数集合的卷积核的参数具有对于其它集合的卷积核的卷积操作带来的信息损失的鲁棒性，从而随迭代自适应地更新，以提高深度可分离卷积神经网络的学习性能。这样，能够提高气管道腐蚀预警的分类判断的精准度。

Description

油气集输监控系统及其方法
技术领域
本发明涉及智能监控的领域，且更为具体地，涉及一种油气集输监控系统及其方法。
背景技术
在油气集输系统当中内腐蚀现象是十分常见的，而且影响因素也是十分复杂多变的，但在实际生产中却没有采取有效的监控措施，也没有构建起一套系统性的腐蚀信息融合及监控方式。而现代信息技术的发展，促使信息融合监控技术逐渐被应用到油气集输系统内腐蚀处理当中，能够更加有效地对腐蚀问题进行多角度的分析和全方面的控制，对提升油气集输系统的应用效果，控制成本支出等具有重要意义。
油气集输系统内腐蚀的影响因素是非常多的，而且在腐蚀的过程中会出现参数及表面特征不同的物理与化学反应，需要利用更加先进的监控技术进行监测，因此，期待一种油气集输监控系统。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展，为油气集输系统的监控提供了新的解决思路和方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种油气集输监控系统及其方法，其通过深度神经网络模型提取出油气集输管道及设备的生产技术参数、设备参数、腐蚀参数和检测参数间的隐含关联特征分布表示，以基于所述油气集输系统的特征表示来对所述油气集输系统进行分类判断，并且在此过程中，进一步对用于分类的分类特征图进行柯西重概率化修正，以通过进行特征值的概率性解释来促进神经网络的训练，使得在训练过程当中分属于不同核函数集合的卷积核的参数具有对于其它集合的卷积核的卷积操作带来的信息损失的鲁棒性，从而随迭代自适应地更新，以提高深度可分离卷积神经网络的学习性能。这样，能够提高气管道腐蚀预警的分类判断的精准度。
根据本申请的一个方面，提供了一种油气集输监控系统，其包括：
参数获取单元，用于获取多个预定时间段的油气集输管道及设备的生产技术参数、设备参数、腐蚀参数和检测参数；
参数语义编码单元，用于将各个所述预定时间段的油气集输管道及设备的生产技术参数、设备参数、腐蚀参数和检测参数通过上下文编码器以得到多个特征向量，其中，所述多个特征向量中各个特征向量分别对应于一项参数；
特征级关联单元，用于将所述多个特征向量按照样本参数维度进行二维排列以得到对应于各个所述预定时间段的第一特征矩阵；
特征级再编码单元，用于将所述对应于各个所述预定时间段的第一特征矩阵排列为三维张量后通过深度可分离卷积神经网络以得到分类特征图，其中，所述深度可分离卷积神经网络在卷积时沿参数的样本间关联特征维度和参数时序表达特征维度对输入数据分别进行卷积；
特征图校正单元，用于对所述分类特征图进行柯西重概率化以得到校正后分类特征图，其中，所述柯西重概率化基于以所述分类特征图中各个位置的特征值为幂的自然指数函数值与以所述分类特征图中各个位置的特征值为幂的自然指数函数值的加权和之间的比值来进行；以及
监控结果生成单元，用于将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示是否产生油气管道腐蚀预警。
在上述油气集输监控系统中，所述参数语义编码单元，包括：生产技术特征提取子单元，用于使用所述上下文编码器的嵌入层分别将各个所述预定时间段的油气集输管道及设备的生产技术参数转化为输入向量以获得技术输入向量的序列；使用所述上下文编码器的转换器对所述技术输入向量的序列进行基于全局的上下文语义编码以获得对应于所述生产技术参数的所述多个特征向量；设备特征提取子单元，用于使用所述上下文编码器的嵌入层分别将各个所述预定时间段的油气集输管道及设备的设备参数转化为输入向量以获得设备输入向量的序列；使用所述上下文编码器的转换器对所述设备输入向量的序列进行基于全局的上下文语义编码以获得对应于所述设备参数的所述多个特征向量；腐蚀特征提取子单元，用于使用所述上下文编码器的嵌入层分别将各个所述预定时间段的油气集输管道及设备的腐蚀参数转化为输入向量以获得腐蚀输入向量的序列；使用所述上下文编码器的转换器对所述腐蚀输入向量的序列进行基于全局的上下文语义编码以获得对应于所述腐蚀参数的所述多个特征向量；检测特征提取子单元，用于使用所述上下文编码器的嵌入层分别将各个所述预定时间段的油气集输管道及设备的检测参数转化为输入向量以获得检测输入向量的序列；使用所述上下文编码器的转换器对所述检测输入向量的序列进行基于全局的上下文语义编码以获得对应于所述检测参数的所述多个特征向量。
在上述油气集输监控系统中，所述特征级再编码单元，进一步用于：所述深度可分离卷积神经网络的各层在层的正向传递中对输入数据分别进行：对所述输入数据进行基于二维卷积核的卷积处理以得到第一卷积特征图；对所述第一卷积特征图进行基于一维卷积核的卷积处理以得到第二卷积特征图；对所述第二卷积特征图进行池化处理以得到池化特征图；以及，将所述池化特征图通过非线性激活函数以得到激活特征图；其中，所述深度可分离卷积神经网络的最后一层的输出为所述分类特征图。
在上述油气集输监控系统中，所述特征图校正单元，进一步用于：以如下公式对所述分类特征图进行柯西重概率化以得到所述校正后分类特征图；
其中，所述公式为：
Figure BDA0003741692260000031
其中exp(fi,j,k)表示计算以所述分类特征图中各个位置的特征值为幂的自然指数函数值，fi,j,k′表示所述校正后分类特征图中各个位置的特征值。
在上述油气集输监控系统中，所述监控结果生成单元，进一步用于：所述分类器以如下公式对所述分类特征图进行处理以生成分类结果，其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述分类特征图投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
根据本申请的另一方面，一种油气集输监控方法，其包括：
获取多个预定时间段的油气集输管道及设备的生产技术参数、设备参数、腐蚀参数和检测参数；
