CN117408422A - 基于深度学习的天然气流量计性能评估方法和系统 - Google Patents

基于深度学习的天然气流量计性能评估方法和系统 Download PDF

Info

Publication number
CN117408422A
CN117408422A CN202311395420.XA CN202311395420A CN117408422A CN 117408422 A CN117408422 A CN 117408422A CN 202311395420 A CN202311395420 A CN 202311395420A CN 117408422 A CN117408422 A CN 117408422A
Authority
CN
China
Prior art keywords
natural gas
performance evaluation
model
gas flowmeter
performance
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
CN202311395420.XA
Other languages
English (en)
Inventor
刘思怡
张剑
李顺勇
刘可薇
朱芮
于剑虹
王磊
郑劲
樊益东
唐乐
李振国
夏寿华
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.)
China Oil and Gas Pipeline Network Corp
National Pipeline Network Southwest Pipeline Co Ltd
Original Assignee
China Oil and Gas Pipeline Network Corp
National Pipeline Network Southwest Pipeline 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 China Oil and Gas Pipeline Network Corp, National Pipeline Network Southwest Pipeline Co Ltd filed Critical China Oil and Gas Pipeline Network Corp
Priority to CN202311395420.XA priority Critical patent/CN117408422A/zh
Publication of CN117408422A publication Critical patent/CN117408422A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • 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
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Computational Linguistics (AREA)
  • Tourism & Hospitality (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于深度学习的天然气流量计性能评估方法和系统，涉及天然气流量计性能评估技术领域，方法包括：获取天然气流量计性能关联的每个特征对天然气流量计的性能评估结果的影响值，将大于预设影响值阈值的影响值所对应的特征确定为目标特征，进而构建第一性能评估数据集，并对第一预设学习模型进行训练，得到第一天然气流量计性能评估模型；根据第一天然气流量计性能预测模型，预测待性能评价天然气流量计的性能评估结果。本发明中，选用对天然气流量计的性能评估结果影响大的特征作为目标特征，以进行模型训练，训练出的第一天然气流量计性能评估模型能够保证性能评估结果的精准度，且能极大减少模型训练的耗时。

