CN117574327A - 一种压裂泵故障检测方法、系统及存储介质 - Google Patents
一种压裂泵故障检测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN117574327A CN117574327A CN202311720413.2A CN202311720413A CN117574327A CN 117574327 A CN117574327 A CN 117574327A CN 202311720413 A CN202311720413 A CN 202311720413A CN 117574327 A CN117574327 A CN 117574327A
- Authority
- CN
- China
- Prior art keywords
- fracturing pump
- data
- fault
- fracturing
- fault detection
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 45
- 238000003745 diagnosis Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 12
- 239000000523 sample Substances 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000013135 deep learning Methods 0.000 claims abstract description 6
- 238000004519 manufacturing process Methods 0.000 claims abstract description 5
- 230000009467 reduction Effects 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 30
- 230000004927 fusion Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 239000000306 component Substances 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000003129 oil well Substances 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000000513 principal component 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
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- 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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- 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
- 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
- G06N3/09—Supervised learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及故障诊断技术领域，具体公开了一种压裂泵故障检测方法、系统及存储介质，包括以下步骤：S10：确定探头的数量以及探头所对应的采集位置，并采集压裂泵故障数据和历史压裂泵状态检测数据；S20：将数据进行预处理与降维得到训练数据集；S30：基于深度学习神经网络构建压裂泵故障检测模型；S40：以训练数据集对所述压裂泵故障诊断模型进行训练；S50：将待预测数据输入压裂泵故障诊断模型中，得到产能预测结果；S60：根据得到的产能预测结果进行压裂泵的停产、检修和更换工作。本发明可以使CNN‑BiLSTM网络集中学习与当前压裂泵状态相关性更高的数据特征，增强网络在特征提取上的准确性。
Description
技术领域
本发明涉及故障诊断技术领域，具体涉及一种压裂泵故障检测方法、系统及存储介质。
背景技术
随着非常规油气的开发以及对老油井的增产逐渐成为油气开发的新热点，对通过压裂的方式使得地层产生缝隙，提高底层渗透率的压裂技术的要求也越来越高。压裂设备作为压裂技术的硬件支撑，其中的液力端阀箱作为压裂泵核心部件，内腔结构复杂，持续承受脉动循环高压载荷。因此压裂过程中易发生疲劳失效和断裂破坏，不得不临时停产、检修和更换部件，甚至带来很多无法估量的经济损失，严重制约了油气开采的效果和经济效益。
基于数据挖掘开展的故障诊断研究大致分为传统机器学习与深度学习两类。其中，传统机器学习难以对复杂的非线性关系建模，而深度学习尝试让计算机自动学习好的特征表达方式，设计多个非线性映射的网络层级，挖掘数据更深层次的潜在规律。但是相比于常规的数据特性，压裂泵故障信号数据量大，故障特征不明显，并且与干扰噪声混叠，现有技术难以发掘数据的深层性质，分析故障程度。