将各个所述预定时间段的油气集输管道及设备的生产技术参数、设备参数、腐蚀参数和检测参数通过上下文编码器以得到多个特征向量，其中，所述多个特征向量中各个特征向量分别对应于一项参数；
将所述多个特征向量按照样本参数维度进行二维排列以得到对应于各个所述预定时间段的第一特征矩阵；
将所述对应于各个所述预定时间段的第一特征矩阵排列为三维张量后通过深度可分离卷积神经网络以得到分类特征图，其中，所述深度可分离卷积神经网络在卷积时沿参数的样本间关联特征维度和参数时序表达特征维度对输入数据分别进行卷积；
对所述分类特征图进行柯西重概率化以得到校正后分类特征图，其中，所述柯西重概率化基于以所述分类特征图中各个位置的特征值为幂的自然指数函数值与以所述分类特征图中各个位置的特征值为幂的自然指数函数值的加权和之间的比值来进行；以及
将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示是否产生油气管道腐蚀预警。
在上述油气集输监控方法中，将各个所述预定时间段的油气集输管道及设备的生产技术参数、设备参数、腐蚀参数和检测参数通过上下文编码器以得到多个特征向量，包括：使用所述上下文编码器的嵌入层分别将各个所述预定时间段的油气集输管道及设备的生产技术参数转化为输入向量以获得技术输入向量的序列；使用所述上下文编码器的转换器对所述技术输入向量的序列进行基于全局的上下文语义编码以获得对应于所述生产技术参数的所述多个特征向量；使用所述上下文编码器的嵌入层分别将各个所述预定时间段的油气集输管道及设备的设备参数转化为输入向量以获得设备输入向量的序列；使用所述上下文编码器的转换器对所述设备输入向量的序列进行基于全局的上下文语义编码以获得对应于所述设备参数的所述多个特征向量；使用所述上下文编码器的嵌入层分别将各个所述预定时间段的油气集输管道及设备的腐蚀参数转化为输入向量以获得腐蚀输入向量的序列；使用所述上下文编码器的转换器对所述腐蚀输入向量的序列进行基于全局的上下文语义编码以获得对应于所述腐蚀参数的所述多个特征向量；使用所述上下文编码器的嵌入层分别将各个所述预定时间段的油气集输管道及设备的检测参数转化为输入向量以获得检测输入向量的序列；使用所述上下文编码器的转换器对所述检测输入向量的序列进行基于全局的上下文语义编码以获得对应于所述检测参数的所述多个特征向量。
在上述油气集输监控方法中，将所述对应于各个所述预定时间段的第一特征矩阵排列为三维张量后通过深度可分离卷积神经网络以得到分类特征图，包括：所述深度可分离卷积神经网络的各层在层的正向传递中对输入数据分别进行：对所述输入数据进行基于二维卷积核的卷积处理以得到第一卷积特征图；对所述第一卷积特征图进行基于一维卷积核的卷积处理以得到第二卷积特征图；对所述第二卷积特征图进行池化处理以得到池化特征图；以及，将所述池化特征图通过非线性激活函数以得到激活特征图；其中，所述深度可分离卷积神经网络的最后一层的输出为所述分类特征图。
在上述油气集输监控方法中，对所述分类特征图进行柯西重概率化以得到校正后分类特征图，包括：以如下公式对所述分类特征图进行柯西重概率化以得到所述校正后分类特征图；
其中，所述公式为：
Figure BDA0003741692260000051
其中exp(fi,j,k)表示计算以所述分类特征图中各个位置的特征值为幂的自然指数函数值，fi,j,k′表示所述校正后分类特征图中各个位置的特征值。
在上述油气集输监控方法中，将所述分类特征图通过分类器以获得分类结果，包括：所述分类器以如下公式对所述分类特征图进行处理以生成分类结果，其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述分类特征图投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
与现有技术相比，本申请提供的油气集输监控系统及其方法，其通过深度神经网络模型提取出油气集输管道及设备的生产技术参数、设备参数、腐蚀参数和检测参数间的隐含关联特征分布表示，以基于所述油气集输系统的特征表示来对所述油气集输系统进行分类判断，并且在此过程中，进一步对用于分类的分类特征图进行柯西重概率化修正，以通过进行特征值的概率性解释来促进神经网络的训练，使得在训练过程当中分属于不同核函数集合的卷积核的参数具有对于其它集合的卷积核的卷积操作带来的信息损失的鲁棒性，从而随迭代自适应地更新，以提高深度可分离卷积神经网络的学习性能。这样，能够提高气管道腐蚀预警的分类判断的精准度。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的油气集输监控系统的应用场景图。
图2为根据本申请实施例的油气集输监控系统的框图。
图3为根据本申请实施例的油气集输监控系统中参数语义编码单元的框图。
图4为根据本申请实施例的油气集输监控方法的流程图。
图5为根据本申请实施例的油气集输监控方法的架构示意图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如前所述，在油气集输系统当中内腐蚀现象是十分常见的，而且影响因素也是十分复杂多变的，但在实际生产中却没有采取有效的监控措施，也没有构建起一套系统性的腐蚀信息融合及监控方式。而现代信息技术的发展，促使信息融合监控技术逐渐被应用到油气集输系统内腐蚀处理当中，能够更加有效地对腐蚀问题进行多角度的分析和全方面的控制，对提升油气集输系统的应用效果，控制成本支出等具有重要意义。
油气集输系统内腐蚀的影响因素是非常多的，而且在腐蚀的过程中会出现参数及表面特征不同的物理与化学反应，需要利用更加先进的监控技术进行监测，因此，期待一种油气集输监控系统。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展，为油气集输系统的监控提供了新的解决思路和方案。