Description

基于深度学习的天然气流量计性能评估方法和系统
技术领域
本发明涉及天然气流量计性能评估技术领域，尤其涉及一种基于深度学习的天然气流量计性能评估方法和系统。
背景技术
随着国家能源消费模式的改变，天然气作为一种清洁能源，由于其价格低廉、方便实用，近些年备受关注，其在社会总能源消费中的份额也在逐年增加。中国天然气消费持续快速增长，从2015年的1948×108m3增长至2020年的3163×108m3，年均增长10.2％，各领域用气绝对量均有增长。
随着天然气在中国能源消费中的比重越来越大，流量计作为商用便携式天然气计量器具的重要性越来越大，流量计检定需求也逐年增多。为了确保计量标准量值传递准确，国内从20世纪90年代后期就开始建立天然气流量计检定实验室，具备了对大管径、高压力及高精度管输天然气流量计的检定能力。检定机构普遍采用传统的质量控制措施，如定期的重复性和稳定性测试以及对标准流量计的定期检查，用来评估流量计计量的偏差，并进一步分析和评估对天然气传输影响的重要性。
国家石油天然气流量计量站贵阳分站主要建有天然气工作级标准装置及配套设施，天然气流量计检定口径DN50～DN400。目前，涡轮流量计是贵阳分站的主要工作级标准装置，用于监测工作级标准流量计的突发异常偏离情况。但涡轮流量计受多种因素影响，工作条件多变且监控范围固定，只能发现明显的突发偏离情况。此外，涡轮流量计内部有叶片、轴承等机械结构，在长期使用后受不清洁介质、温度、偶尔超载等影响发生气蚀、磨损、疲劳损伤等，会导致其仪表性能衰减，直到工作级标准送检的时候才能判定，发现周期长。
并且按照计量法规定，涡轮流量计作为一种速度式流量计，用于贸易计量时，必须每两年检定一次。但是投产后的流量计，在使用之初，即使用不到5年内发生故障的次数最少，使用5～10年后发生故障最多，用了10年以上涡轮流量计，故障发生频率处于中间。经常拆卸和安装流量计以供检定，不但费时费力，而且拆卸，运输时还可能对流量计造成损伤，致使流量计计量不准。
所以针对目前涡轮流量计在频繁送检的过程中所产生的效率及经济损失问题以及流量计运行过程中可能带来的计量不准确及安全隐患的问题，本文探索将深度学习等完整性理念与技术引入天然气计量检定领域，结合自身技术特点，提出一种涡轮流量计在线性能评估与性能参数预测的方法。系统采用Modbus RTU及Modbus TCP/IP协议，采用COM串口及以太网接口，实现对涡轮流量计相关设备的各个运行参数的数据采集及预处理，利用被检流量计及标准流量计的瞬时流量、累计流量、温度以及相关参数来判断流量计的性能，最终实现流量计运行状态的在线性能监控及流量计衰减预警，从而保证涡轮流量计运行时的计量准确性。
国内外对天然气流量计性能方面有如下研究：
1)杨国芬等人研究了流量计在不同工作压力下的性能，并发现流量计仪表系数的重复性在不同工作压力下变化较小，表明流量计对压力变化的敏感性较低。
2)王荣晓等人研究了流量计在不同温度下的性能，发现随着温度降低，流量计示值误差的偏差方向会发生变化，从正偏差变为负偏差。此外，他们还发现使用抗低温润滑油可以基本解决低温下计量不合格的问题。
3)孙立军等人进行了流量计测量性能受流量稳定性影响的实验研究。他们通过控制水泵转速模拟了10种不同的流量稳定性状况，并对4种典型的流量计进行了测量性能实验。评价指标包括仪表系数的相对偏差、线性度和重复性。实验结果表明，流量计性能受流量波动的影响与流量波动的幅度和周期以及流量计本身特性相关。
4)项银杰等人定量地比较了水平和垂直两种安装方式对涡街流量计测量的影响。研究结果显示，当其它安装条件得到满足时，水平和垂直两种安装方式对涡街流量计涡街频率和幅度的影响非常小，基本可以忽略不计。
5)Jungowski等人对单叶轮涡轮流量计受脉动流影响的性能特性进行了实验研究。实验结果显示，仪表误差主要受流速脉动幅值影响，并提出了一种测量涡轮流量计上游或下游动态压力来确定传感器误差的方法。
6)刘龙龙等人探讨了漩涡流动、脉动流、黏度等因素对涡轮流量计特性的影响机理，介绍了一些补偿测量精度的方法，并总结了实际工程中涡轮流量计安装的基本原则。唐逸欣对实时天然气组分变化进行了监控，并在组分稳定的时间段出具组分分析报告。通过对6台不同类型的流量计进行在线分析，发现天然气组分变化对检定仪表K系数的影响最大为0.23％。
7)刘骜等人设计了一款远程通信维护系统，其具备气量累计和气表状态实时监控及K值读取等功能，可解决流量计现场维护困难的问题。伍勇等人分析了影响流量计准确计量的因素并建立流量计在线运行工况评估标准，以及其工况流量评估与计量风险预警模型，最后给出了提高准确计量和减小误差的监测管理措施。
8)刘正先等人对涡轮流量计的结构进行了深入的研究。他们提出，采用半椭球体导流结构可以减少压力损失，改变叶片形状及适当增加叶轮叶片数量能够提高流量计的灵敏度。
9)传统的时间序列预测方法是通过确定时间序列的参数模型并求解模型参数来预测未来的值。Box和Jenkin提出对于给定的时间序列，首先通过对原始时间序列进行差分，检验差分后的时间序列的平稳性来确定d的大小，通过偏自相关函数PACF来确定p值，自相关函数ACF来确定q值，然后估计出模型的具体参数值，最后检验拟合模型的适当性，并在必要时适当的改进模型。可以看出传统的时间序列预测方法非常依赖参数模型的选择,能否正确选择参数模型在很大程度上决定了预测结果的准确率。
10)Borovykh等对现有的深度学习模型WaveNet进行修改,从而实现对大范围历史数据和序列之间关系的使用。王鑫等提出了一种基于长短期记忆循环神经网络(LSTM)的故障时间序列预测方法，并基于最小预测误差作为目标，提出了一种多层网格搜索算法用于优选LSTM预测模型的参数。在与多种典型时间序列预测模型进行对比实验后，该LSTM预测模型和参数优选算法在故障时间序列分析中表现出了较强的适用性和较高的准确性。
11)G Lai等提出了LSTNet框架来解决多元时间序列数据的预测问题。LSTNet使用CNN和RNN的结合来分析时序数据。CNN用来提取数据之间的短期依赖关系，而RNN则用来发现数据的长期模式和趋势，这样充分利用CNN和RNN的优势。
12)基于传统机器学习技术的时间序列预测方法，如自回归(AR)模型和自回归移动平均(ARMA)模型，这些方法通常比较简单，易于实现，但在处理复杂时间序列数据时可能不太适用。而基于深度学习的预测方法，如循环神经网络(RNN)或卷积神经网络(CNN)这些方法能够通过对时间序列中的历史数据进行加权平均来预测未来数据，在处理高维和非线性时间序列数据方面表现出色，并且在许多应用中已经取得了出色的结果。在实际应用中，选择哪种时间序列预测方法取决于许多因素，包括所需的预测精度、可用的数据量和计算资源、以及对模型的可解释性的要求。总的来说，时间序列预测是一个活跃的研究领域，有许多不同的方法可供选择，并且不断有新的方法出现。为了选择最合适的时间序列预测方法，通常需要对不同的方法进行比较评估，并根据实际情况来决定使用哪种方法。
