CN115906949A - 一种石油管道故障诊断方法及系统、存储介质和石油管道故障诊断设备 - Google Patents
一种石油管道故障诊断方法及系统、存储介质和石油管道故障诊断设备 Download PDFInfo
- Publication number
- CN115906949A CN115906949A CN202211465052.7A CN202211465052A CN115906949A CN 115906949 A CN115906949 A CN 115906949A CN 202211465052 A CN202211465052 A CN 202211465052A CN 115906949 A CN115906949 A CN 115906949A
- Authority
- CN
- China
- Prior art keywords
- pipeline
- data
- petroleum pipeline
- training
- fault diagnosis
- 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.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 69
- 239000003208 petroleum Substances 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 56
- 238000013145 classification model Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 13
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000002405 diagnostic procedure Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000012800 visualization Methods 0.000 description 4
- 239000002131 composite material Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Pipeline Systems (AREA)
Abstract
一种石油管道故障诊断方法及系统、存储介质和石油管道故障诊断设备,属于管道故障诊断与分类技术领域,用以解决现有的智能方法在数据类别非均衡情况下无法达到高准确率的问题,包括步骤如下:步骤一,利用传感器采集不同泄漏程度以及正常状态的管道数据,构建真实数据集;步骤二,构建Tem‑PECAN的网络结构;步骤三,获取真实数据集的时间结构信息以及判别特征,以用于辅助Tem‑PECAN网络模型训练;步骤四:训练构建的Tem‑PECAN网络模型;步骤五,利用多样性与质量的综合评估指标验证生成数据的可靠性,并获得最优超参数组合;步骤六,利用训练好的Tem‑PECAN网络模型生成小类管道故障数据,用于扩充原始管道数据集;步骤七,使用扩充后的合成数据集训练故障分类模型,并实现管道故障诊断。本发明可以合成质量更好,多样性更强的管道时序数据,有效地提高了管道故障诊断模型的准确率以及鲁棒性,大大降低了诊断的漏报率和误报率。
Description
技术领域
本发明涉及一种面向不平衡时序数据集的石油管道故障诊断方法及系统、存储介质和石油管道故障诊断设备,尤其是涉及石油管道的故障诊断技术,属于管道故障诊断与分类技术领域。
背景技术
作为一种经济有效的长距离载体,管道已广泛应用于现代工业的石油与天然气运输中。近些年,随着工业化、现代化的发展,油气管道总里程数逐年增长,预计在2025年将达到24万公里。在这样的情况下,任何管道的泄漏、腐蚀或退化都将带来无法预估的严重后果。为此,实现精准的管道故障诊断,及时修复管道异常区段对于避免灾难事故的发生,减少维护成本和提高管道运行的可靠性具有重要的现实意义。
随着人工智能的快速发展,深度学习模型因其强大的特征提取和泛化能力,在工业诊断方面得到了广泛的研究。尽管智能故障诊断方法大大提升了诊断的精度,但大多数技术的成功依赖于充足且平衡的数据集,即不同类别的工业数据是平衡且海量的。然而,因为以下原因,很难满足充足且平衡的数据集:1)管道无法长时间运行在故障或接近故障的环境中,这导致故障数据比正常状态的数据更难收集;2)管道深埋地下,服役环境复杂,采集高质量的管道数据成本十分昂贵且困难。这些现实状况为建立有效的管道数据集带来了巨大阻碍,从而导致目前已有的诊断模型出现了明显的偏向性、低准确率和高漏报/误报率。所以,如何实现数据集类别不均衡情况下的管道故障诊断是一个急迫需要解决的问题。现有文献中鲜有专门针对石油管道故障诊断的研究。