相应地，对油气集输系统的监控本质上是一个分类问题，也就是，基于油气集输系统的特征表示(Feature presentation)来对油气集输系统进行分类判断。因此，首先多个预定时间段的油气集输管道及设备的生产技术参数、设备参数、腐蚀参数和检测参数。应可以理解，纳入更多的数据维度有利于充分利用不同维度的信息之间的交叉验证和关联信息来提高分类判断的精度。在具体实施中，可获取各个预定时间段内多个预定时间点的油气集输管道及设备的生产技术参数、设备参数、腐蚀参数和检测参数，然后分别计算其在该预定时间段内的均值作为最终参数编码的特征表示，通过这样的方式，可降低计算量的同时兼顾特征表示能力。
为了充分挖掘各个维度的数据之间的关联以及各个维度的数据间的关联，在本申请实施例中，使用上下文编码器对各个所述预定时间段的油气集输管道及设备的生产技术参数、设备参数、腐蚀参数和检测参数进行基于上下文的全局语义编码以得到多个特征向量，其中，所述多个特征向量中各个特征向量对应于一项参数。在一个具体的示例中，所述上下文编码器为基于转换器(transformer)的Bert模型，其中，所述Bert模型能够利用所述转换器的内在结构对各个所述预定时间段的油气集输管道及设备的生产技术参数、设备参数、腐蚀参数和检测参数进行基于掩码的全局上下文语义编码以得到所述多个特征向量。
为了捕捉同一预定时间段的各项参数之间的关联以及不同预定时间段的各项参数之间的关联，进一步地将所述多个特征向量按照样本参数维度进行二维排列以得到对应于各个所述预定时间段的第一特征矩阵，并将对应于各个所述预定时间段的第一特征矩阵排列为三维张量。也就是，构造用于表示同一预定时间段的各项参数之间的关联以及不同预定时间段的各项参数之间的关联的数据结构，即，所述三维张量。然后，使用卷积神经网络模型来对所述三维张量进行编码以提取所述三维张量中的高维局部隐含关联特征，即，同一预定时间段的各项参数之间的关联的高维隐含关联特征表示以及不同预定时间段的各项参数之间的关联的高维隐含关联特征表示。
特别地，在本申请实施例中，使用深度可分离卷积神经网络对所述三维张量进行编码，相对于标准的卷积神经网络模型，所述深度可分离卷积神经网络能够分别在参数上下文语义维度，参数的样本间关联特征维度和参数时序表达特征维度上进行卷积操作以进行特征提取，即，
Figure BDA0003741692260000081
Figure BDA0003741692260000082
以得到特征约束度和密集度更高的分类特征图。进一步地，可将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示是否产生油气管道腐蚀预警。
但是，由于深度可分离卷积神经网络分别在参数上下文语义维度，参数的样本间关联特征维度和参数时序表达特征维度上进行卷积操作以进行特征提取，即，
Figure BDA0003741692260000083
因此，期望属于不同核函数集合，即
Figure BDA0003741692260000084
和
Figure BDA0003741692260000085
的卷积核能够在训练过程中相对独立地自适应迭代，因此对于所述分类特征图进行柯西重概率化，表示为：
Figure BDA0003741692260000086
该柯西重概率化可以通过进行特征值的概率性解释来促进神经网络的训练，使得在训练过程当中分属于不同核函数集合的卷积核的参数具有对于其它集合的卷积核的卷积操作带来的信息损失的鲁棒性，从而随迭代自适应地更新，以提高深度可分离卷积神经网络的学习性能。这样，提高气管道腐蚀预警的分类判断的精准度。
基于此，本申请提出了一种油气集输监控系统，其包括：参数获取单元，用于获取多个预定时间段的油气集输管道及设备的生产技术参数、设备参数、腐蚀参数和检测参数；参数语义编码单元，用于将各个所述预定时间段的油气集输管道及设备的生产技术参数、设备参数、腐蚀参数和检测参数通过上下文编码器以得到多个特征向量，其中，所述多个特征向量中各个特征向量分别对应于一项参数；特征级关联单元，用于将所述多个特征向量按照样本参数维度进行二维排列以得到对应于各个所述预定时间段的第一特征矩阵；特征级再编码单元，用于将所述对应于各个所述预定时间段的第一特征矩阵排列为三维张量后通过深度可分离卷积神经网络以得到分类特征图，其中，所述深度可分离卷积神经网络在卷积时沿参数的样本间关联特征维度和参数时序表达特征维度对输入数据分别进行卷积；特征图校正单元，用于对所述分类特征图进行柯西重概率化以得到校正后分类特征图，其中，所述柯西重概率化基于以所述分类特征图中各个位置的特征值为幂的自然指数函数值与以所述分类特征图中各个位置的特征值为幂的自然指数函数值的加权和之间的比值来进行；以及，监控结果生成单元，用于将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示是否产生油气管道腐蚀预警。
图1图示了根据本申请实施例的油气集输监控系统的应用场景图。如图1所示，在该应用场景中，首先，通过部署于油气集输管道及设备(例如，如图1中所示意的H)内的各个传感器(例如，如图1中所示意的T)获取多个预定时间段的油气集输管道的生产技术参数、设备参数、腐蚀参数和检测参数。然后，将获得的所述多个预定时间段的油气集输管道的生产技术参数、设备参数、腐蚀参数和检测参数输入至部署有油气集输监控算法的服务器中(例如，如图1中所示意的服务器S)，其中，所述服务器能够以油气集输监控算法对所述多个预定时间段的油气集输管道的生产技术参数、设备参数、腐蚀参数和检测参数进行处理，以生成用于表示是否产生油气管道腐蚀预警的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图2图示了根据本申请实施例的油气集输监控系统的框图。如图2所示，根据本申请实施例的油气集输监控系统200，包括：参数获取单元210，用于获取多个预定时间段的油气集输管道及设备的生产技术参数、设备参数、腐蚀参数和检测参数；参数语义编码单元220，用于将各个所述预定时间段的油气集输管道及设备的生产技术参数、设备参数、腐蚀参数和检测参数通过上下文编码器以得到多个特征向量，其中，所述多个特征向量中各个特征向量分别对应于一项参数；特征级关联单元230，用于将所述多个特征向量按照样本参数维度进行二维排列以得到对应于各个所述预定时间段的第一特征矩阵；特征级再编码单元240，用于将所述对应于各个所述预定时间段的第一特征矩阵排列为三维张量后通过深度可分离卷积神经网络以得到分类特征图，其中，所述深度可分离卷积神经网络在卷积时沿参数的样本间关联特征维度和参数时序表达特征维度对输入数据分别进行卷积；特征图校正单元250，用于对所述分类特征图进行柯西重概率化以得到校正后分类特征图，其中，所述柯西重概率化基于以所述分类特征图中各个位置的特征值为幂的自然指数函数值与以所述分类特征图中各个位置的特征值为幂的自然指数函数值的加权和之间的比值来进行；以及，监控结果生成单元260，用于将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示是否产生油气管道腐蚀预警。
