-
公开(公告)号：CN116738866A
公开(公告)日：2023-09-12
申请号：CN202311007772.3
申请日：2023-08-11
Applicant: 中国石油大学(华东)
IPC: G06F30/27 , G06F18/213 , G06F18/214 , G06F18/22 , G06F18/27 , G06N3/044 , G06N3/08
Abstract: 本发明公开了一种基于时间序列特征提取的即时学习的软测量建模方法，属于工业过程软测量技术领域，针对建模数据和采集到的查询数据，首先利用递归神经网络优异的特征学习能力，提取时序数据中的高维动态潜变量，得到复杂非线性动态数据的丰富特征表达，然后利用降维算法简化隐层特征维数并消除冗余变量，最后根据所提取的代表性简约特征，由基于局部标签传播的半监督即时学习算法建立软测量模型，计算查询数据对应的输出值。本发明不仅能够利用大量无标签样本辅助建立软测量模型，还可以有效挖掘过程变量之间的动态关系，显著强化即时学习对复杂动态数据的特征表示能力，从而有效处理工业过程的非线性和动态特性，提高软测量模型的预测精度。
-
公开(公告)号：CN114117919B
公开(公告)日：2022-08-23
申请号：CN202111432914.1
申请日：2021-11-29
Applicant: 中国石油大学(华东)
Abstract: 本发明涉及一种基于样本协同表示的即时学习的软测量建模方法，该方法通过协同表示算法获得历史样本的权重矩阵，并通过加权岭回归算法建立加权岭回归模型，将两种算法进行融合，形成统一的优化目标。对于采集的查询数据，首先计算查询数据与训练样本的加权欧式距离，并将加权欧式距离融合到协同表示的正则项中，计算协同表示系数及各历史样本的权重矩阵，然后根据各样本的权重矩阵建立加权岭回归模型计算查询数据对应的输出值。本发明不仅能够很好地处理工业过程的非线性、时变性及多重共线性问题，还将相似样本选择和局部模型的构建融合到一个优化函数中，实现利用局部模型的信息指导相似样本的选择，提高相似样本的可靠性及局部模型的预测精度。
-
公开(公告)号：CN101900589B
公开(公告)日：2012-07-04
申请号：CN201010170995.8
申请日：2010-04-29
Applicant: 中国石油大学(华东)
Abstract: 本发明公开了一种基于质量流量计的夹气液体流量测量方法。包括计量管道、压力传感器、质量流量计、A/D转换卡、计算机。压力传感器测得的压力信号、质量流量计测得的瞬时质量流量信号、介质密度信号、介质温度信号经A/D转换卡进计算机。测量方法包括有如下三个基本步骤：1)压力波动信号特征提取；2)BP神经网络训练；3)流量测量误差校正。本发明具有结构简单，安装方便，参数检测精度高，实时性好，可靠，易于实现等优点。适用于含气液体的测量。
-
公开(公告)号：CN101599656A
公开(公告)日：2009-12-09
申请号：CN200910020549.6
申请日：2009-04-16
Applicant: 中国石油大学(华东)
Abstract: 本发明提供了一种动力蓄电池组测试系统用充放电机，由交流侧滤波器、IGBT整流桥、直流滤波器和电池组依次连接组成，在交流侧滤波器和整流器之间并联连接三个投切电容器，与交流滤波器的三相滤波电容形成并联，并由相应的电子开关控制，用可变的交流侧电容参数，改良放电时的电流逆变波形，很好地解决了电流型PWM逆变放电时交流侧电流波形畸变的问题。在直流侧采用基于切比雪夫算法的非对称T型滤波器取代传统电流型充放电机直流侧的单纯的平波电抗器，即在整流器和电池组之间串联二个电感，然后在两个电感之间再并联一个电容，组成一个“T”型的滤波器，可以减小非匹配滤波器对直流固有的通态衰减，解决电流型PWM应用于小阻抗的电池负载时存在的电流纹波超标的问题。
-
公开(公告)号：CN119848708A
公开(公告)日：2025-04-18
申请号：CN202510338215.2
申请日：2025-03-21
Applicant: 中国石油大学(华东)
IPC: G06F18/2431 , G06F18/213 , G06N5/04 , G06N7/01 , G01M13/00
Abstract: 本发明公开了一种变工况固井泵凡尔泄露故障检测与定位方法，属于固井设备安全监控与故障诊断技术领域。本发明通过将时域振动信号转换为角度域信号，有效消除了转速波动对故障特征提取的影响，提高了故障检测的准确性和稳定性。基于贝叶斯推理模型的故障检测和定位，综合考虑先验概率、条件概率和后验概率，能够充分利用先验工艺知识，减少了对大量故障模式数据的需求，显著提高了故障定位的精度，为及时维修固井泵提供了准确依据，减少了因故障排查时间过长导致的生产损失。
-
Patent Agency Ranking