13)随着机器学习应用的扩大和普及，其应用场景也越来越复杂。因此，机器学习算法的决策过程有时候需要人类专家进行验证和解释。由于机器学习的本质上仍属于“黑盒子”模型，它可以根据输入预测出输出，却无法解释预测的原因。基于此，衍生出机器学习方法可解释性的需求。
可解释性机器学习方法(Interpretable Machine Learning)能够提供对机器学习算法的透明度，使人们更容易理解算法背后的逻辑，从而更好地理解其决策结果。其次，IML也有助于提高模型的可信度和公正性。在某些情况下，机器学习模型可能出现错误或者不公平的情况，这是因为模型对输入数据的处理和决策规则不是透明的。而IML能够提高模型的透明度，使其更容易检测和纠正错误或者不公平的行为。
但是目前，基于深度学习对天然气流量计的性能评估的方式中，由于天然气流量计性能关联的特征的数量多，导致用于训练的数据量大，会极大延长模型训练的时间。
发明内容
本发明所要解决的技术问题是针对现有技术的不足，具体提供了一种基于深度学习的天然气流量计性能评估方法和系统，具体如下：
1)第一方面，本发明提供一种基于深度学习的天然气流量计性能评估方法，具体技术方案如下：
获取天然气流量计性能关联的每个特征对天然气流量计的性能评估结果的影响值，将大于预设影响值阈值的影响值所对应的特征确定为目标特征；
根据确定出的多个目标特征，构建第一性能评估数据集；
根据第一性能评估数据集对第一预设学习模型进行训练，得到第一天然气流量计性能评估模型；
根据第一天然气流量计性能预测模型，预测待性能评价天然气流量计的性能评估结果。
本发明提供的一种基于深度学习的天然气流量计性能评估方法的有益效果如下：
选用对天然气流量计的性能评估结果影响大的特征作为目标特征，并根据多个目标特征构建第一性能评估数据集，并进行模型训练，训练出的第一天然气流量计性能评估模型能够保证性能评估结果的精准度，且能极大减少模型训练的耗时。
2)第二方面，本发明还提供一种基于深度学习的天然气流量计性能评估系统，具体技术方案如下：
包括目标特征确定模块、第一数据集构建模块、第一训练模块和性能评估模块；
目标特征确定模块用于：获取天然气流量计性能关联的每个特征对天然气流量计的性能评估结果的影响值，将大于预设影响值阈值的影响值所对应的特征确定为目标特征；
第一数据集构建模块用于：根据确定出的多个目标特征，构建第一性能评估数据集；
第一训练模块用于：根据第一性能评估数据集对第一预设学习模型进行训练，得到第一天然气流量计性能评估模型；
性能评估模块用于：根据第一天然气流量计性能预测模型，预测待性能评价天然气流量计的性能评估结果。
3)第三方面，本发明还提供一种计算机设备，计算机设备包括处理器，处理器与存储器耦合，存储器中存储有至少一条计算机程序，至少一条计算机程序由处理器加载并执行，以使计算机设备实现上述任一项基于深度学习的天然气流量计性能评估方法。
4)第四方面，本发明还提供一种计算机可读存储介质，计算机可读存储介质中存储有至少一条计算机程序，至少一条计算机程序由处理器加载并执行，以使计算机实现上述任一项基于深度学习的天然气流量计性能评估方法。
需要说明的是，本发明的第二方面至第四方面的技术方案及对应的可能的实现方式所取得的有益效果，可以参见上述对第一方面及其对应的可能的实现方式的技术效果，此处不再赘述。
附图说明
通过阅读参照以下附图所作的对非限制性实施例的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明实施例的一种基于深度学习的天然气流量计性能评估方法的流程示意图；
图2为因果卷积结构的示意图；
图3为扩展因果卷积结构的示意图；
图4为DCC扩展因果卷积网络的结构示意图；
图5为Informer模型的输入模块的结构示意图；
图6为Informer的模型的结构示意图；
图7为天然气流量计性能关联的多个特征的影响值的示意图；
图8为MSE、MAE、RMSE等指标计算结果；
图9为用于显示多个计算结果的直方图；
图10为多个计算结果；
图11为本发明实施例的一种基于深度学习的天然气流量计性能评估系统的结构示意图；
图12为本发明实施例的一种计算机设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
如图1所示，本发明实施例的一种基于深度学习的天然气流量计性能评估方法，包括如下步骤：
S1、获取天然气流量计性能关联的每个特征对天然气流量计的性能评估结果的影响值，将大于预设影响值阈值的影响值所对应的特征确定为目标特征；
S2、根据确定出的多个目标特征，构建第一性能评估数据集；
S3、根据第一性能评估数据集对第一预设学习模型进行训练，得到第一天然气流量计性能评估模型；
S4、根据第一天然气流量计性能预测模型，预测待性能评价天然气流量计的性能评估结果。
本发明实施例的一种基于深度学习的天然气流量计性能评估方法，选用对天然气流量计的性能评估结果影响大的特征作为目标特征，并根据多个目标特征构建第一性能评估数据集，并进行模型训练，训练出的第一天然气流量计性能评估模型能够保证性能评估结果的精准度，且能极大减少模型训练的耗时。
可选地，在上述技术方案中，第一预设学习模型为DCC扩展因果卷积网络，其中，根据扩展因果卷积网络和Informer模型，构建得到DCC扩展因果卷积网络，具体地：
1)对因果卷积结构进行扩展，得到扩展因果卷积结构，具体地：
①因果卷积结构的解释为：
因果卷积(Causal Convolution)作为一种卷积运算，它的再次兴起是由于其在Wave Net中处理声音信号生成问题时具有很好效果。传统的卷积神经网络(ConvolutionalNeural Network，CNN)中，卷积核在进行卷积操作时可以访问未来的信息，这样可能导致模型在预测时过度依赖未来的信息进行预测。而引入因果卷积可以有效避免这种问题，因为因果卷积是单向结构，卷积核只能在当前时刻及之前的时间步中产生影响，而不能包括未来的时间步。因果卷积的结构如图2所示。
因果卷积结构在训练时，由于序列所有时间步长的标注数据都是已知的，所以可以并行地预测所有时间步长。当使用该模型生成时，每一步的预测值都将反馈回输入，然后进行下一步的预测。由于因果卷积的模型没有递归连接，因此它们通常比循环神经网络(Recurrent Neural Network，RNN)训练得更快，尤其是应用在非常长的时间序列上。
②得到扩展因果卷积结构的过程如下：
在因果卷积结构上引入扩展因子d，形成扩展因果卷积结构，来解决因果卷积需要加深网络层深度以依赖更多历史信息的问题，如图3所示，具体地：
隐藏层和输出层的输出由之前一层输入的隐藏层决定，但是扩展因果卷积不同于传统卷积，它允许输入进行间隔采样，而采样的间隔距离由扩展因子d决定。如果d＝1，表示对每个输入值进行卷积；d＝2，表示感受野扩大2倍，每两个输入值采样一个进行卷积。随着网络层数的增加，扩展因子的大小通常会不断增加，这使得扩展卷积的有效窗口大小也呈指数级扩大趋势。通过这种方式，卷积网络可以在较少的层数下获得更大的感受野，从而考虑更多的历史信息。