具体地，在本申请实施例中，所述参数获取单元210和所述参数语义编码单元220，用于获取多个预定时间段的油气集输管道及设备的生产技术参数、设备参数、腐蚀参数和检测参数，并将各个所述预定时间段的油气集输管道及设备的生产技术参数、设备参数、腐蚀参数和检测参数通过上下文编码器以得到多个特征向量，其中，所述多个特征向量中各个特征向量分别对应于一项参数。如前所述，由于油气集输系统内腐蚀的影响因素是非常多的，而且在腐蚀的过程中会出现参数及表面特征不同的物理与化学反应，因此期望利用更加先进的监控技术进行监测。应可以理解，考虑到对油气集输系统的监控本质上是一个分类问题，也就是，基于所述油气集输系统的特征表示(Feature presentation)来对所述油气集输系统进行分类判断。
因此，在本申请的技术方案中，首先，通过部署于油气集输管道及设备内的各个传感器获取多个预定时间段的油气集输管道及设备的生产技术参数、设备参数、腐蚀参数和检测参数。应可以理解，纳入更多的数据维度有利于充分利用不同维度的信息之间的交叉验证和关联信息来提高分类判断的精度。在一个具体示例中，可获取各个预定时间段内多个预定时间点的油气集输管道及设备的生产技术参数、设备参数、腐蚀参数和检测参数，然后分别计算其在该预定时间段内的均值作为最终参数编码的特征表示，通过这样的方式，可降低计算量的同时兼顾特征表示能力。
并且，为了充分挖掘各个维度的数据的高维隐含特征以及各个维度的数据间的高维隐含关联特征，在本申请的技术方案中，进一步使用上下文编码器对各个所述预定时间段的油气集输管道及设备的生产技术参数、设备参数、腐蚀参数和检测参数进行基于上下文的全局语义编码以得到多个特征向量，其中，所述多个特征向量中各个特征向量对应于一项参数。
更具体地，在本申请的实施例中，所述参数语义编码单元，包括：首先，使用所述上下文编码器的嵌入层分别将各个所述预定时间段的油气集输管道及设备的生产技术参数转化为输入向量以获得技术输入向量的序列，并且使用所述上下文编码器的转换器对所述技术输入向量的序列进行基于全局的上下文语义编码以获得对应于所述生产技术参数的所述多个特征向量；接着，使用所述上下文编码器的嵌入层分别将各个所述预定时间段的油气集输管道及设备的设备参数转化为输入向量以获得设备输入向量的序列；使用所述上下文编码器的转换器对所述设备输入向量的序列进行基于全局的上下文语义编码以获得对应于所述设备参数的所述多个特征向量；然后，使用所述上下文编码器的嵌入层分别将各个所述预定时间段的油气集输管道及设备的腐蚀参数转化为输入向量以获得腐蚀输入向量的序列；使用所述上下文编码器的转换器对所述腐蚀输入向量的序列进行基于全局的上下文语义编码以获得对应于所述腐蚀参数的所述多个特征向量；最后，使用所述上下文编码器的嵌入层分别将各个所述预定时间段的油气集输管道及设备的检测参数转化为输入向量以获得检测输入向量的序列；使用所述上下文编码器的转换器对所述检测输入向量的序列进行基于全局的上下文语义编码以获得对应于所述检测参数的所述多个特征向量。特别地，这里，所述上下文编码器的转换器采用基于转换器的Bert模型，以利用所述转换器的内在结构对各个所述预定时间段的油气集输管道及设备的生产技术参数、设备参数、腐蚀参数和检测参数进行基于掩码的全局上下文语义编码以得到所述多个特征向量。
图3图示了根据本申请实施例的车辆加工状态监测系统中参数语义编码单元的框图。如图3所示，所述参数语义编码单元220，包括：生产技术特征提取子单元221，用于使用所述上下文编码器的嵌入层分别将各个所述预定时间段的油气集输管道及设备的生产技术参数转化为输入向量以获得技术输入向量的序列；使用所述上下文编码器的转换器对所述技术输入向量的序列进行基于全局的上下文语义编码以获得对应于所述生产技术参数的所述多个特征向量；设备特征提取子单元222，用于使用所述上下文编码器的嵌入层分别将各个所述预定时间段的油气集输管道及设备的设备参数转化为输入向量以获得设备输入向量的序列；使用所述上下文编码器的转换器对所述设备输入向量的序列进行基于全局的上下文语义编码以获得对应于所述设备参数的所述多个特征向量；腐蚀特征提取子单元223，用于使用所述上下文编码器的嵌入层分别将各个所述预定时间段的油气集输管道及设备的腐蚀参数转化为输入向量以获得腐蚀输入向量的序列；使用所述上下文编码器的转换器对所述腐蚀输入向量的序列进行基于全局的上下文语义编码以获得对应于所述腐蚀参数的所述多个特征向量；检测特征提取子单元224，用于使用所述上下文编码器的嵌入层分别将各个所述预定时间段的油气集输管道及设备的检测参数转化为输入向量以获得检测输入向量的序列；使用所述上下文编码器的转换器对所述检测输入向量的序列进行基于全局的上下文语义编码以获得对应于所述检测参数的所述多个特征向量。
