-
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：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。
-
Patent Agency Ranking
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：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。
-
公开(公告)号：CN116701948B
公开(公告)日：2024-01-23
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
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
-
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
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：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
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。
-
-
-
-
-
-
Search Results
7
records
(took 0.034 seconds)