2)Informer模型中使用多个自注意力块进行叠加更有利于更深层次特征的获取，但将自注意力块与一维卷积层堆叠在一起并不能带来足够的好处。由于普通一维卷积的有效感受野受卷积核大小的限制，可能会导致重复和无意义的计算开销。并且随着网络深度的增长，普通一维卷积只能回顾线性大小的历史信息，这会影响模型对时间序列中长期依赖关系的建模能力。
其次，Informer模型对解码器的输入采用了掩码技术，即通过对待预测数据进行置0，实现了多步输出同时防止了未来时间序列的信息泄露。但由于多头掩码概率稀疏自注意力机制需要计算大量位置之间的相似度分数，计算成本较高，并且容易受到噪声的干扰以及可能导致信息的冗余和过拟合问题。
3)根据扩展因果卷积结构和Informer模型，构建得到DCC扩展因果卷积网络：
1)如图4所示，DCC扩展因果卷积网络包括：编码器、解码器、全连接层和输出层；其中，扩展因果卷积可以对时序数据中的全局特征和局部特征进行分解处理，以输入96个序列数据为例，对DCC扩展因果卷积网络的模型训练过程进行说明：
①原始输入序列数据(96个序列)被分成多个子序列并输入至DCC-Informer模型中。
②经过扩展因果卷积、多头稀疏自注意力模块以及池化蒸馏处理后得到编码器对时序数据进行周期特征提取后的特征图，即经过编码层提取到的数据特征信息。
③在步骤②中，采用主编码器与副编码器的结构，主编码器对完整序列进行特征提取(26个序列)，副编码器对后半序列进行特征提取(25个序列)，并将副编码器中的第一个注意力及卷积操作删除，将两个编码器的特征表示输出进行拼接(51个序列)。
④解码器的输入序列取原始输入序列中的后半部分，划定未来时刻序列位置并进行掩码置0(72个序列)，经扩展因果卷积后得到对解码器输入序列进行周期特征提取后的特征表示(72个序列)，此特征表示掩盖了未来时刻的标签信息。
⑤以编码器的输出特征(51个序列)作为Key和Value，以解码器经第一层扩展因果卷积后得到的特征表示(72个序列)作为Query，进行全注意力机制的计算。
⑥将注意力模块的输出特征表示传递给全连接层，将其映射到目标维度，最终得到模型的训练(预测)输出，训练时将进行损失函数的计算。
在DCC-Informer模型中，运用到编码器中的扩展因果卷积可以捕捉全局依赖关系，改善模型在长序列上的性能。另外，扩展因果卷积还具有因果性，在解码器中应用可以将卷积核的形状限制为仅依赖于当前时间步之前的信息，确保卷积运算时只考虑到时间维度上的过去信息，而不会受到未来信息的影响，它可以提供与多头掩码稀疏自注意力机制类似的效果，但具有更低的计算复杂度，可以在减少计算负担的同时提高模型的训练和推断速度。
对Informer模型进行如下说明：
Transformer是谷歌在2017年提出的一种由自注意力构成的神经网络模型，相比起传统的循环神经网络和长短期记忆网络，它表现出了更强的捕获长程依赖关系的能力，但完全自注意力机制的时间和空间复杂度为O(L2)，限制了其在长序列学习中的应用。而Informer是一个基于Transformer的长序列时间序列预测模型，其主要特点是采用生成式的编码器-解码器结构和概率稀疏自注意力机制，能够对长时间序列数据进行有效建模和预测，并且具有较好的可解释性。本节将从模型输入和编码器-解码器两个方面来对Informer模型进行介绍：
1)模型输入
Informer模型的输入模块主要是由标量投影、局部时间戳和全局时间戳三部分叠加并统一至输入张量中，其结构如图5所示。
首先，对于时间序列xi中t时刻的标量值使用一维卷积滤波器(宽度为3，步长为1)映射到固定维度dmodel来保证模型的泛化性。
其次，时间序列xi中t时刻的局部时间戳为该时刻在序列里的固定位置编码来保存上下文信息：
其中，pos表示t时刻在序列中的固定位置；Lx为序列长度。
接着，全局时间戳则是星期、月份及假期三种类型时间戳之和SE(pos)p,p＝1,...,5。
最后，经过上述三步后，每个数据信息都被分配了一个可被模型学习的时间戳。最终得到输入序列xi在t时刻的输入向量为：
其中α∈[0,1]为平衡标量映射和局部/全局嵌入之间大小的因子，若序列输入已标准化，则α＝1。
2)编码器-解码器
编码器-解码器模型(Encoder-Decoder)是深度学习一种常用的模型框架。解码器用于将输入数据变换并转化为固定长度的特征向量，解码器用于将编码器生成的特征向量转化为输出序列。Informer的编码器每层一般包含两个子层。第一个子层是多头概率稀疏自注意力层，第二个子层则是一个全连接层，并且这两个层之间传递都带有残差和正则化。而Informer的生成式解码器每层采用三层结构，除了编码器的两层结构，还会在输入端再堆叠一个多头掩码自注意力层，保证了当前时刻的预测值仅受到之前时刻的值的影响，Informer的模型结构如图6所示。
并且Informer针对编码器和解码器多层堆叠导致内存占用率过高从而限制长序列接收的问题，还提出了自注意力蒸馏机制，将内存占用量从原来的O(N·L2)降低至O((2-ε)L log L)，提升了模型层数堆叠的可扩展性。
所谓自注意力蒸馏就是在每一次进行多头自注意力计算和拼接后，并不会直接传递至下一层中，而是需要依次经过卷积层、激活层、池化层三个部分。其中通过卷积层与池化层的结合，将上一层的输入序列长度从L减小至L/2。在这个序列长度不断减小的过程中，蒸馏操作将具有主要特征的权重设置得更高，从而能够在下一层生成更加聚焦的自注意力特征图。
自注意力蒸馏操作的数学表示如下：
在时间维度上执行一维卷积(卷积核宽度为3)并且后面跟随ELU激活函数，然后经过最大池化下采样(池化窗口宽度为2)，将输入的长度变为原来的一半。
而解码器主要由一个多头掩码稀疏自注意力层、一个多头稀疏自注意力层和一个全连接层组成。多头掩码稀疏自注意力层进行的掩码操作，避免了左向信息流，防止自回归。并且整个解码器采用生成式的推理过程来提高推理的速度，舍弃了动态解码，采用一次前向过程即可解码得到整个输出序列。解码器的输入可以表示为：
其中，Concat组合的前者为start token，后者为给预测序列预留的占位符。在Informer里的start token是一个序列，从编码器的输入中截取得到，定义为：
举例来说，要预测7天的序列，那么可以截取输入序列中的最后5天作为starttoken。解码器在t时刻的输入序列长度为xtoken和x0的长度之和，记为Lde＝Ltoken+Ly。