公开(公告)号：CN118709067A
公开(公告)日：2024-09-27
申请号：CN202410572425.3
申请日：2024-05-10
Applicant: 中国石油大学(华东)
IPC: G06F18/2415 , G06F18/213 , G06F18/25 , G06F17/14
Abstract: 本发明涉及一种基于深度图预测特征分析的工业过程故障检测方法，其步骤为：对训练数据进行标准化、白化处理，利用kNN算法建立训练数据近邻样本集并构造嵌入图，进而进行图预测特征分析得到投影矩阵W(1)，计算线性预测特征#imgabs0#对线性特征进行随机傅里叶映射，计算投影矩阵及非线性预测特征，并建立深度多层特征提取网络，逐层挖掘隐藏的非线性预测特征#imgabs1#基于挖掘的预测特征成分建立统计量#imgabs2#与统计量SPEL，并采用贝叶斯推理机制进行融合，构建集成监控指标进行全局监控。本发明上述故障检测方法建立了多层随机傅里叶特征提取网络，提高了工业过程数据的故障检测性能。
-
公开(公告)号：CN113159225A
公开(公告)日：2021-07-23
申请号：CN202110534721.0
申请日：2021-05-17
Applicant: 中国石油大学(华东)
Abstract: 本发明涉及一种多变量工业过程故障分类方法，首先使用正常操作工况数据集来分析过程变量之间的相关性，计算变量之间的相关性因子；其次根据过程变量之间的相关性因子构建新的过程变量排列顺序，并进一步构建变量自组织函数；使用卷积神经网络建模方法构建VSACNN故障分类模型，并利用训练数据集来进行网络参数的优化，将测试数据集输入至VSACNN故障诊断模型，根据VSACNN故障诊断模型输出确定故障类型。本发明将变量关系分析与CNN模型相结合，提高局部变量之间的相关性，从而帮助CNN充分挖掘相关过程变量之间的联系，改善CNN在提取局部特征的信息有效性，能够有效地提升故障分类的准确率。
-
公开(公告)号：CN119848708B
公开(公告)日：2025-05-16
申请号：CN202510338215.2
申请日：2025-03-21
Applicant: 中国石油大学(华东)
IPC: G06F18/2431 , G06F18/213 , G06N5/04 , G06N7/01 , G01M13/00
Abstract: 本发明公开了一种变工况固井泵凡尔泄露故障检测与定位方法，属于固井设备安全监控与故障诊断技术领域。本发明通过将时域振动信号转换为角度域信号，有效消除了转速波动对故障特征提取的影响，提高了故障检测的准确性和稳定性。基于贝叶斯推理模型的故障检测和定位，综合考虑先验概率、条件概率和后验概率，能够充分利用先验工艺知识，减少了对大量故障模式数据的需求，显著提高了故障定位的精度，为及时维修固井泵提供了准确依据，减少了因故障排查时间过长导致的生产损失。
-
公开(公告)号：CN118502389A
公开(公告)日：2024-08-16
申请号：CN202410572530.7
申请日：2024-05-10
Applicant: 中国石油大学(华东)
IPC: G05B23/02
Abstract: 本发明涉及一种基于先验信息辅助神经网络建模的工业过程故障检测方法，其步骤为：对训练数据进行标准化处理后，利用标准化后的训练数据训练1DRGANomaly网络，结合先验数据构建先验信息辅助网络，在线阶段利用1DRGANomaly网络与先验信息辅助网络输出的统计量进行融合计算统计量#imgabs0#和SPE12‑PIA，并利用控制限进行监控。本发明上述故障检测方法引入先验信息辅助策略，提高了工业过程数据中故障的检测性能。
-
公开(公告)号：CN116821695A
公开(公告)日：2023-09-29
申请号：CN202311099248.3
申请日：2023-08-30
Applicant: 中国石油大学(华东)
IPC: G06F18/214 , G06N3/0895 , G06N3/006
Abstract: 本发明公开了一种半监督神经网络软测量建模方法，属于工业过程检测技术领域，该方法通过神经网络提取原始数据的动态和非线性特征；同时在上下限估计方法的损失函数中加入点估计项，平衡区间宽度，覆盖率以及点估计的均方误差，通过粒子群优化算法最小化损失函数，以生成紧密的区间和更加准确的估计值；然后，通过双标准选择置信度高的无标签数据加入模型训练，以更新标签数据集；最后，对输出上下限权值和估计值权重进行迭代寻优。本发明提供的半监督学习框架不仅能够有效量化不确定因素对模型的影响，还能充分利用标签数据所包含的监督信息，辅助以无标签数据所蕴含的结构信息，达到提升软测量模型泛化能力和可靠性之目的。
-
-
-
-
-
-
-
-
-
Search Results
36
records
(took 0.03 seconds)