发明内容
本发明的目的在于提供一种压裂泵故障检测方法、系统及存储介质，解决上述技术问题。
本发明的目的可以通过以下技术方案实现：
一种压裂泵故障检测方法，包括以下步骤：
S10：确定探头的数量以及探头所对应的采集位置，并采集压裂泵故障数据和历史压裂泵状态检测数据，所述历史压裂泵状态检测数据包括声发射信号的幅值、振铃计数、撞击数、质心频率、峰值频率、上升时间、持续时间、RMS和通道号和能量；
S20：将所述压裂泵故障数据和历史压裂泵状态检测数据进行预处理与降维得到训练数据集；
S30：基于深度学习神经网络构建压裂泵故障检测模型，所述压裂泵故障检测模型包括输入模块、CNN-BiLSTM-ATTENSION模块、特征融合模块和回归预测模块；
S40：以训练数据集对所述压裂泵故障诊断模型进行训练；
S50：将待预测数据输入压裂泵故障诊断模型中，得到产能预测结果；
S60：根据得到的产能预测结果进行压裂泵的停产、检修和更换工作。
作为本发明进一步的方案：所述输入模块用于将各个通道采集的数据分组作为深度神经网络的输入。
作为本发明进一步的方案：所述CNN-BiLSTM-ATTENSION模块基于一维卷积层和池化层组成的CNN架构提取输入数据的高维特征。
作为本发明进一步的方案：所述特征融合模块建模学习特征内部动态变化规律。
作为本发明进一步的方案：所述回归预测模块采用映射加权和学习参数矩阵赋予融合特征隐藏状态不同的权重，减少历史信息的丢失并加强重要信息的影响，最后通过softmax层完成压裂泵故障诊断预测。
作为本发明进一步的方案：所述压裂泵故障数据及历史压裂泵状态检测数据降维的方法为：
计算各个变量因素与压裂泵状态之间的加权相关系数，舍弃低于阈值的变量因素。
作为本发明进一步的方案：所述压裂泵故障数据及历史压裂泵状态检测数据进行预处理的方法为：
首先采用Z-score方法将数据标准化，再根据3σ原则识别并剔除异常值；
采用线性插值法填补缺失值；
采用最大最小法归一化数据。
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令；所述计算机程序指令被处理器执行时实现如权利要求1～8中任一项所述的一种压裂泵故障诊断方法。
一种压裂泵故障诊断系统，其特征在于，包含如权利要求9所述的计算机可读存储介质。
本发明的有益效果：与现有技术相比较，本发明在提取压裂泵状态检测相关参数数据时序特征的基础上，考虑了多通道采集信号对故障检测的综合影响；构建CNN-BiLSTM-Attention网络提取输入数据的特征内部动态变化规律；引入注意力机制用于压裂泵故障诊断，通过为隐藏状态分配不同的权重，使CNN-BiLSTM网络集中学习与当前压裂泵状态相关性更高的数据特征，增强网络在特征提取上的准确性。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明一种压裂泵故障诊断方法的流程示意图；
图2是本发明中压裂泵故障诊断模型的整体模型图。
具体实施方式
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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1所示，本发明为一种压裂泵故障检测方法，包括以下步骤：
S10：确定探头的数量以及探头所对应的采集位置，并采集压裂泵故障数据和历史压裂泵状态检测数据，所述历史压裂泵状态检测数据包括声发射信号的幅值、振铃计数、撞击数、质心频率、峰值频率、上升时间、持续时间、RMS和通道号和能量；
S20：将所述压裂泵故障数据和历史压裂泵状态检测数据进行预处理与降维得到训练数据集；
S30：基于深度学习神经网络构建压裂泵故障检测模型，所述压裂泵故障检测模型包括输入模块、CNN-BiLSTM-ATTENSION模块、特征融合模块和回归预测模块；
S40：以训练数据集对所述压裂泵故障诊断模型进行训练；
S50：将待预测数据输入压裂泵故障诊断模型中，得到产能预测结果；
S60：根据得到的产能预测结果进行压裂泵的停产、检修和更换工作。
其中，在上述技术方案中，所述输入模块首先将原始数据按通道进行划分，基于同一通道的变量数据构建滑动窗口数据作为深度神经网络的输入。
其中S30的具体步骤包括：
第一步：利用主成分分析法将数据降维，在最大程度地反映原始数据的信息的同时，用较少的变量取代原来较多的变量，从而实现降维，将复杂的多维问题简单化；
主成分分析包含以下步骤：
1）得到原始数据的标准化矩阵；
2）根据下式计算标准化阵的相关系数矩阵；
3）计算特征值矩阵和特征值对应的特征向量；
4）计算贡献率和累计贡献率，计算方法如下所示，根据确定需选取的主成分的个数；
5）通过选取的主成分的特征值和所对应的特征向量，最终可得到降维后的数据；
第二步：基于卷积运算、双向长短期记忆网络、注意力机制构建CNN-BiLSTM-Attention网络，Attention模块通过为隐藏状态分配不同的权重，使CNN-BiLSTM网络集中学习与当前压裂泵状态相关性更高的数据特征，提高网络在特征提取上的准确性；
其中，CNN-LSTM的计算过程如下：
式中，输入为/>个时间步的时序向量，/>为存储单元，/>为输出序列，为卷积核，，/>为偏置项，/>表示卷积运算，/>表示Hadamard乘积；