Informer模型中使用多个自注意力块进行叠加更有利于更深层次特征的获取，但将自注意力块与一维卷积层堆叠在一起并不能带来足够的好处。由于普通一维卷积的有效感受野受卷积核大小的限制，可能会导致重复和无意义的计算开销，也带来更高的时间复杂度和空间复杂度。并且随着网络深度的增长，普通一维卷积只能回顾线性大小的历史信息，这会影响模型对时间序列中长期依赖关系的建模能力。其次，Informer模型对解码器的输入采用了掩码技术，即通过对待预测数据进行置0，实现了多步输出同时防止了未来时间序列的信息泄露。但由于多头稀疏自注意力机制需要计算所有位置之间的相似度分数，计算成本较高，并且容易受到噪声的干扰以及可能导致信息的冗余和过拟合问题。基于此，提出了一种基于DCC-Informer的流量计性能参数预测模型。该模型主要基于扩展因果卷积网络架构和Informer模型，其中扩展因果卷积可以对时序数据中的全局特征和局部特征进行分解处理。
可选地，S1中，获取天然气流量计性能关联的每个特征对天然气流量计的性能评估结果的影响值，包括：
S10、根据天然气流量计性能关联的多个特征，构建第二性能评估数据集；
其中，天然气流量计性能关联的多个特征包括：工况瞬时流量、叶轮转速、标况瞬时流量、温度、流动类型、管径压力、采样频率、标况累计流量、工况累计流量、管径振幅、流体粘度和流体密度。
S11、根据第二性能评估数据集对第二预设学习模型进行训练，得到第二天然气流量计性能评估模型；
S12、基于SHAP，对第二天然气流量计性能评估模型进行可解释性分析，得到每个特征对天然气流量计的性能评估结果的影响值。
其中，SHAP(Shapley Additive exPlanations)是一种用于解释模型预测的算法，它基于Shapley值理论，其本质思想取自博弈论中的个体边缘收益，通过将特征对模型预测的贡献进行分解，为每个特征提供单独的贡献度量。这使得人们能够更好地理解模型对预测的贡献，并能够更好地诊断和优化模型。SHAP算法的主要优点是它是一种通用的方法，适用于各种不同类型的模型，包括树模型、线性模型和深度学习模型等。此外，它还提供了多种解释方式，包括全局解释和局部解释。全局解释是通过SHAP值的总体分布得到的，这样能够理解整个数据集中各个特征对预测的贡献大小。局部解释是通过对单个样本的SHAP值进行分析来得到的，这样可以了解每个特征对单个预测的贡献大小。
被检表工况瞬时流量、叶轮转速、标准表标况瞬时流量等4个特征的重要性度量值均大于0.1，而流体流动类型、被检表压力等特征的重要性度量值虽然没有超过0.1，但也有着相对较高的重要性，因此将这些特征变量作为输入进行后续的流量预测模型及性能评估模型的建模。而被检表标况累积流量、标准表工况累积流量、振幅、流体粘度及流体密度这5个特征的重要性度量值小于0.02，只有非常微弱的重要性，因此将其进行剔除，如图7所示。
其中，第二预设学习模型可为CART决策树、随机森林、Bagging、AdaBoost、SVM和XGBoost，具体地：
以天然气流量计运行监测数据集为输入，以流量计状态评估为输出，建立了CART决策树、随机森林、Bagging、AdaBoost、SVM和XGBoost六种机器学习算法，使用Optuna调参工具，分别寻找到每个模型的最佳超参数，见表1。然后，将输入数据进行训练与测试比例划分，建模与测试了CART决策树、随机森林、Bagging、AdaBoost、SVM和XGBoost六种集成机器学习模型。见表2，实验证明，XGBoost算法的准确率要比另外五种模型更高，模型对数据的拟合效果相对更好，并且在训练集比例较低时与其他基准模型相比仍具有更高的准确性。此外，XGBoost在准确率、召回率和F1分数方面都优于其他五个模型。最后对XGBoost模型进行了可解释性分析，通过SHAP工具对关键样本点进行特征贡献的计算，可以得到在样本对应的时刻下，导致流量计性能降低的特征原因，可以指导人员对流量计进行关注和排查，也就是说，第二预设学习模型优选XGBoost。
本发明提出了一种基于扩展因果卷积Informer(DCC-Informer)的流量计性能参数预测模型。该方法可以捕捉长期依赖关系，改善模型在长序列预测上的性能。同时，扩展因果卷积具有的因果性，可以将卷积核的形状限制为仅依赖于当前时间步之前的信息，这样可以提供与多头掩码稀疏自注意力机制类似的效果，但具有更低的计算复杂度，可以在减少计算负担的同时提高模型的训练和推断速度。
其次，由于想要预测尽可能长的时间序列，但数据集本身的时间间隔较短，因此对DCC-Informer模型的预测序列长度这个参数进行适当调整，如表三，其他条件保持不变，共进行了6组仿真实验，使用MAE、MSE、RMSE、MAPE和MSPE等指标来衡量模型在不同预测步长下的预测结果的表现。
最后选取了5个经典的时序预测算法进行对比实验，并对预测结果进行模型评价指标分析如图三。并结合基于Optuna-XGBoost的流量计性能评估模型来进行流量计性能衰减预警，以便在出现异常和故障时能够及时预警并采取必要的措施来修复和保养流量计。
表1：
表2：
对XGBoost的解释如下：
XGBoost是基于决策树的一种梯度提升算法，是在梯度提升决策树(GBDT)基础上改进而来，可以处理大量数据并进行快速预测，其本质上仍属于GBDT算法。传统梯度提升决策树(GBDT)在特征高维、数据量大的情况下，其准确率、效率较低，而XGBoost的改进之处主要体现在：一是对损失函数同时进行一阶和二阶泰勒展开，并在树的叶子节点处加入了正则项，用来控制模型复杂度，防止过拟合；二是对于大数据集的训练优化采取多线程并行计算，提高了预测速度和准确度。而超参数的好坏对于机器学习模型的表现有着重要的影响，通过超参数优化，可以提高数据集在模型上的性能和效果。虽然XGBoost算法提升了性能与效率，但是XGBoost仍然存在超参数较多、超参数值较难确定的问题。因此，本文将Optuna和XGBoost结合，通过Optuna来确定XGBoost的超参数取值，使其在提升训练效率的基础上，同时能提高流量计状态评估的准确率。
为验证本发明的性能评估结果的精度，选用LSTM、ARIMA、WaveNet、Reformer和Informer作为参考模型，进行数据比较，对LSTM、ARIMA、WaveNet、Reformer和Informer的解释如下：
1)LSTM：一种递归神经网络模型，通过长短期记忆单元来有效处理长序列数据，具有记忆功能、能够捕捉序列的长期依赖关系。
2)ARIMA：一种基于时间序列历史数据的自回归、差分和移动平均建模技术。它可以处理时间序列中的趋势、季节性和自相关性。
3)WaveNet：一种用于音频合成的卷积神经网络，也可用于时间序列预测。它利用卷积神经网络的特点，对长时间依赖性进行建模，提高预测精度。
4)Reformer：一种新兴的序列建模技术，最初是用于自然语言处理任务。它使用自注意力机制和多头注意力机制来处理长序列，是一种具有高效性和灵活性的模型。
5)Informer：一种用于时间序列预测的深度学习模型，结合了自注意力机制、卷积神经网络和长短期记忆网络等多种网络结构，适用于不同时间序列的预测任务。