具体地，在本申请实施例中，所述特征级关联单元230和所述特征级再编码单元240，用于将所述多个特征向量按照样本参数维度进行二维排列以得到对应于各个所述预定时间段的第一特征矩阵，并将所述对应于各个所述预定时间段的第一特征矩阵排列为三维张量后通过深度可分离卷积神经网络以得到分类特征图，其中，所述深度可分离卷积神经网络在卷积时沿参数的样本间关联特征维度和参数时序表达特征维度对输入数据分别进行卷积。应可以理解，为了捕捉同一预定时间段的所述各项参数之间的关联以及不同预定时间段的所述各项参数之间的关联，在本申请的技术方案中，进一步地将所述多个特征向量按照样本参数维度进行二维排列以得到对应于各个所述预定时间段的第一特征矩阵，并将对应于各个所述预定时间段的第一特征矩阵排列为三维张量。也就是，构造用于表示同一预定时间段的所述各项参数之间的关联以及不同预定时间段的所述各项参数之间的关联的数据结构，即，所述三维张量。然后，使用卷积神经网络模型来对所述三维张量进行编码以提取所述三维张量中的高维局部隐含关联特征，即，同一预定时间段的各项参数之间的关联的高维隐含关联特征表示以及不同预定时间段的各项参数之间的关联的高维隐含关联特征表示。
特别地，在本申请的技术方案中，使用深度可分离卷积神经网络对所述三维张量进行编码，相对于标准的卷积神经网络模型，所述深度可分离卷积神经网络能够分别在参数上下文语义维度，参数的样本间关联特征维度和参数时序表达特征维度上进行卷积操作以进行特征提取，即，
Figure BDA0003741692260000121
Figure BDA0003741692260000122
以得到特征约束度和密集度更高的分类特征图。也就是，应可以理解，在卷积操作中，每个过滤器用于在两个空间维度和第三个通道维度上进行卷积，因此卷积操作不仅发生在W和H维度的空间，还在C维度中向纵深处进行。
更具体地，在本申请的实施例中，所述特征级再编码单元，进一步用于：所述深度可分离卷积神经网络的各层在层的正向传递中对输入数据分别进行：对所述输入数据进行基于二维卷积核的卷积处理以得到第一卷积特征图；对所述第一卷积特征图进行基于一维卷积核的卷积处理以得到第二卷积特征图；对所述第二卷积特征图进行池化处理以得到池化特征图；以及，将所述池化特征图通过非线性激活函数以得到激活特征图；其中，所述深度可分离卷积神经网络的最后一层的输出为所述分类特征图。应可以理解，在卷积操作中，每个过滤器用于在两个空间维度和第三个通道维度上进行卷积，因此卷积操作不仅发生在W和H维度的空间，还在C维度中向纵深处进行。这样，所述深度可分离卷积神经网络可以写成
Figure BDA0003741692260000131
Figure BDA0003741692260000132
具体地，在本申请实施例中，所述特征图校正单元250，用于对所述分类特征图进行柯西重概率化以得到校正后分类特征图，其中，所述柯西重概率化基于以所述分类特征图中各个位置的特征值为幂的自然指数函数值与以所述分类特征图中各个位置的特征值为幂的自然指数函数值的加权和之间的比值来进行。应可以理解，在得到所述分类特征图后，进一步地，可将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示是否产生油气管道腐蚀预警。但是，由于所述深度可分离卷积神经网络分别在参数上下文语义维度，参数的样本间关联特征维度和参数时序表达特征维度上进行卷积操作以进行特征提取，即，
Figure BDA0003741692260000133
因此，期望属于不同核函数集合，即
Figure BDA0003741692260000134
和
Figure BDA0003741692260000135
的卷积核能够在训练过程中相对独立地自适应迭代，因此，在本申请的技术方案中，进一步对于所述分类特征图进行柯西重概率化。
更具体地，在本申请实施例中，所述特征图校正单元，进一步用于：以如下公式对所述分类特征图进行柯西重概率化以得到所述校正后分类特征图；
其中，所述公式为：
Figure BDA0003741692260000136
其中exp(fi,j,k)表示计算以所述分类特征图中各个位置的特征值为幂的自然指数函数值，fi,j,k′表示所述校正后分类特征图中各个位置的特征值。应可以理解，该所述柯西重概率化可以通过进行特征值的概率性解释来促进神经网络的训练，使得在训练过程当中分属于不同核函数集合的卷积核的参数具有对于其它集合的卷积核的卷积操作带来的信息损失的鲁棒性，从而随迭代自适应地更新，以提高深度可分离卷积神经网络的学习性能。这样，提高气管道腐蚀预警的分类判断的精准度。
具体地，在本申请实施例中，所述监控结果生成单元260，用于将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示是否产生油气管道腐蚀预警。也就是，在本申请的技术方案中，在得到校正后的所述分类特征图后，进一步将所述分类特征图通过分类器以获得用于表示是否产生油气管道腐蚀预警的分类结果。相应地，在一个具体示例中，所述分类器以如下公式对所述分类特征图进行处理以生成分类结果，其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述分类特征图投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
综上，基于本申请实施例的所述油气集输监控系统200被阐明，其通过深度神经网络模型提取出油气集输管道及设备的生产技术参数、设备参数、腐蚀参数和检测参数间的隐含关联特征分布表示，以基于所述油气集输系统的特征表示来对所述油气集输系统进行分类判断，并且在此过程中，进一步对用于分类的分类特征图进行柯西重概率化修正，以通过进行特征值的概率性解释来促进神经网络的训练，使得在训练过程当中分属于不同核函数集合的卷积核的参数具有对于其它集合的卷积核的卷积操作带来的信息损失的鲁棒性，从而随迭代自适应地更新，以提高深度可分离卷积神经网络的学习性能。这样，能够提高气管道腐蚀预警的分类判断的精准度。
如上所述，根据本申请实施例的油气集输监控系统200可以实现在各种终端设备中，例如油气集输监控算法的服务器等。在一个示例中，根据本申请实施例的油气集输监控系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该油气集输监控系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该油气集输监控系统200同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该油气集输监控系统200与该终端设备也可以是分立的设备，并且该油气集输监控系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性方法
