公开(公告)号：CN116721063A

公开(公告)日：2023-09-08

申请号：CN202310587791.1

申请日：2023-05-23

Applicant: 东北石油大学 ,  东北石油大学三亚海洋油气研究院

Inventor： 王鹏 ,  董宏丽 ,  路敬祎 ,  路阳 ,  胡仲瑞 ,  王恺娇 ,  刘俏

IPC: G06T7/00 ,  G06V10/72 ,  G06V10/774 ,  G06V10/776 ,  G06V10/80 ,  G06V10/82 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/0985

Abstract: 本发明涉及的是一种基于注意力机制的MRI直肠癌淋巴结转移检测方法，它包括：获取直肠癌淋巴结转移MRI数据，建立数据集；图像增广；数据集样本标注；数据集划分；构造检测模型，以YOLOv4网络为主干网络，特征提取部分是CSPDarknet53网络、特征融合部分是SPP和PAN，预测部分为YOLOv3，通道注意力机制与SPP分别提取由CSPDarknet53提取的特征，将融合后的结果作为下一阶段的输入；再经空间注意力机制与PANet分别提取特征后融合，最终与CSPDarknet53提取的特征在特征融合部分融合；训练并验证模型。本发明能够自动检测发生转移的直肠癌淋巴结特征，并能准确而快速地检测出位置。

公开(公告)号：CN116701948A

公开(公告)日：2023-09-05

申请号：CN202310968582.1

申请日：2023-08-03

Applicant: 东北石油大学三亚海洋油气研究院

Inventor： 侯男 ,  董宏丽 ,  商柔 ,  霍凤财 ,  王闯 ,  王鹏 ,  胡仲瑞 ,  周国强

IPC: G06F18/214 ,  G06F18/20 ,  G06F18/22 ,  G06N3/0464 ,  G06N3/08 ,  G06N3/048

Abstract: 管道故障诊断方法及系统、存储介质和管道故障诊断设备，属于机械故障检测与诊断技术领域，用于解决现有的智能诊断模型在小样本、不平衡数据集下准确率较低的问题。技术要点：利用传感器采集管道故障数据以及正常数据，组成真实数据集；构建时序生成网络，学习真实数据时序特征和类别特征，生成更加符合工程实际的管道数据；构建判别网络，判别其输入数据是否为真实数据；根据质量与多样性指标确定时序生成网络下一模态；利用Adam优化器交替更新时序生成网络与判别网络直至收敛；将训练好的时序生成网络用于扩充管道数据集，实现石油管道故障类别识别。本发明有效克服小样本、不平衡数据集对管道故障诊断的不利影响，进而提升管道故障诊断的可靠性。

公开(公告)号：CN116659767A

公开(公告)日：2023-08-29

申请号：CN202310394623.0

申请日：2023-04-13

Applicant: 东北石油大学三亚海洋油气研究院

Inventor： 董宏丽 ,  杨丹迪 ,  路敬祎 ,  侯男 ,  胡仲瑞 ,  王鹏

IPC: G01M3/24 ,  G06N3/0464 ,  G06N3/048 ,  G06F18/2411 ,  G06F18/213 ,  G06F18/214 ,  G06N3/006

Abstract: 本发明涉及的是改进1DCNN的油气管道信息物理融合系统泄漏检测方法，它包括通过油气管道信息物理融合系统中的声波传感器获取油气管道数据同时上传至系统云端；通过调整网络结构和参数构建一维卷积神经网络1DCNN管道泄漏检测模型；构建1DCNN‑TSNE‑SVM模型，提取1DCNN网络各层特征并进行特征融合，通过TSNE算法对其进行降维，并采用粒子群优化PSO算法优化后的支持向量机SVM分类器进行分类识别；从系统云端下载各类管道信号构建训练样本和测试样本，进行训练及测试模型，对管道异常情况实时监测。本发明可以准确地发现管道发生泄漏并及时报警，减少经济损失。

公开(公告)号：CN115906949B

公开(公告)日：2023-06-20

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

Inventor： 董宏丽 ,  王闯 ,  申雨轩 ,  霍凤财 ,  商柔 ,  孙桐 ,  胡仲瑞 ,  王鹏

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。