第三步：建立特征融合层，将各通道提取到的特征的隐藏状态融合，作softmax层输入；
第四步：最后通过softmax层完成压裂泵故障诊断预测。
其中，在上述技术方案中，单通道特征提取模块基于卷积运算、双向长短期记忆网络与注意力机制构建CNN-LSTM-Attention网络提取输入数据特征。
其中，在上述技术方案中，特征融合模块将各个通道提取到的特征隐藏状态融合。
其中，在上述技术方案中，回归预测模块采用softmax层对融合特征进行回归预测，输出预测压裂泵当前的状态。
其中，在上述技术方案中，对可以用来检测的压裂泵故障数据及历史压裂泵状态检测数据降维的方法为：采用PCA用来降维，将多维数据处理成维数比较少的数据，保留重要特征。
其中，在上述技术方案中，对可以用来检测的压裂泵故障数据及历史压裂泵状态检测数据进行预处理的方法为：首先采用Z-score方法将数据标准化，再根据3σ原则识别并剔除异常值；采用线性插值法填补缺失值；采用最大最小法归一化数据；
其中，Z-score的计算公式为：
式中，为样本数据，/>为样本数据的均值，/>为样本数据的标准差，/>为标准化后的数据；依据3σ原则，/>或/>的数据被认为是异常值并剔除，再对数据逆标准化；
其中，线性插值的计算公式为：
式中，、/>、/>为已知值，/>为缺失值；
其中，最大最小法归一化的公式为：
式中，为归一化后的样本数据，/>为待归一化数据，/>和/>为待归一化数据的最大值与最小值。
输入模块首先将原始数据按通道进行划分，基于同一通道的变量数据构建滑动窗口数据作为深度神经网络的输入。
进一步的，在上述技术方案中，输入模块滑动窗口数据构造方法为，首先将原始数据按通道进行划分，基于同一通道的变量数据按照时间步长构建滑动窗口数据依次输入到深度神经网络的各支路上。
本发明第二方面提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序指令；计算机程序指令被处理器执行时实现上述的一种压裂泵故障诊断方法。
本发明第三方面提供一种压裂泵故障诊断系统，包含上述的计算机可读存储介质。
以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。
Claims (9)
1.一种压裂泵故障检测方法，其特征在于，包括以下步骤：
S10：确定探头的数量以及探头所对应的采集位置，并采集压裂泵故障数据和历史压裂泵状态检测数据，所述历史压裂泵状态检测数据包括声发射信号的幅值、振铃计数、撞击数、质心频率、峰值频率、上升时间、持续时间、RMS和通道号和能量；
S20：将所述压裂泵故障数据和历史压裂泵状态检测数据进行预处理与降维得到训练数据集；
S30：基于深度学习神经网络构建压裂泵故障检测模型，所述压裂泵故障检测模型包括输入模块、CNN-BiLSTM-ATTENSION模块、特征融合模块和回归预测模块；
S40：以训练数据集对所述压裂泵故障诊断模型进行训练；
S50：将待预测数据输入压裂泵故障诊断模型中，得到产能预测结果；
S60：根据得到的产能预测结果进行压裂泵的停产、检修和更换工作。
2.根据权利要求1所述的一种压裂泵故障检测方法，其特征在于，所述输入模块用于将各个通道采集的数据分组作为深度神经网络的输入。
3.根据权利要求1所述的一种压裂泵故障检测方法，其特征在于，所述CNN-BiLSTM-ATTENSION模块基于一维卷积层和池化层组成的CNN架构提取输入数据的高维特征。
4.根据权利要求1所述的一种压裂泵故障检测方法，其特征在于，所述特征融合模块建模学习特征内部动态变化规律。
5.根据权利要求1所述的一种压裂泵故障检测方法，其特征在于，所述回归预测模块采用映射加权和学习参数矩阵赋予融合特征隐藏状态不同的权重，减少历史信息的丢失并加强重要信息的影响，最后通过softmax层完成压裂泵故障诊断预测。
6.根据权利要求1所述的一种压裂泵故障检测方法，其特征在于，所述压裂泵故障数据及历史压裂泵状态检测数据降维的方法为：
计算各个变量因素与压裂泵状态之间的加权相关系数，舍弃低于阈值的变量因素。
7.根据权利要求1所述的一种压裂泵故障检测方法，其特征在于，所述压裂泵故障数据及历史压裂泵状态检测数据进行预处理的方法为：
首先采用Z-score方法将数据标准化，再根据3σ原则识别并剔除异常值；
采用线性插值法填补缺失值；
采用最大最小法归一化数据。
8.一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上存储有计算机程序指令；所述计算机程序指令被处理器执行时实现如权利要求1～8中任一项所述的一种压裂泵故障诊断方法。
9.一种压裂泵故障诊断系统，其特征在于，包含如权利要求9所述的计算机可读存储介质。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311720413.2A CN117574327A (zh) | 2023-12-14 | 2023-12-14 | 一种压裂泵故障检测方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311720413.2A CN117574327A (zh) | 2023-12-14 | 2023-12-14 | 一种压裂泵故障检测方法、系统及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117574327A true CN117574327A (zh) | 2024-02-20 |