图4图示了油气集输监控方法的流程图。如图4所示，根据本申请实施例的油气集输监控方法，包括步骤：S110，获取多个预定时间段的油气集输管道及设备的生产技术参数、设备参数、腐蚀参数和检测参数；S120，将各个所述预定时间段的油气集输管道及设备的生产技术参数、设备参数、腐蚀参数和检测参数通过上下文编码器以得到多个特征向量，其中，所述多个特征向量中各个特征向量分别对应于一项参数；S130，将所述多个特征向量按照样本参数维度进行二维排列以得到对应于各个所述预定时间段的第一特征矩阵；S140，将所述对应于各个所述预定时间段的第一特征矩阵排列为三维张量后通过深度可分离卷积神经网络以得到分类特征图，其中，所述深度可分离卷积神经网络在卷积时沿参数的样本间关联特征维度和参数时序表达特征维度对输入数据分别进行卷积；S150，对所述分类特征图进行柯西重概率化以得到校正后分类特征图，其中，所述柯西重概率化基于以所述分类特征图中各个位置的特征值为幂的自然指数函数值与以所述分类特征图中各个位置的特征值为幂的自然指数函数值的加权和之间的比值来进行；以及，S160，将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示是否产生油气管道腐蚀预警。
图5图示了根据本申请实施例的油气集输监控方法的架构示意图。如图5所示，在所述油气集输监控方法的网络架构中，首先，将获得的各个所述预定时间段的油气集输管道及设备的生产技术参数、设备参数、腐蚀参数和检测参数(例如，如图5中所示意的P1)通过上下文编码器(例如，如图5中所示意的E)以得到多个特征向量(例如，如图5中所示意的VF1)；接着，将所述多个特征向量按照样本参数维度进行二维排列以得到对应于各个所述预定时间段的第一特征矩阵(例如，如图5中所示意的MF1)；然后，将所述对应于各个所述预定时间段的第一特征矩阵排列为三维张量(例如，如图5中所示意的F)后通过深度可分离卷积神经网络(例如，如图5中所示意的CNN)以得到分类特征图(例如，如图5中所示意的FC)；接着，对所述分类特征图进行柯西重概率化以得到校正后分类特征图(例如，如图5中所示意的FL)；以及，最后，将所述分类特征图通过分类器(例如，如图5中所示意的分类器)以获得分类结果，所述分类结果用于表示是否产生油气管道腐蚀预警。
综上，基于本申请实施例的所述油气集输监控方法被阐明，其通过深度神经网络模型提取出油气集输管道及设备的生产技术参数、设备参数、腐蚀参数和检测参数间的隐含关联特征分布表示，以基于所述油气集输系统的特征表示来对所述油气集输系统进行分类判断，并且在此过程中，进一步对用于分类的分类特征图进行柯西重概率化修正，以通过进行特征值的概率性解释来促进神经网络的训练，使得在训练过程当中分属于不同核函数集合的卷积核的参数具有对于其它集合的卷积核的卷积操作带来的信息损失的鲁棒性，从而随迭代自适应地更新，以提高深度可分离卷积神经网络的学习性能。这样，能够提高气管道腐蚀预警的分类判断的精准度。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种油气集输监控系统，其特征在于，包括：
参数获取单元，用于获取多个预定时间段的油气集输管道及设备的生产技术参数、设备参数、腐蚀参数和检测参数；
参数语义编码单元，用于将各个所述预定时间段的油气集输管道及设备的生产技术参数、设备参数、腐蚀参数和检测参数通过上下文编码器以得到多个特征向量，其中，所述多个特征向量中各个特征向量分别对应于一项参数；
特征级关联单元，用于将所述多个特征向量按照样本参数维度进行二维排列以得到对应于各个所述预定时间段的第一特征矩阵；
特征级再编码单元，用于将所述对应于各个所述预定时间段的第一特征矩阵排列为三维张量后通过深度可分离卷积神经网络以得到分类特征图，其中，所述深度可分离卷积神经网络在卷积时沿参数的样本间关联特征维度和参数时序表达特征维度对输入数据分别进行卷积；
特征图校正单元，用于对所述分类特征图进行柯西重概率化以得到校正后分类特征图，其中，所述柯西重概率化基于以所述分类特征图中各个位置的特征值为幂的自然指数函数值与以所述分类特征图中各个位置的特征值为幂的自然指数函数值的加权和之间的比值来进行；
监控结果生成单元，用于将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示是否产生油气管道腐蚀预警。
2.根据权利要求1所述的油气集输监控系统，其中，所述参数语义编码单元，包括：
生产技术特征提取子单元，用于使用所述上下文编码器的嵌入层分别将各个所述预定时间段的油气集输管道及设备的生产技术参数转化为输入向量以获得技术输入向量的序列；使用所述上下文编码器的转换器对所述技术输入向量的序列进行基于全局的上下文语义编码以获得对应于所述生产技术参数的所述多个特征向量；
设备特征提取子单元，用于使用所述上下文编码器的嵌入层分别将各个所述预定时间段的油气集输管道及设备的设备参数转化为输入向量以获得设备输入向量的序列；使用所述上下文编码器的转换器对所述设备输入向量的序列进行基于全局的上下文语义编码以获得对应于所述设备参数的所述多个特征向量；
腐蚀特征提取子单元，用于使用所述上下文编码器的嵌入层分别将各个所述预定时间段的油气集输管道及设备的腐蚀参数转化为输入向量以获得腐蚀输入向量的序列；使用所述上下文编码器的转换器对所述腐蚀输入向量的序列进行基于全局的上下文语义编码以获得对应于所述腐蚀参数的所述多个特征向量；
检测特征提取子单元，用于使用所述上下文编码器的嵌入层分别将各个所述预定时间段的油气集输管道及设备的检测参数转化为输入向量以获得检测输入向量的序列；使用所述上下文编码器的转换器对所述检测输入向量的序列进行基于全局的上下文语义编码以获得对应于所述检测参数的所述多个特征向量。