数据增强算法是当前解决不平衡数据集的热点方法之一,其主要原理在于学习已有的真实数据分布,从而生成类似于真实数据的小类合成数据,以达到增强不平衡数据集的目的。近来,生成对抗网络(GAN)在恢复复杂的真实数据分布方面发挥了突出作用,在数据恢复方面得到了广泛的应用。然而,现有的GAN变体模型大多是在图像处理领域实现了从潜在空间到样本空间的映射,缺乏对于时序数据的演化趋势以及故障判别特征的考虑,并不适配于工业数据集增强。在这样的情况下,生成模型将失去细粒度的信息,并将各种类别的时间结构特征混在一起,导致生成的数据集质量差、多样性低,无法帮助训练诊断模型。
因此,现有的智能方法在数据类别非均衡情况下无法达到石油管道高准确率。设计一种新的算法对不平衡管道数据集进行增强并有效地保留时序数据的特征在管道故障诊断领域已经变得极为重要,势在必行。
发明内容
为了解决背景技术中所提到的技术问题:现有的智能诊断方法面对管道故障类别不均衡的数据集时,往往会出现明显的性能退化,导致较低的准确率和较高的漏/误报率,不适合石油管道故障诊断,因而本发明提出一种面向不平衡时序数据集的石油管道故障诊断方法以增强小类故障时序数据,构建平衡训练集,提升管道故障诊断的精度,从而实现在石油管道数据类别非均衡情况下能达到高准确率的故障诊断。
本发明为解决上述技术问题所采用的技术方案是:一种面向不平衡时序数据集的石油管道故障诊断方法,所述方法包括如下步骤:
步骤1:构建真实数据集并获取随机变量数据集:首先,利用采集的石油管道历史离线数据构建训练集其中为第i个真实管道样本,由N个采样点组成;为第i个样本标签,nt为样本数量;其次,对随机噪声分布进行采样并获取随机变量集合其中zl为第l个随机变量,nl为变量的数量;
步骤2:构建基于排列熵的时序对比对抗网络Tem-PECAN:Tem-PECAN中包括一个对比生成器Gc和一个判别器D;对比生成器Gc由七层反卷积层组成,并使用LeakyReLu激活函数加快收敛速度;判别器D由三层卷积层、两层全连接层组成,输出层采用Sigmoid作为激活函数,其余采用LeakyReLu作为激活函数;
步骤3:按照如下路径获取真实数据集的时间结构信息,用于辅助Tem-PECAN训练:
步骤3.1:计算真实数据集的排列熵,并构建故障语义编码,以用于辅助对比生成器训练;
然后,映射重构矩阵的第j行到一个新的序列:
其中,a1代表重构矩阵第j行最小值的索引值,am代表重构矩阵第j行最大值的索引值;
因此,可以得到滑窗内的样本点的排列熵:
其中,N-L为每一个管道样本的排列熵的长度;
步骤3.2:将步骤3.1获得的管道样本排列熵输入到自编码模型中,获取故障语义编码:
步骤3.3:利用故障语义编码cpe和yt构建新的故障语义表征:
步骤4:按照如下路径训练构建的Tem-PECAN模型:
步骤4.1:初始化网络参数,包括训练集的批量大小s,训练总迭代次数itermax,判别器训练迭代次数iterd,对比生成器网络参数θgc,判别器网络参数θd,Adam优化器参数η,δ1,δ2;
步骤4.2:训练对比生成器,并获得合成管道数据;将故障语义表征与随机变量合并作为对比生成器的输入;
首先,建立相同类别管道数据之间的相关性模型:
然后,建立不同类别管道数据之间的可分类性模型:
其中,Gc(z,cd)-是指与Gc(z,cd)不同类别的管道数据;利用Adam优化器更新对比生成器网络参数:
其中,α和β为平衡参数;
步骤4.3:训练判别器:将真实数据与生成数据分别作为判别器的输入,并利用Adam优化器更新:
步骤4.4:根据步骤4.2和4.3交替训练对比生成器和判别器,直到达到最大训练次数;
步骤5:利用质量与多样性指标评估合成数据的可靠性,并继续调整Tem-PECAN的网络参数,直到达到最优值:
步骤6:利用训练好的Tem-PECAN模型生成具有时序结构并保留判别特征的小类故障数据,并利用生成的数据平衡训练集;
步骤7:利用步骤6获得的石油管道数据集训练管道故障诊断模型。
在步骤1中,利用传感器采集不同泄漏程度以及正常状态的管道数据,构建真实数据集。
在步骤1中,训练集包含大泄漏、中泄漏、小泄漏以及正常四种类别。
在步骤4中,α和β为平衡参数,分别用于表征相同类别管道数据之间的相关性模型、不同类别管道数据之间的可分类性模型的系数;取值范围为0.01-0.03。
将步骤3.3获得的故障语义表征c_d与随机变量z一起输入到对比生成模型中得到生成的管道数据集合,利用对比优化的方式训练生成器;将生成的管道数据集合和经由步骤1得到的{x_t^i,}_(i=1)^(n_t)分别输入到判别模型中,训练判别模型并将梯度反传给对比生成器。
在步骤7中,采用长短时记忆网络作为故障诊断模型。
在步骤7中,利用训练好的管道故障诊断模型进行石油管道故障诊断时,需对采用石油管道数据进行步骤1至6的处理后,作为输入进行石油管道故障诊断。
