-
公开(公告)号：CN114706128B
公开(公告)日：2025-04-11
申请号：CN202210278729.X
申请日：2022-03-21
Applicant: 东北石油大学
IPC: G01V1/36
Abstract: 一种微地震资料噪声压制方法及系统、存储介质和地震信息处理设备，属于微地震资料数据处理技术，为解决现有方法无法消除全部噪声而且还会损失有效信号的问题。技术要点：利用检波器对目标区块的微地震资料进行采集；将获得的微地震资料按比例划分训练集、验证集和测试集，将训练集数据输入到时间注意力机制互信息生成对抗网络模型中学习并输出微地震噪声压制预训练模型；将验证集数据输入到训练好的模型中，利用信噪比对模型参数进行验证，获得最优微地震噪声压制模型超参数组合；再利用测试集数据对最优超参数组合进行测试并获得最终微地震噪声压制模型；将现场微地震资料输入到最终微地震噪声压制模型中获得去噪后的微地震资料，实现微地震资料噪声压制。
-
公开(公告)号：CN118797980A
公开(公告)日：2024-10-18
申请号：CN202410449534.6
申请日：2024-08-06
Applicant: 东北石油大学三亚海洋油气研究院
IPC: G06F30/23 , G06F17/13 , G06F30/27 , G06N3/0442 , G06N3/045 , G06N3/0475 , G06N3/094 , G06F113/08 , G06F119/14
Abstract: 一种面向类不平衡数据场景的数模双驱动油气管网故障诊断方法及系统，涉及油气管网的故障诊断领域，旨在解决当前智能故障诊断模型在处理油田类不平衡数据集时所面临的过拟合问题，以及降低误报和漏报的风险。主要步骤如下：深入理解油气在管网中运动时负压波的传播和衰减机理，建立反映管网运行状态的负压波衰减物理模型；基于长短时记忆网络构建适用于处理时间序列数据的深度生成对抗模型；设计合理的串‑并联机制融合物理模型以及数据驱动模型，构建混合生成对抗模型；使用训练好的混合生成对抗模型生成管网故障数据，平衡原始训练集；训练智能故障诊断模型，实现管道故障类型识别。本发明同时考虑和整合来自物理模型的先验知识和数据驱动模型的学习能力，与单纯的数据驱动模型相比，物理模型所含的管网先验知识能够缩小参数空间搜索域，减少估计参数量，提高深度生成模型的可解释性与泛化性能，同时提升生成故障数据的物理合理性与特征可区分性，从而有效克服类不平衡数据集对诊断模型性能的负面影响，进而提升管道智能故障诊断的准确性。
-
公开(公告)号：CN115906949A
公开(公告)日：2023-04-04
申请号：CN202211465052.7
申请日：2022-11-22
Applicant: 东北石油大学三亚海洋油气研究院
IPC: G06N3/047 , G06N3/0464 , G06N3/0442 , G06N3/094
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。
-
公开(公告)号：CN118656728B
公开(公告)日：2025-05-16
申请号：CN202410717954.8
申请日：2024-06-04
Applicant: 东北石油大学
IPC: G06F18/2415 , G06F18/214 , G06N3/047 , G06N3/096 , F17D5/06
Abstract: 一种基于贝叶斯对抗攻击的天然气管道单源域迁移故障诊断方法及系统，属于机械故障检测与诊断技术领域。该方法的核心在于采用迁移学习技术解决现有深度推理模型在处理不同工况条件下的管道故障诊断任务时存在的泛化能力不足问题。主要步骤如下：基于贝叶斯网络构建了攻击样本生成器，旨在通过在输入样本中添加精巧设计的微小扰动，生成可以令推理模型做出错误决策的攻击样本，以便挖掘并分析推理模型的脆弱点；基于贝叶斯网络构建了域判别器，旨在通过与生成器之间的对抗学习，辅助生成隐蔽性强的攻击样本，即与原始样本几乎没有可见差异；基于贝叶斯网络构建了分类器，通过扩大攻击样本与推理模型原有决策边界的距离，约束推理模型网络参数的后验分布向攻击样本得分更高的方向调整，从而增强模型在面对不同域扰动时的适应性和鲁棒性。通过上述步骤，本发明有效解决了传统深度学习模型在不同工况下泛化能力差导致的漏报、误报风险提升问题。
-
公开(公告)号：CN118797980B
公开(公告)日：2025-02-14
申请号：CN202410449534.6
申请日：2024-08-06
Applicant: 东北石油大学三亚海洋油气研究院
IPC: G06F30/23 , G06F17/13 , G06F30/27 , G06N3/0442 , G06N3/045 , G06N3/0475 , G06N3/094 , G06F113/08 , G06F119/14
Abstract: 一种面向类不平衡数据场景的数模双驱动油气管网故障诊断方法及系统，涉及油气管网的故障诊断领域，旨在解决当前智能故障诊断模型在处理油田类不平衡数据集时所面临的过拟合问题，以及降低误报和漏报的风险。主要步骤如下：深入理解油气在管网中运动时负压波的传播和衰减机理，建立反映管网运行状态的负压波衰减物理模型；基于长短时记忆网络构建适用于处理时间序列数据的深度生成对抗模型；设计合理的串‑并联机制融合物理模型以及数据驱动模型，构建混合生成对抗模型；使用训练好的混合生成对抗模型生成管网故障数据，平衡原始训练集；训练智能故障诊断模型，实现管道故障类型识别。本发明同时考虑和整合来自物理模型的先验知识和数据驱动模型的学习能力，与单纯的数据驱动模型相比，物理模型所含的管网先验知识能够缩小参数空间搜索域，减少估计参数量，提高深度生成模型的可解释性与泛化性能，同时提升生成故障数据的物理合理性与特征可区分性，从而有效克服类不平衡数据集对诊断模型性能的负面影响，进而提升管道智能故障诊断的准确性。