3.根据权利要求2所述的油气集输监控系统，其中，所述特征级再编码单元，进一步用于：所述深度可分离卷积神经网络的各层在层的正向传递中对输入数据分别进行：
对所述输入数据进行基于二维卷积核的卷积处理以得到第一卷积特征图；
对所述第一卷积特征图进行基于一维卷积核的卷积处理以得到第二卷积特征图；
对所述第二卷积特征图进行池化处理以得到池化特征图；以及
将所述池化特征图通过非线性激活函数以得到激活特征图；
其中，所述深度可分离卷积神经网络的最后一层的输出为所述分类特征图。
4.根据权利要求3所述的油气集输监控系统，其中，所述特征图校正单元，进一步用于：以如下公式对所述分类特征图进行柯西重概率化以得到所述校正后分类特征图；
其中，所述公式为：
Figure FDA0003741692250000021
其中exp(fi,j,k)表示计算以所述分类特征图中各个位置的特征值为幂的自然指数函数值，fi，j，k′表示所述校正后分类特征图中各个位置的特征值。
5.根据权利要求4所述的油气集输监控系统，其中，所述监控结果生成单元，进一步用于：所述分类器以如下公式对所述分类特征图进行处理以生成分类结果，其中，所述公式为：softmax{(Wn，Bn)：...：(W1，B1)|Project(F)}，其中Project(F)表示将所述分类特征图投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
6.一种油气集输监控方法，其特征在于，包括：
获取多个预定时间段的油气集输管道及设备的生产技术参数、设备参数、腐蚀参数和检测参数；
将各个所述预定时间段的油气集输管道及设备的生产技术参数、设备参数、腐蚀参数和检测参数通过上下文编码器以得到多个特征向量，其中，所述多个特征向量中各个特征向量分别对应于一项参数；
将所述多个特征向量按照样本参数维度进行二维排列以得到对应于各个所述预定时间段的第一特征矩阵；
将所述对应于各个所述预定时间段的第一特征矩阵排列为三维张量后通过深度可分离卷积神经网络以得到分类特征图，其中，所述深度可分离卷积神经网络在卷积时沿参数的样本间关联特征维度和参数时序表达特征维度对输入数据分别进行卷积；
对所述分类特征图进行柯西重概率化以得到校正后分类特征图，其中，所述柯西重概率化基于以所述分类特征图中各个位置的特征值为幂的自然指数函数值与以所述分类特征图中各个位置的特征值为幂的自然指数函数值的加权和之间的比值来进行；以及
将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示是否产生油气管道腐蚀预警。
7.根据权利要求6所述的油气集输监控方法，其中，将各个所述预定时间段的油气集输管道及设备的生产技术参数、设备参数、腐蚀参数和检测参数通过上下文编码器以得到多个特征向量，包括：
使用所述上下文编码器的嵌入层分别将各个所述预定时间段的油气集输管道及设备的生产技术参数转化为输入向量以获得技术输入向量的序列；使用所述上下文编码器的转换器对所述技术输入向量的序列进行基于全局的上下文语义编码以获得对应于所述生产技术参数的所述多个特征向量；
使用所述上下文编码器的嵌入层分别将各个所述预定时间段的油气集输管道及设备的设备参数转化为输入向量以获得设备输入向量的序列；使用所述上下文编码器的转换器对所述设备输入向量的序列进行基于全局的上下文语义编码以获得对应于所述设备参数的所述多个特征向量；
使用所述上下文编码器的嵌入层分别将各个所述预定时间段的油气集输管道及设备的腐蚀参数转化为输入向量以获得腐蚀输入向量的序列；使用所述上下文编码器的转换器对所述腐蚀输入向量的序列进行基于全局的上下文语义编码以获得对应于所述腐蚀参数的所述多个特征向量；
使用所述上下文编码器的嵌入层分别将各个所述预定时间段的油气集输管道及设备的检测参数转化为输入向量以获得检测输入向量的序列；使用所述上下文编码器的转换器对所述检测输入向量的序列进行基于全局的上下文语义编码以获得对应于所述检测参数的所述多个特征向量。
8.根据权利要求7所述的油气集输监控方法，其中，将所述对应于各个所述预定时间段的第一特征矩阵排列为三维张量后通过深度可分离卷积神经网络以得到分类特征图，包括：
所述深度可分离卷积神经网络的各层在层的正向传递中对输入数据分别进行：
对所述输入数据进行基于二维卷积核的卷积处理以得到第一卷积特征图；
对所述第一卷积特征图进行基于一维卷积核的卷积处理以得到第二卷积特征图；
对所述第二卷积特征图进行池化处理以得到池化特征图；以及
将所述池化特征图通过非线性激活函数以得到激活特征图；
其中，所述深度可分离卷积神经网络的最后一层的输出为所述分类特征图。
9.根据权利要求8所述的油气集输监控方法，其中，对所述分类特征图进行柯西重概率化以得到校正后分类特征图，包括：
以如下公式对所述分类特征图进行柯西重概率化以得到所述校正后分类特征图；
其中，所述公式为：
Figure FDA0003741692250000051
其中exp(fi，j，k)表示计算以所述分类特征图中各个位置的特征值为幂的自然指数函数值，fi，j，k′表示所述校正后分类特征图中各个位置的特征值。
10.根据权利要求9所述的油气集输监控方法，其中，将所述分类特征图通过分类器以获得分类结果，包括：
所述分类器以如下公式对所述分类特征图进行处理以生成分类结果，其中，所述公式为：softmax{(Wn，Bn)：...：(W1，B1)|Project(F)}，其中Project(F)表示将所述分类特征图投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
CN202210818198.9A 2022-07-12 2022-07-12 油气集输监控系统及其方法 Withdrawn CN115147655A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210818198.9A CN115147655A (zh) 2022-07-12 2022-07-12 油气集输监控系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210818198.9A CN115147655A (zh) 2022-07-12 2022-07-12 油气集输监控系统及其方法