本申请使用训练好的参数权重，将对比模型以及本文提出模型进行训练，将数据集按照0.7:0.15:0.15的比例分为训练集、验证集及测试集，用测试集测试模型的拟合能力。分别建立参考模型LSTM、ARIMA、WaveNet、Transformer、Informer及本文采用的DCC-Informer，使用同一测试集进行对比。
为了衡量DCC-Informer模型与其他对比模型的预测精度取多次实验的平均值来计算各模型与真实值的误差与拟合程度。其中，MSE、MAE、RMSE等指标计算结果如表3所示，同时以直方图形式可视化，具体如图8所示。
表3：
pred_length MAE MSE RMSE MAPE MSPE
12 0.2327 0.1056 0.3249 0.1968 0.0603
24 0.5257 0.4874 0.6981 0.4073 0.1742
48 0.6745 0.6556 0.8069 0.4881 0.2617
96 0.7839 0.7237 0.8507 0.5819 0.3579
192 0.8113 0.8035 0.8963 0.6013 0.3958
672 0.8273 0.8834 0.9389 0.5957 0.3721
从图9和图10中可以看出，DCC-Informer预测模型的预测性能总体优于其他五种基准模型。6种模型的均方误差分别为0.6904、0.8425、0.7281、0.6515、0.5693，其中，DCC-Informer平均绝对误差为0.4792，相较于LSTM、ARIMA、WaveNet、Reformer和Informer的0.6839、0.7914、0.6142、0.6581和0.5394，误差分别减小了0.1709、0.2782、0.101、0.1449及0.0262。可以看出，DCC-Informer模型预测效果有较大提升，表明本文模型在提取流量及相关特征信息间的潜在关系上的优势，可以有效提高预测精度。
在另外一个实施例中，DCC-Informer模型训练及预测的具体流程步骤为(以输入96个序列数据为例)：
(1)输入原始序列数据(96个序列)被分成多个子序列并输入至DCC-Informer模型中。
(2)经过扩展因果卷积、多头稀疏自注意力模块以及池化蒸馏处理后得到编码器对时序数据进行周期特征提取后的特征图，即经过编码层提取到的数据特征信息。
(3)在步骤(2)中，采用主Encoder与副Encoder的结构，主Encoder对完整序列进行特征提取(26个序列)，副Encoder对后半序列进行特征提取(25个序列)，并将副Encoder中的第一个Attention及卷积操作删除，将两个Encoder的特征表示输出进行拼接(51个序列)。
(4)解码器的输入序列取原始输入序列中的后半部分，划定未来时刻序列位置并进行掩码置0(72个序列)，经扩展因果卷积后得到对解码器输入序列进行周期特征提取后的特征表示(72个序列)，此特征表示掩盖了未来时刻的标签信息。
(5)以编码器的输出特征(51个序列)作为Key和Value，以解码器经第一层扩展因果卷积后得到的特征表示(72个序列)作为Query，进行全注意力机制的计算。
(6)将注意力模块的输出特征表示传递给全连接层，将其映射到目标维度，最终得到模型的训练(预测)输出，训练时将进行损失函数的计算。
DCC-Informer模型中的运用到编码器中的扩展因果卷积可以捕捉全局依赖关系，改善模型在长序列上的性能。另外，扩展因果卷积还具有因果性，可以确保在解码器中应用，可以将卷积核的形状限制为仅依赖于当前时间步之前的信息，确保卷积运算时只考虑到时间维度上的过去信息，而不会受到未来信息的影响，它可以提供与多头掩码稀疏自注意力机制类似的效果，但具有更低的计算复杂度，可以在减少计算负担的同时提高模型的训练和推断速度。
在上述各实施例中，虽然对步骤进行了编号S1、S2等，但只是本发明给出的具体实施例，本领域的技术人员可根据实际情况调整S1、S2等的执行顺序，此也在本发明的保护范围内，可以理解，在一些实施例中，可以包含如上述各实施方式中的部分或全部。
如图11所示，本发明实施例的一种基于深度学习的天然气流量计性能评估系统200，包括目标特征确定模块201、第一数据集构建模块202、第一训练模块203和性能评估模块204；
目标特征确定模块201用于：获取天然气流量计性能关联的每个特征对天然气流量计的性能评估结果的影响值，将大于预设影响值阈值的影响值所对应的特征确定为目标特征；
第一数据集构建模块202用于：根据确定出的多个目标特征，构建第一性能评估数据集；
第一训练模块203用于：根据第一性能评估数据集对第一预设学习模型进行训练，得到第一天然气流量计性能评估模型；
性能评估模块204用于：根据第一天然气流量计性能预测模型，预测待性能评价天然气流量计的性能评估结果。
可选地，在上述技术方案中，第一预设学习模型为DCC扩展因果卷积网络，其中，根据扩展因果卷积网络和Informer模型，构建得到DCC扩展因果卷积网络。
可选地，在上述技术方案中，目标特征确定模块201包括第二数据集构建模块、第二训练模块和分析确定模块；
第二数据集构建模块用于：根据天然气流量计性能关联的多个特征，构建第二性能评估数据集；
第二训练模块用于：根据第二性能评估数据集对第二预设学习模型进行训练，得到第二天然气流量计性能评估模型；
分析确定模块用于：基于SHAP，对第二天然气流量计性能评估模型进行可解释性分析，得到每个特征对天然气流量计的性能评估结果的影响值。
可选地，在上述技术方案中，天然气流量计性能关联的多个特征包括：工况瞬时流量、叶轮转速、标况瞬时流量、温度、流动类型、压力、频率、标况累计流量、工况累计流量、振幅、流体粘度和流体密度。
需要说明的是，上述实施例提供的一种基于深度学习的天然气流量计性能评估系统200的有益效果与上述一种基于深度学习的天然气流量计性能评估方法的有益效果相同，在此不再赘述。此外，上述实施例提供的系统在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将系统根据实际情况划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的系统与方法实施例属于同一构思，其具体实现过程详见方法实施例，在此不再赘述。
如图12所示，本发明实施例的一种计算机设备300，计算机设备300包括处理器320，处理器320与存储器310耦合，存储器310中存储有至少一条计算机程序330，至少一条计算机程序330由处理器320加载并执行，以使计算机设备300实现上述任一项基于深度学习的天然气流量计性能评估方法，具体地：
计算机设备300可因配置或性能不同而产生比较大的差异，可以包括一个或多个处理器320(Central Processing Units，CPU)和一个或多个存储器310，其中，该一个或多个存储器310中存储有至少一条计算机程序330，该至少一条计算机程序330由该一个或多个处理器320加载并执行，以使该计算机设备300实现上述实施例提供的任一项基于深度学习的天然气流量计性能评估方法。当然，该计算机设备300还可以具有有线或无线网络接口、键盘以及输入输出接口等部件，以便进行输入输出，该计算机设备300还可以包括其他用于实现设备功能的部件，在此不做赘述。