Family
ID=89893886
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311720413.2A Pending CN117574327A (zh) | 2023-12-14 | 2023-12-14 | 一种压裂泵故障检测方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117574327A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180336466A1 (en) * | 2017-05-17 | 2018-11-22 | Samsung Electronics Co., Ltd. | Sensor transformation attention network (stan) model |
| CN110730953A (zh) * | 2017-10-03 | 2020-01-24 | 谷歌有限责任公司 | 基于创建者提供的内容来定制交互式对话应用 |
| CN113065602A (zh) * | 2021-04-13 | 2021-07-02 | 华中科技大学 | 一种压裂泵凡尔故障的诊断方法和装置 |
| JP7004364B1 (ja) * | 2020-12-31 | 2022-01-21 | ▲広▼州大学 | グラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法及び媒体 |
| CN115659174A (zh) * | 2022-10-13 | 2023-01-31 | 中国科学院空间应用工程与技术中心 | 基于图正则化CNN-BiLSTM的多传感器故障诊断方法、介质及设备 |
| WO2023116294A1 (zh) * | 2021-12-20 | 2023-06-29 | 烟台杰瑞石油服务集团股份有限公司 | 压裂泵检测方法、系统、设备及存储介质 |
| CN116878902A (zh) * | 2023-07-10 | 2023-10-13 | 大连海事大学 | 基于深度学习CNN-BiLSTM的船舶柴油机故障预警方法和系统 |
| US20230351177A1 (en) * | 2022-04-29 | 2023-11-02 | University Of South Carolina | Enhanced discriminate feature learning deep residual cnn for multi-task rotating machinery fault diagnosis with information fusion |
| CN117093938A (zh) * | 2023-08-03 | 2023-11-21 | 上海电机学院 | 一种基于深度学习的风机轴承的故障检测方法和系统 |
-
2023
- 2023-12-14 CN CN202311720413.2A patent/CN117574327A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180336466A1 (en) * | 2017-05-17 | 2018-11-22 | Samsung Electronics Co., Ltd. | Sensor transformation attention network (stan) model |
| CN110730953A (zh) * | 2017-10-03 | 2020-01-24 | 谷歌有限责任公司 | 基于创建者提供的内容来定制交互式对话应用 |
| JP7004364B1 (ja) * | 2020-12-31 | 2022-01-21 | ▲広▼州大学 | グラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法及び媒体 |
| CN113065602A (zh) * | 2021-04-13 | 2021-07-02 | 华中科技大学 | 一种压裂泵凡尔故障的诊断方法和装置 |
| WO2023116294A1 (zh) * | 2021-12-20 | 2023-06-29 | 烟台杰瑞石油服务集团股份有限公司 | 压裂泵检测方法、系统、设备及存储介质 |
| US20230351177A1 (en) * | 2022-04-29 | 2023-11-02 | University Of South Carolina | Enhanced discriminate feature learning deep residual cnn for multi-task rotating machinery fault diagnosis with information fusion |