-
Patent Agency Ranking
公开(公告)号：CN118656728A
公开(公告)日：2024-09-17
申请号：CN202410717954.8
申请日：2024-06-04
Applicant: 东北石油大学
IPC: G06F18/2415 , G06F18/214 , G06N3/047 , G06N3/096 , F17D5/06
Abstract: 一种基于贝叶斯对抗攻击的天然气管道单源域迁移故障诊断方法及系统，属于机械故障检测与诊断技术领域。该方法的核心在于采用迁移学习技术解决现有深度推理模型在处理不同工况条件下的管道故障诊断任务时存在的泛化能力不足问题。主要步骤如下：基于贝叶斯网络构建了攻击样本生成器，旨在通过在输入样本中添加精巧设计的微小扰动，生成可以令推理模型做出错误决策的攻击样本，以便挖掘并分析推理模型的脆弱点；基于贝叶斯网络构建了域判别器，旨在通过与生成器之间的对抗学习，辅助生成隐蔽性强的攻击样本，即与原始样本几乎没有可见差异；基于贝叶斯网络构建了分类器，通过扩大攻击样本与推理模型原有决策边界的距离，约束推理模型网络参数的后验分布向攻击样本得分更高的方向调整，从而增强模型在面对不同域扰动时的适应性和鲁棒性。通过上述步骤，本发明有效解决了传统深度学习模型在不同工况下泛化能力差导致的漏报、误报风险提升问题。
-
公开(公告)号：CN104122172B
公开(公告)日：2017-10-31
申请号：CN201410363091.5
申请日：2014-07-28
Applicant: 东北石油大学
IPC: G01N11/14
Abstract: 本发明公开了一种改进的双圆筒旋转式粘度计及其使用方法。所述的双圆筒旋转式粘度计包括单片机、数据信号采集处理器、主电动机的控制器、升降电机的控制器、按键、温度测量仪和LCD显示器。所述的使用方法包括以下步骤：使用所述的双圆筒旋转式粘度计在相同测量条件下，测量不同高度的电功率，再根据下的公式计算粘度： η= P 1 - P 2 4 πω 2 ( l 1 - l 2 ) ( 1 R 1 2 - 1 R 2 2 ) = P 1 - P 2 16 π 3 n 2 ( l 1 - l 2 ) ( 1 R 1 2 - 1 R 2 2 ) 其中：ω为主电机转速，单位r/s；l1、l2为两转筒高度；P1、P2为对应的主电机消耗的电功率。本发明的双圆筒旋转式粘度计测量精度高，测量方法简单。
-
公开(公告)号：CN119942096A
公开(公告)日：2025-05-06
申请号：CN202510428376.0
申请日：2025-04-08
Applicant: 东北石油大学三亚海洋油气研究院
IPC: G06V10/25 , G06N3/0464 , G06N3/0495 , G06N3/0985 , G06T7/00 , G06V10/44 , G06V10/774 , G06V10/82
Abstract: 本发明提供了一种超轻量化天然气管道焊缝缺陷检测方法及系统，属于天然气管道检测领域。为了解决焊缝缺陷数据集类别不平衡，导致过拟合；在面对小目标时难以有效识别，导致较低的准确率和较高的漏报/误报率；模型参数量较大无法部署在边缘检测设备的问题。本发明采用公共数据集，并对数据集进行预处理，添加数据增强模块；构建MSLE‑YOLO网络模型。本发明可以提高天然气管道焊缝缺陷检测的准确率以及鲁棒性，同时大大降低了诊断的漏报率和误报率，并进一步降低了模型的参数量和计算复杂性，便于后续部署到边缘检测设备。
-
公开(公告)号：CN114035226B
公开(公告)日：2023-10-20
申请号：CN202111338427.9
申请日：2021-11-12
Applicant: 东北石油大学
Abstract: 本发明提出基于噪声语义相关性深度迁移去噪自编码网络的微地震资料噪声压制方法及系统，所述方法首先利用微地震合成资料对用去噪自编码器构造的模型进行训练，其中采用噪声语义相关性作为去噪自编码网络的损失函数，均方差作为去噪自编码网络的正则项；然后，采用最大均值差异最小化进行训练模型深度迁移。最后利用现场微地震资料对深度迁移去噪自编码噪声压制模型进行微调，得到最优模型，进行测试验证。所述方法克服了现有的深度学习去噪算法在微地震噪声压制背景下的限制，提升了微地震噪声压制模型的性能，提高了后续的事件识别与震源定位的准确性与可靠性。
-
公开(公告)号：CN114706128A
公开(公告)日：2022-07-05
申请号：CN202210278729.X
申请日：2022-03-21
Applicant: 东北石油大学
IPC: G01V1/36
Abstract: 一种微地震资料噪声压制方法及系统、存储介质和地震信息处理设备，属于微地震资料数据处理技术，为解决现有方法无法消除全部噪声而且还会损失有效信号的问题。技术要点：利用检波器对目标区块的微地震资料进行采集；将获得的微地震资料按比例划分训练集、验证集和测试集，将训练集数据输入到时间注意力机制互信息生成对抗网络模型中学习并输出微地震噪声压制预训练模型；将验证集数据输入到训练好的模型中，利用信噪比对模型参数进行验证，获得最优微地震噪声压制模型超参数组合；再利用测试集数据对最优超参数组合进行测试并获得最终微地震噪声压制模型；将现场微地震资料输入到最终微地震噪声压制模型中获得去噪后的微地震资料，实现微地震资料噪声压制。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.021 seconds)