一种石油管道故障诊断系统,该系统具有与上述技术方案的步骤对应的程序模块,运行时执行上述的石油管道故障诊断方法中的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序配置为由处理器调用时实现上述的石油管道故障诊断方法的步骤。
一种石油管道故障诊断设备,所述石油管道故障诊断设备包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的石油管道故障诊断方法。
一种石油管道故障诊断设备,所述石油管道故障诊断设备还包括安装在石油管道上的用于获取待检测石油管道原始数据的多组传感器,每组传感器包括压力传感器、流量传感器和温度传感器;传感器将检测的信号传给处理器的上的控制器,控制器经处理并故障诊断后给出提示或报警。
本发明具有以下有益技术效果:
本发明所述的一种面向不平衡时序数据集的石油管道故障诊断方法克服了传统生成对抗网络无法恢复时序数据的时间结构以及忽略了判别性特征的缺点。直接应用传统的生成对抗网络在管道故障诊断领域,仅仅是在于整体的领域层面恢复了真实数据的分布,并没有考虑真实数据与合成数据在时间变化趋势上的一致性以及不同类别故障数据判别特征之间的区分性,从而导致生成的管道数据具有时间结构不明显、判别特征不突出等问题,无法作为有效的数据集支持管道诊断模型的训练。
本发明所述方法包括如下步骤:步骤一,利用传感器采集不同泄漏程度以及正常状态的管道数据,构建真实数据集;步骤二,构建Tem-PECAN的网络结构;步骤三,获取真实数据集的时间结构信息以及判别特征,以用于辅助Tem-PECAN网络模型训练;步骤四:训练构建的Tem-PECAN网络模型;步骤五,利用多样性与质量的综合评估指标验证生成数据的可靠性,并获得最优超参数组合;步骤六,利用训练好的Tem-PECAN网络模型生成小类管道故障数据,用于扩充原始管道数据集;步骤七,使用扩充后的合成数据集训练故障分类模型,并实现管道故障诊断。本发明可以合成质量更好,多样性更强的管道时序数据,有效地提高了管道故障诊断模型的准确率以及鲁棒性,大大降低了诊断的漏报率和误报率。
本发明考虑到传统的生成对抗网络及目前的变体模型主要适用于处理图像数据,缺乏对时序结构信息的认知,从而导致生成的时序数据不具有可靠的时间演化规律。因此,本发明通过引入排列熵构建故障语义表征,描述真实管道数据的时序信息并用于约束生成数据的时间结构,从而提升合成数据集的质量。此外,管道故障数据的有效判别特征呈现离散化,只存在于时间序列的局部位置。这不仅导致故障特征很难被准确地恢复,而且有可能致使模型混淆不同类别的特征,从而降低合成数据集的多样性。因此,本发明对数据集内相同类别数据的相关性以及不同类别数据的可分离性进行建模,利用网络更新进行优化,目的是令同类数据之间的距离越来越近,不同类数据之间的距离越来越远,进而加强合成数据集的多样性。本发明提出了一种面向不平衡时序数据集的石油管道故障诊断方法,解决了智能诊断方法依赖于充足且平衡的数据集问题,并引入了故障语义表征以及对比优化方法,提升合成数据时间结构的可靠性和合成数据集的多样性。提出了一套系统科学的不平衡时序数据集增强方法,具有可操作性和实用价值。
因此说本发明方法可以有效地解决上述问题,生成具有可靠时序结构的管道数据并在合成数据集中建立有效的决策边界,提高了管道故障诊断的准确率。
本发明方法的有效性在发明内容中体现在:
1、本种方法采用深层1D-CNN网络进行搭建,具有十分优越的非线性表征能力,在网络结构层面上提高了合成数据的可靠性,加快收敛速度。
2、本种方法采用排列熵构建故障语义表征,辅助对比生成器进行训练,可以加强合成数据时序结构信息的可靠性,在实例层面提高合成数据的质量。
3、本种方法采用对比优化方式加强同类合成数据之间的相关性,弱化不同类数据之间的相似性,可以在合成分布中建立有效的决策边界,在类别层面提高合成数据集的多样性。
此外,本种方法属于基于数据驱动与归纳偏置结合的学习方法,可以适用于多种不同的工业场景,减少了对专家经验的依赖。现场的管道数据可以通过训练好的Tem-PECAN模型直接进行数据集扩充,提升了工作效率,达到最佳效果。
附图说明
图1是根据本发明实施例的Tem-PECAN故障诊断流程框图;
图2是根据本发明实施例的Tem-PECAN网络核心图;
图3、图4、图5和图6是根据本发明实施例的合成数据与真实数据的可视化实例图;
图7是不同增强比例时诊断准确率的变化图;
图8是基于本发明一种面向不平衡时序数据集的石油管道故障诊断方法(算法)开发出的石油管道故障诊断设备的实验室照片,经验证,本发明所述的最终产品(石油管道故障诊断设备)已完全达到本发明所记载的实验效果。
图3是合成管道数据的可视化实例图(大泄漏数据),图4是合成管道数据的可视化实例图(中泄漏数据);图5是合成管道数据的可视化实例图(小泄漏数据);图6是合成管道数据的可视化实例图(正常状态数据),图7是应用不同数据增强比例时,故障诊断准确率的变化从所提供的附图可看出,本发明可以恢复真实数据的时间结构,并且不同类别的合成数据具有明显的可区分判别特征,并且随着增强比例的增加,故障诊断准确率也不断提高。