| CN115659174A (zh) * | 2022-10-13 | 2023-01-31 | 中国科学院空间应用工程与技术中心 | 基于图正则化CNN-BiLSTM的多传感器故障诊断方法、介质及设备 |
| CN116878902A (zh) * | 2023-07-10 | 2023-10-13 | 大连海事大学 | 基于深度学习CNN-BiLSTM的船舶柴油机故障预警方法和系统 |
| CN117093938A (zh) * | 2023-08-03 | 2023-11-21 | 上海电机学院 | 一种基于深度学习的风机轴承的故障检测方法和系统 |
Non-Patent Citations (4)
| Title |
|---|
| GUANGYAO LU, ET. AL: "CNN-BiLSTM-Attention: a multi-label neural classifier for short texts with a small set of labels", 《INFORMATION PROCESSING AND MANAGEMENT》, vol. 60, no. 3, 13 February 2023 (2023-02-13), pages 1 - 13, XP087302387, DOI: 10.1016/j.ipm.2023.103320 * |
| 孟宏宇等: "基于CNN-BiLSTM-Attention的直流微电网故障诊断研究", 《中国电机工程学报》, 13 December 2023 (2023-12-13), pages 1 - 12 * |
| 潘灵永: "基于多特征融合的MLP压裂泵单向阀故障诊断研究", 《机电工程》, vol. 38, no. 10, 20 October 2021 (2021-10-20), pages 1299 - 1304 * |
| 王太勇;王廷虎;王鹏;乔卉卉;徐明达;: "基于注意力机制BiLSTM的设备智能故障诊断方法", 天津大学学报(自然科学与工程技术版), vol. 53, no. 06, 27 April 2020 (2020-04-27), pages 601 - 608 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109000930B (zh) | 一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法 | |
| CN112001306A (zh) | 基于深度卷积对抗生成神经网络的脑电信号解码方法 | |
| CN110212528B (zh) | 一种配电网量测数据缺失重构方法 | |
| CN110807544B (zh) | 一种基于机器学习的油田剩余油饱和度分布的预测方法 | |
| CN111680788A (zh) | 基于深度学习的设备故障诊断方法 | |
| CN110414442B (zh) | 一种压力时序数据分段特征值预测方法 | |
| CN109787821B (zh) | 一种大规模移动客户流量消费智能预测方法 | |
| CN114819315A (zh) | 基于多参数融合健康因子和时间卷积神经网络的轴承退化趋势预测方法 | |
| CN113627068A (zh) | 一种用于预测缝洞型油气藏试井产能的方法及系统 | |
| CN110059126B (zh) | 基于lkj异常值数据的复杂关联网络分析方法及系统 | |
| CN115860197A (zh) | 一种基于数据驱动的煤层气产量预测方法及系统 | |
| WO2022188425A1 (zh) | 一种融入先验知识的深度学习故障诊断方法 | |
| CN117574327A (zh) | 一种压裂泵故障检测方法、系统及存储介质 | |
| CN115356599B (zh) | 一种多模态城市电网故障诊断方法及系统 | |
| CN117171713A (zh) | 一种基于轴承寿命的交叉自适应深度迁移学习方法及系统 | |
| CN114781450B (zh) | 一种基于参数优化momeda-mia-cnn的列车滚动轴承状态识别方法 | |
| CN111402180A (zh) | 一种nsct域的基于fbiem与iscm的图像融合方法 | |
| WO2019144311A1 (zh) | 规则嵌入式人工神经网络系统及其训练方法 | |
| CN113447997B (zh) | 储层裂缝识别方法、识别装置及识别系统 | |
| CN115471012A (zh) | 一种致密油藏水平井产能预测方法、介质及系统 | |
| CN114186593A (zh) | 噪声条件下轴承故障识别方法、装置、设备和存储介质 | |
| CN109236277A (zh) | 一种基于产生式规则的抽油井故障诊断专家系统 | |
| CN117633658B (zh) | 岩石储层岩性识别方法及系统 | |
| CN117909691B (zh) | 一种海洋工程设计数据的获取系统及方法 | |
| CN112529035B (zh) | 识别不同电台个体种类的智能识别方法 |
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 |