Publications (1)

Publication Number Publication Date
CN115147655A true CN115147655A (zh) 2022-10-04

Family

ID=83411529

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210818198.9A Withdrawn CN115147655A (zh) 2022-07-12 2022-07-12 油气集输监控系统及其方法

Country Status (1)

Country Link
CN (1) CN115147655A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115471216A (zh) * 2022-11-03 2022-12-13 深圳市顺源科技有限公司 智慧实验室管理平台的数据管理方法
CN116010853A (zh) * 2023-02-13 2023-04-25 深圳市田科信息技术有限公司 充电桩设备故障预测方法及系统、计算机可读存储介质
CN116110507A (zh) * 2023-02-15 2023-05-12 浙江宏丰炉料有限公司 镁碳砖智能化生产方法及系统
CN116130721A (zh) * 2023-04-11 2023-05-16 杭州鄂达精密机电科技有限公司 氢燃料电池的状态诊断系统及方法
CN116336400A (zh) * 2023-05-30 2023-06-27 克拉玛依市百事达技术开发有限公司 油气集输管道基线检测方法
CN117391646A (zh) * 2023-12-11 2024-01-12 深圳市伊登软件有限公司 一种协同创新管理系统

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115471216A (zh) * 2022-11-03 2022-12-13 深圳市顺源科技有限公司 智慧实验室管理平台的数据管理方法
CN116010853A (zh) * 2023-02-13 2023-04-25 深圳市田科信息技术有限公司 充电桩设备故障预测方法及系统、计算机可读存储介质
CN116110507A (zh) * 2023-02-15 2023-05-12 浙江宏丰炉料有限公司 镁碳砖智能化生产方法及系统
CN116110507B (zh) * 2023-02-15 2024-02-06 浙江宏丰炉料有限公司 镁碳砖智能化生产方法及系统
CN116130721A (zh) * 2023-04-11 2023-05-16 杭州鄂达精密机电科技有限公司 氢燃料电池的状态诊断系统及方法
CN116336400A (zh) * 2023-05-30 2023-06-27 克拉玛依市百事达技术开发有限公司 油气集输管道基线检测方法
CN116336400B (zh) * 2023-05-30 2023-08-04 克拉玛依市百事达技术开发有限公司 油气集输管道基线检测方法
CN117391646A (zh) * 2023-12-11 2024-01-12 深圳市伊登软件有限公司 一种协同创新管理系统
CN117391646B (zh) * 2023-12-11 2024-03-22 深圳市伊登软件有限公司 一种协同创新管理系统

Similar Documents

Publication Publication Date Title
CN115147655A (zh) 油气集输监控系统及其方法
CN105138973B (zh) 人脸认证的方法和装置
CN109597043B (zh) 基于量子粒子群卷积神经网络的雷达信号识别方法
CN107871014A (zh) 一种基于深度融合哈希的大数据跨模态检索方法及系统
CN111144548B (zh) 抽油机井工况的识别方法及装置
CN113328755B (zh) 一种面向边缘计算的压缩数据传输方法
CN113780292A (zh) 一种基于证据推理的语义分割网络模型不确定性量化方法
CN113628059A (zh) 一种基于多层图注意力网络的关联用户识别方法及装置
CN101826161A (zh) 一种基于局部近邻稀疏表示的目标识别方法
CN115775116B (zh) 基于bim的路桥工程管理方法及系统
CN115099684A (zh) 企业安全生产管理系统及其管理方法
CN115935276A (zh) 环境水质监测系统及其监测方法
CN115374822A (zh) 基于多级特征融合的故障诊断方法及其系统
CN114821328A (zh) 一种基于完全学习的电力图像处理方法及装置
CN108805280B (zh) 一种图像检索的方法和装置
CN109214401B (zh) 基于层次化自动编码器的sar图像分类方法及装置
CN115982573A (zh) 多功能送料机及其控制方法
CN117131348B (zh) 基于差分卷积特征的数据质量分析方法及系统
CN114003900A (zh) 变电站二次系统网络入侵检测方法、装置及系统
CN112149351A (zh) 一种基于深度学习的微波电路物理尺寸估算方法
CN116363469A (zh) 一种少样本红外目标检测方法、装置和系统
CN115408351B (zh) 军工科研生产数据管理方法及系统
CN116992607A (zh) 一种结构拓扑优化方法、系统及装置
CN116796248A (zh) 森林康养环境评估系统及其方法
CN111858343A (zh) 一种基于攻击能力的对抗样本生成方法

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20221004