具体实施方式
下面结合附图对本发明作进一步说明:
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。
图1是本发明技术方案中的Tem-PECAN故障诊断流程框图,整个流程图完全由Python语言编程实现(当然也可采用其他编程语言来实现)。根据图1可知,首先要利用传感器采集不同泄漏程度以及正常状态的管道数据,构建真实数据集;构建Tem-PECAN的网络结构;获取真实数据集的时间结构信息以及判别特征,以用于辅助Tem-PECAN网络模型训练;训练构建的Tem-PECAN网络模型;利用多样性与质量的综合评估指标验证生成数据的可靠性,并获得最优超参数组合;利用训练好的Tem-PECAN网络模型生成小类管道故障数据,用于扩充原始管道数据集;使用扩充后的合成数据集训练故障分类模型,并实现管道故障诊断。
实施例:以现场管道故障数据为例,对本发明方法的有效性进行验证。
步骤1:构建真实数据集并获取随机变量数据集:首先,利用采集的管道历史离线数据构建训练集其中为第i个真实管道样本,由N个采样点组成;为第i个样本标签,nt为样本数量;训练集包含大泄漏、中泄漏、小泄漏以及正常四种类别;此外,对随机噪声分布进行采样并获取随机变量集合其中zl为第l个随机变量,nl为变量的数量;
步骤2:构建改进后的生成对抗网络模型:基于排列熵的时序对比对抗网络Tem-PECAN;Tem-PECAN中包括一个对比生成器Gc和一个判别器D;对比生成器Gc由七层反卷积层组成,并使用LeakyReLu激活函数加快收敛速度;判别器D由三层卷积层、两层全连接层组成,输出层采用Sigmoid作为激活函数,其余采用LeakyReLu作为激活函数;
步骤3:按照如下路径获取真实数据集的时间结构信息,用于辅助Tem-PECAN训练:
步骤3.1:计算真实数据集的排列熵,并构建故障语义编码,以用于辅助对比生成器训练;
重构矩阵的每一行都得到一个新的序列,j可以为任意一行;
其中,a1代表重构矩阵第j行最小值的索引值,am代表重构矩阵第j行最大值的索引值。从上述映射的新序列可知,理论上,m个索引值可以得到m!种排列方式(符号序列);因此,滑窗内样本点的排列熵可以表示为:
其中,N-L为每一个管道样本的排列熵的长度。
步骤3.2:将步骤3.1获得的管道样本排列熵输入到自编码模型中,获取故障语义编码:
步骤3.3:利用故障语义编码cpe和yt构建新的故障语义表征:
步骤4:按照如下路径训练构建的Tem-PECAN模型:
步骤4.2:训练对比生成器,并获得合成管道数据;将故障语义表征与随机变量合并作为对比生成器的输入;
首先,建立相同类别(比如,可以包含大泄漏、中泄漏、小泄漏以及正常四种类别)管道数据之间的相关性模型:
然后,建立不同类别管道数据之间的可分类性模型:
其中,α和β为平衡参数;
步骤4.3:训练判别器:将真实数据与生成数据分别作为判别器的输入,并利用Adam优化器更新:
右下角标识为d,则属于判别器参数;
步骤4.4:根据步骤4.2和4.3交替训练对比生成器和判别器,直到达到最大训练次数。
图2对Tem-PECAN模型进行了解释,将步骤3.3获得的故障语义表征cd与随机变量z一起输入到对比生成模型中得到生成的管道数据集合,利用对比优化的方式训练生成器;将生成的管道数据集合和经由步骤1得到的分别输入到判别模型中,训练判别模型并将梯度反传给对比生成器。通过这种方法可以提高生成数据时间结构的可靠性,以及生成数据集的多样性,有效地提高管道故障诊断的准确率。
步骤5:利用质量与多样性指标S评估合成数据的可靠性,并继续调整Tem-PECAN的网络参数,直到达到最优值:
其中,N代表样本数量,λ为平衡参数,P(·)代表概率分布;
步骤6:利用训练好的Tem-PECAN模型输出具有时序结构并保留判别特征的小类故障数据,并将生成的数据加入到步骤1获得的训练集中,以平衡管道数据集;
步骤7:利用步骤6获得的管道数据集训练长短时记忆网络作为故障诊断模型;生成数据的实验结果如图3和图4所示以及图5和图6所示。
从所提供的附图可看出,本发明可以恢复真实数据的时间结构,并且不同类别的合成数据具有明显的可区分判别特征,并且随着增强比例的增加,故障诊断准确率也不断提高。
Claims (11)
1.一种石油管道故障诊断方法,其特征在于,所述石油管道故障诊断方法为面向不平衡时序数据集的石油管道故障诊断方法,实现过程为:
步骤1:构建真实数据集并获取随机变量数据集:首先,利用采集的石油管道历史离线数据构建训练集其中为第i个真实管道样本,由N个采样点组成;为第i个样本标签,nt为样本数量;其次,对随机噪声分布进行采样并获取随机变量集合其中zl为第l个随机变量,nl为变量的数量;