本发明实施例的一种计算机可读存储介质，计算机可读存储介质中存储有至少一条计算机程序，至少一条计算机程序由处理器加载并执行，以使计算机实现上述任一项基于深度学习的天然气流量计性能评估方法。
可选地，计算机可读存储介质可以是只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、只读光盘(Compact Disc Read-Only Memory，CD-ROM)、磁带、软盘和光数据存储设备等。
在示例性实施例中，还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述任一项基于深度学习的天然气流量计性能评估方法。
需要说明的是，本申请的说明书和权利要求书中的术语“第一”、“第二”、等是用于区别类似的对象，而代表对特定的顺序或先后次序进行限定。在适当情况下对于类似的对象的使用顺序可以互换，以便这里描述的本申请的实施例能够以除了图示或描述的顺序以外的顺序实施。
所属技术领域的技术人员知道，本发明可以实现为系统、方法或计算机程序产品，因此，本发明可以具体实现为以下形式，即：可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等)，还可以是硬件和软件结合的形式，本文一般称为“电路”、“模块”或“系统”。此外，在一些实施例中，本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质中包含计算机可读的程序代码。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是一一但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)，只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种基于深度学习的天然气流量计性能评估方法，其特征在于，包括：
获取天然气流量计性能关联的每个特征对天然气流量计的性能评估结果的影响值，将大于预设影响值阈值的影响值所对应的特征确定为目标特征；
根据确定出的多个目标特征，构建第一性能评估数据集；
根据所述第一性能评估数据集对第一预设学习模型进行训练，得到第一天然气流量计性能评估模型；
根据所述第一天然气流量计性能预测模型，预测待性能评价天然气流量计的性能评估结果。
2.根据权利要求1所述的一种基于深度学习的天然气流量计性能评估方法，其特征在于，所述第一预设学习模型为DCC扩展因果卷积网络，其中，根据扩展因果卷积网络和Informer模型，构建得到所述DCC扩展因果卷积网络。
3.根据权利要求1或2所述的一种基于深度学习的天然气流量计性能评估方法，其特征在于，获取天然气流量计性能关联的每个特征对天然气流量计的性能评估结果的影响值，包括：
根据天然气流量计性能关联的多个特征，构建第二性能评估数据集；
根据所述第二性能评估数据集对第二预设学习模型进行训练，得到第二天然气流量计性能评估模型；
基于SHAP，对所述第二天然气流量计性能评估模型进行可解释性分析，得到每个特征对天然气流量计的性能评估结果的影响值。
4.根据权利要求1或2所述的一种基于深度学习的天然气流量计性能评估方法，其特征在于，天然气流量计性能关联的多个特征包括：工况瞬时流量、叶轮转速、标况瞬时流量、温度、流动类型、压力、频率、标况累计流量、工况累计流量、振幅、流体粘度和流体密度。
5.一种基于深度学习的天然气流量计性能评估系统，其特征在于，包括目标特征确定模块、第一数据集构建模块、第一训练模块和性能评估模块；
所述目标特征确定模块用于：获取天然气流量计性能关联的每个特征对天然气流量计的性能评估结果的影响值，将大于预设影响值阈值的影响值所对应的特征确定为目标特征；
所述第一数据集构建模块用于：根据确定出的多个目标特征，构建第一性能评估数据集；
所述第一训练模块用于：根据所述第一性能评估数据集对第一预设学习模型进行训练，得到第一天然气流量计性能评估模型；
所述性能评估模块用于：根据所述第一天然气流量计性能预测模型，预测待性能评价天然气流量计的性能评估结果。
6.根据权利要求5所述的一种基于深度学习的天然气流量计性能评估系统，其特征在于，所述第一预设学习模型为DCC扩展因果卷积网络，其中，根据扩展因果卷积网络和Informer模型，构建得到所述DCC扩展因果卷积网络。
7.根据权利要求5或6所述的一种基于深度学习的天然气流量计性能评估系统，其特征在于，所述目标特征确定模块包括第二数据集构建模块、第二训练模块和分析确定模块；
所述第二数据集构建模块用于：根据天然气流量计性能关联的多个特征，构建第二性能评估数据集；
所述第二训练模块用于：根据所述第二性能评估数据集对第二预设学习模型进行训练，得到第二天然气流量计性能评估模型；
所述分析确定模块用于：基于SHAP，对所述第二天然气流量计性能评估模型进行可解释性分析，得到每个特征对天然气流量计的性能评估结果的影响值。
8.根据权利要求5或6所述的一种基于深度学习的天然气流量计性能评估系统，其特征在于，天然气流量计性能关联的多个特征包括：工况瞬时流量、叶轮转速、标况瞬时流量、温度、流动类型、压力、频率、标况累计流量、工况累计流量、振幅、流体粘度和流体密度。
9.一种计算机设备，其特征在于，所述计算机设备包括处理器，所述处理器与存储器耦合，所述存储器中存储有至少一条计算机程序，所述至少一条计算机程序由所述处理器加载并执行，以使所述计算机设备实现如权利要求1至4任一项权利要求所述的一种基于深度学习的天然气流量计性能评估方法。
10.一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中存储有至少一条计算机程序，所述至少一条计算机程序由处理器加载并执行，以使计算机实现如权利要求1至4任一项权利要求所述的一种基于深度学习的天然气流量计性能评估方法。
CN202311395420.XA 2023-10-25 2023-10-25 基于深度学习的天然气流量计性能评估方法和系统 Pending CN117408422A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311395420.XA CN117408422A (zh) 2023-10-25 2023-10-25 基于深度学习的天然气流量计性能评估方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311395420.XA CN117408422A (zh) 2023-10-25 2023-10-25 基于深度学习的天然气流量计性能评估方法和系统