步骤2:构建基于排列熵的时序对比对抗网络Tem-PECAN:Tem-PECAN中包括一个对比生成器Gc和一个判别器D;对比生成器Qc由七层反卷积层组成,并使用LeakyReLu激活函数加快收敛速度;判别器D由三层卷积层、两层全连接层组成,输出层采用Sigmoid作为激活函数,其余采用LeakyReLu作为激活函数;
步骤3:按照如下路径获取真实数据集的时间结构信息,用于辅助Tem-PECAN训练:
步骤3.1:计算真实数据集的排列熵,并构建故障语义编码,以用于辅助对比生成器训练;
然后,映射重构矩阵的第j行到一个新的序列:
其中,a1代表重构矩阵第j行最小值的索引值,am代表重构矩阵第j行最大值的索引值;
因此,得到滑窗内的样本点的排列熵:
其中,N-L为每一个管道样本的排列熵的长度;
步骤3.2:将步骤3.1获得的管道样本排列熵输入到自编码模型中,获取故障语义编码:
步骤3.3:利用故障语义编码cpe和yt构建新的故障语义表征:
步骤4:按照如下路径训练构建的Tem-PECAN模型:
步骤4.2:训练对比生成器,并获得合成管道数据;将故障语义表征与随机变量合并作为对比生成器的输入;
首先,建立相同类别管道数据之间的相关性模型:
然后,建立不同类别管道数据之间的可分类性模型:
其中,Gc(z,cd)-是指与Gc(z,cd)不同类别的管道数据;利用Adam优化器更新对比生成器网络参数:
其中,α和β为平衡参数;
步骤4.3:训练判别器:将真实数据与生成数据分别作为判别器的输入,并利用Adam优化器更新:
步骤4.4:根据步骤4.2和4.3交替训练对比生成器和判别器,直到达到最大训练次数;
步骤5:利用质量与多样性指标评估合成数据的可靠性,并继续调整Tem-PECAN的网络参数,直到达到最优值:
其中,N代表样本数量,λ为平衡参数,P(·)代表概率分布;
步骤6:利用训练好的Tem-PECAN模型输出具有时序结构并保留判别特征的小类故障数据,并将生成的数据加入到步骤1获得的训练集中,以平衡管道数据集,最终得到扩充管道数据集,将其作为石油管道数据集;
步骤7:利用步骤6获得的石油管道数据集训练管道故障诊断模型(分类模型),从而实现石油管道故障诊断。
2.根据权利要求1所述的一种石油管道故障诊断方法,其特征在于,在步骤1中,利用传感器采集不同泄漏程度以及正常状态的管道数据,构建真实数据集。
3.根据权利要求1所述的一种石油管道故障诊断方法,其特征在于,在步骤1中,训练集包含大泄漏、中泄漏、小泄漏以及正常四种类别。
4.根据权利要求1所述的一种石油管道故障诊断方法,其特征在于,在步骤4中,α和β为平衡参数,分别用于表征相同类别管道数据之间的相关性模型、不同类别管道数据之间的可分类性模型的系数;取值范围为0.01-0.03。
5.根据权利要求1所述的一种石油管道故障诊断方法,其特征在于,将步骤3.3获得的故障语义表征c_d与随机变量z一起输入到对比生成模型中得到生成的管道数据集合,利用对比优化的方式训练生成器;将生成的管道数据集合和经由步骤1得到的{x_t^i,}_(i=1)^(n_t)分别输入到判别模型中,训练判别模型并将梯度反传给对比生成器。
6.根据权利要求1所述的一种石油管道故障诊断方法,其特征在于,在步骤7中,采用长短时记忆网络作为故障诊断模型。
7.根据权利要求1所述的一种石油管道故障诊断方法,其特征在于,在步骤7中,利用训练好的管道故障诊断模型进行石油管道故障诊断时,需对采用石油管道数据进行步骤1至6的处理后,作为输入进行石油管道故障诊断。
8.一种石油管道故障诊断系统,其特征在于:该系统具有与上述权利要求1-7任一项权利要求的步骤对应的程序模块,运行时执行上述的石油管道故障诊断方法中的步骤。
9.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质存储有计算机程序,所述计算机程序配置为由处理器调用时实现权利要求1-7中任一项所述的石油管道故障诊断方法的步骤。
10.一种石油管道故障诊断设备,其特征在于:所述石油管道故障诊断设备包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的石油管道故障诊断方法。
11.根据权利要求10所述的一种石油管道故障诊断设备,其特征在于:所述石油管道故障诊断设备还包括安装在石油管道上的用于获取待检测石油管道原始数据的多组传感器,每组传感器包括压力传感器、流量传感器和温度传感器;传感器将检测的信号传给处理器的上的控制器,控制器经处理并故障诊断后给出提示或报警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211465052.7A CN115906949B (zh) | 2022-11-22 | 2022-11-22 | 一种石油管道故障诊断方法及系统、存储介质和石油管道故障诊断设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211465052.7A CN115906949B (zh) | 2022-11-22 | 2022-11-22 | 一种石油管道故障诊断方法及系统、存储介质和石油管道故障诊断设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115906949A true CN115906949A (zh) | 2023-04-04 |
CN115906949B CN115906949B (zh) | 2023-06-20 |
Family
ID=86476331
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211465052.7A Active CN115906949B (zh) | 2022-11-22 | 2022-11-22 | 一种石油管道故障诊断方法及系统、存储介质和石油管道故障诊断设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115906949B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116701948A (zh) * | 2023-08-03 | 2023-09-05 | 东北石油大学三亚海洋油气研究院 | 管道故障诊断方法及系统、存储介质和管道故障诊断设备 |
CN117388716A (zh) * | 2023-12-11 | 2024-01-12 | 四川长园工程勘察设计有限公司 | 基于时序数据的电池组故障诊断方法、系统及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112328588A (zh) * | 2020-11-27 | 2021-02-05 | 哈尔滨工程大学 | 一种工业故障诊断非平衡时序数据扩充方法 |
CN113486931A (zh) * | 2021-06-21 | 2021-10-08 | 南京航空航天大学 | 一种基于pda-wgangp的滚动轴承增强诊断方法 |
CN114817856A (zh) * | 2022-04-15 | 2022-07-29 | 重庆科技学院 | 一种基于结构信息保持域适应网络的抽油机故障诊断方法 |
CN115345277A (zh) * | 2022-08-05 | 2022-11-15 | 南京理工大学 | 基于时序生成对抗网络的pmsm匝间短路诊断方法 |
-
2022
- 2022-11-22 CN CN202211465052.7A patent/CN115906949B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112328588A (zh) * | 2020-11-27 | 2021-02-05 | 哈尔滨工程大学 | 一种工业故障诊断非平衡时序数据扩充方法 |
CN113486931A (zh) * | 2021-06-21 | 2021-10-08 | 南京航空航天大学 | 一种基于pda-wgangp的滚动轴承增强诊断方法 |
CN114817856A (zh) * | 2022-04-15 | 2022-07-29 | 重庆科技学院 | 一种基于结构信息保持域适应网络的抽油机故障诊断方法 |
CN115345277A (zh) * | 2022-08-05 | 2022-11-15 | 南京理工大学 | 基于时序生成对抗网络的pmsm匝间短路诊断方法 |
Non-Patent Citations (3)
Title |
---|
XUGUANG HU ETAL.: ""Hierarchical Pressure Data Recovery for Pipeline Network via Generative Adversarial Networks"", 《IEEE》, pages 1960 - 1970 * |
杨静: ""旋转机械早期故障诊断关键技术研究"", 《工程科技Ⅱ辑》, pages 1 - 7 * |
汶武: ""火电厂过热器管道内壁腐蚀缺陷检测方法研究"", 《工程科技Ⅱ辑》, pages 1 - 6 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116701948A (zh) * | 2023-08-03 | 2023-09-05 | 东北石油大学三亚海洋油气研究院 | 管道故障诊断方法及系统、存储介质和管道故障诊断设备 |
CN116701948B (zh) * | 2023-08-03 | 2024-01-23 | 东北石油大学三亚海洋油气研究院 | 管道故障诊断方法及系统、存储介质和管道故障诊断设备 |