Publications (1)

Publication Number Publication Date
CN117408422A true CN117408422A (zh) 2024-01-16

Family

ID=89499559

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311395420.XA Pending CN117408422A (zh) 2023-10-25 2023-10-25 基于深度学习的天然气流量计性能评估方法和系统

Country Status (1)

Country Link
CN (1) CN117408422A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117995277A (zh) * 2024-02-07 2024-05-07 扬州大学 一种适用于长序列的对数位置编码方法
CN118468226A (zh) * 2024-07-10 2024-08-09 山东黄海智能装备有限公司 一种用于药剂灌装机的灌装口药液泄露风险预测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117995277A (zh) * 2024-02-07 2024-05-07 扬州大学 一种适用于长序列的对数位置编码方法
CN118468226A (zh) * 2024-07-10 2024-08-09 山东黄海智能装备有限公司 一种用于药剂灌装机的灌装口药液泄露风险预测方法

Similar Documents

Publication Publication Date Title
Huang et al. PM2. 5 concentration forecasting at surface monitoring sites using GRU neural network based on empirical mode decomposition
Romano et al. Automated detection of pipe bursts and other events in water distribution systems
CN117408422A (zh) 基于深度学习的天然气流量计性能评估方法和系统
CN113298297B (zh) 一种基于孤立森林与wgan网络的风电输出功率预测方法
CN111898691A (zh) 一种河流突发水污染预警溯源方法、系统、终端及介质
CN112668775A (zh) 一种基于时序卷积网络算法的空气质量预测方法
CN112288021A (zh) 一种医疗废水监测数据质控方法、装置及系统
Mathew et al. Regression kernel for prognostics with support vector machines
CN113988210A (zh) 结构监测传感网失真数据修复方法、装置及存储介质
CN112926656A (zh) 一种核电厂循环水泵状态预测方法、系统及设备
Liu et al. A novel integration framework for degradation-state prediction via transformer model with autonomous optimizing mechanism
Zhang et al. System-level anomaly detection for nuclear power plants using variational graph auto-encoders
CN118100446A (zh) 一种用于电力系统的节点运行状态智能检测方法
CN117633690A (zh) 一种基于数据驱动的旋转机械健康状态监测方法及设备
Zhang et al. An unsupervised spatiotemporal fusion network augmented with random mask and time-relative information modulation for anomaly detection of machines with multiple measuring points
CN111192163B (zh) 基于风电机组运行数据的发电机可靠度中短期预测方法
Ohunakin et al. Conditional monitoring and fault detection of wind turbines based on Kolmogorov–Smirnov non-parametric test
Song et al. Improved CEEMDAN-based aero-engine gas-path parameter forecasting using SCINet
CN115081741A (zh) 一种基于神经网络的天然气计量检定智能预测的方法
Cheng et al. Anomaly detection and analysis based on deep autoencoder for the storage tank liquid level of oil depot
Najar et al. Comparative Machine Learning Study for Estimating Peak Cladding Temperature in AP1000 Under LOFW
Zhao et al. An interpretable ultra-short-term wind power prediction model based on the feature matrix reconstruction through regression trees
Zhao et al. Burst detection in district metering areas using flow subsequences clustering–reconstruction analysis
Zhang et al. Health status characterization and RUL prediction method of escalator bearing based on VMD-GRU
CN118585917B (zh) 一种基于时频域特性分析的电磁阀故障在线诊断方法

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