CN117388716A (zh) * | 2023-12-11 | 2024-01-12 | 四川长园工程勘察设计有限公司 | 基于时序数据的电池组故障诊断方法、系统及存储介质 |
CN117388716B (zh) * | 2023-12-11 | 2024-02-13 | 四川长园工程勘察设计有限公司 | 基于时序数据的电池组故障诊断方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115906949B (zh) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115906949A (zh) | 一种石油管道故障诊断方法及系统、存储介质和石油管道故障诊断设备 | |
Lang et al. | Artificial intelligence-based technique for fault detection and diagnosis of EV motors: A review | |
Kopbayev et al. | Gas leakage detection using spatial and temporal neural network model | |
CN113935406B (zh) | 基于对抗流模型的机械设备无监督故障诊断方法 | |
CN110941928A (zh) | 一种基于dropout-SAE和Bi-LSTM的滚动轴承剩余寿命预测方法 | |
CN112488025B (zh) | 基于多模态特征融合的双时相遥感影像语义变化检测方法 | |
CN105758645A (zh) | 一种基于概率神经网络的发动机故障诊断系统 | |
CN112147432A (zh) | 基于注意力机制的BiLSTM模块、变压器状态诊断方法和系统 | |
CN114528755A (zh) | 一种基于注意力机制结合gru的电力设备故障检测模型 | |
CN115791174B (zh) | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 | |
CN116434777B (zh) | 基于多级注意力和特征融合的变压器故障诊断方法及系统 | |
CN111783945B (zh) | 基于迁移学习lstm的长输油管道泄漏实时检测系统 | |
Ye et al. | A deep learning-based method for automatic abnormal data detection: Case study for bridge structural health monitoring | |
CN116108346A (zh) | 一种基于生成特征重放的轴承增量故障诊断终身学习方法 | |
KR102471427B1 (ko) | 모터 소음과 열분포 분석을 통한 기계 및 전기적 고장 예측진단 시스템 | |
CN116034321A (zh) | 解释工业应用中的机器学习输出 | |
CN116935128A (zh) | 一种基于可学习提示的零样本异常图像检测方法 | |
CN115356599B (zh) | 一种多模态城市电网故障诊断方法及系统 | |
CN115310693A (zh) | 一种综合能源数据清洗方法、系统、设备和介质 | |
He et al. | An adaptive interval forecast CNN model for fault detection method | |
CN114298144A (zh) | 一种基于深度卷积神经网络的水电站设备漏油识别方法 | |
Wang et al. | GTFE-Net-BiLSTM-AM: An intelligent feature recognition method for natural gas pipelines | |
Li et al. | Compound fault diagnosis of planetary gearbox based on improved LTSS-bow model and capsule network | |
Ahsan et al. | Advanced Fault Diagnosis in Rotating Machines Using 2D Grayscale Images with Improved Deep Convolutional Neural Networks | |
Lang et al. | Pipeline leakage detection based on MTF-dual channel multiscale CNN |
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 |