-
公开(公告)号:CN117093722B
公开(公告)日:2024-09-17
申请号:CN202310920541.5
申请日:2023-07-25
Applicant: 中国石油大学(北京)
IPC: G06F16/36 , G06F16/335 , G06Q10/20
Abstract: 本申请实施例提供一种用于诊断输气管道站场内设备故障的方法及处理器。方法包括:针对输气管道站场内的任意一种设备,根据设备的故障知识图谱构建设备的故障诊断模型;在设备发生故障的情况下,获取设备的故障查询指令;根据故障查询指令对故障查询语句进行预处理,以得到对应的目标查询语句;确定目标查询语句的故障现象描述与故障知识图谱中每个设备故障知识的标准现象描述间的第一相似度;在故障查询模式为第一模式的情况下,根据第一相似度最大的设备故障知识的标准现象描述、设备信息描述和故障诊断模型得到多个第一故障部位和多个第二故障部位;根据多个第一故障部位和多个第二故障部位确定目标故障部位,以提高故障诊断及时性和精准度。
-
公开(公告)号:CN119442180A
公开(公告)日:2025-02-14
申请号:CN202411549856.4
申请日:2024-11-01
Applicant: 中国石油大学(北京)
IPC: G06F18/27 , G06F18/213 , G06F18/214 , G06F30/28 , G06F30/27 , G06F113/08 , G06F119/14 , G06F111/04
Abstract: 本发明涉及一种原油管道流动特性挖掘方法、系统、处理设备及存储介质,其特征在于,包括:基于预先构建的基本符号库,结合大语言模型和符号回归方法,建立待测原油管道的管输原油流动特性表征模型的候选集;基于表征模型质量的评分标准,对管输原油流动特性表征模型的候选集进行评分,并基于评分结果,优化和迭代管输原油流动特性表征模型的结构,得到待测原油管道最优的管输原油流动特性表征模型,本发明能够快速、准确地提取流动特性模型,大幅减少了实验数据和模型构建的时间和成本,可以广泛应用于原油管道流动特性分析领域中。
-
公开(公告)号:CN118485328A
公开(公告)日:2024-08-13
申请号:CN202410429499.1
申请日:2024-04-10
Applicant: 中国石油大学(北京)
IPC: G06Q10/0639 , G06Q50/06 , G06F18/21 , G06F18/20
Abstract: 本发明提供一种天然气输气站韧性评价方法、装置、电子设备及介质,涉及天然气传输技术领域。该方法包括:通过马尔可夫过程描述天然气输气站性能状态的演化过程,得到由多种性能状态构成的马尔可夫链;将所述多种性能状态划分为正常状态子集、受损状态子集和中断状态子集;基于预设假设条件求取所述马尔可夫链的转移速率矩阵;通过所述转移速率矩阵计算所述正常状态子集、所述受损状态子集、所述中断状态子集中至少一个子集的停留时间分布,得到韧性指标。本发明的方案实现了天然气输气站韧性评价指标的量化,丰富了天然气输气站性能评价方式,具有较佳的准确性。
-
公开(公告)号:CN118332433A
公开(公告)日:2024-07-12
申请号:CN202410462636.1
申请日:2024-04-17
Applicant: 中国石油大学(北京)
IPC: G06F18/2415 , G06F18/243 , G06F18/27 , G06N3/0499 , G06N3/084
Abstract: 本申请提供一种油气站场可靠性评价方法,包括:建立基于DETR模型的站场工艺流程图关键元件识别模型;获取油气站场工艺流程图,利用站场工艺流程图关键元件识别模型对油气站场工艺流程图进行关键元件识别,得到识别结果;根据识别结果和关键元件的功能连接拓扑构建站场的故障树模型;根据故障树模型构建基于变结构动态贝叶斯网络的站场系统动态可靠性评价模型;利用站场系统动态可靠性评价模型对油气站场工艺流程图对应的目标站场进行可靠性评价,得到可靠性评价结果。本申请可实现油气站场运行可靠性的高效、动态评价。本申请还提供一种油气站场可靠性评价系统、存储介质和电子设备,具有上述有益效果。
-
公开(公告)号:CN114898818B
公开(公告)日:2024-06-18
申请号:CN202210353836.4
申请日:2022-04-06
Applicant: 中国石油大学(北京)
IPC: G16C20/30 , G16C20/70 , G06F18/2431
Abstract: 本文涉及油气运输领域,尤其涉及一种混合原油凝点预测模型训练方法、装置及应用方法。该方法包括获取训练样本数据集,所述训练样本数据集包括历史样本组分油的物性监测数据、所述历史样本组分油所在管道的运行参数、所述历史样本组分油混合后形成的历史样本混合原油的物性监测数据及所述历史样本混合原油所在管道的运行参数;利用所述训练样本数据集训练XGBoost初始模型,确定混合原油凝点预测模型。本方案首次建立了基于物性监测数据、管道的运行参数的混合原油凝点预测模型;且可以基于传感器传回的实时数据,便可进行多组分原油凝点实时在线预测,凝点预测精度较高,降低预测复杂度、提高了原油运输效率。
-
公开(公告)号:CN118152977A
公开(公告)日:2024-06-07
申请号:CN202410263210.3
申请日:2024-03-07
Applicant: 中国石油大学(北京)
IPC: G06F18/25 , G06F18/15 , G06F18/2415 , G06N3/0442 , G06N3/045 , G06N3/09
Abstract: 本申请公开了高压液体管道泄露识别方法、装置、设备及介质,涉及液体管道技术领域,包括:将待识别高压液体管道输入至目标管道泄露识别模型,以便目标管道泄露识别模型提取待识别高压液体管道的空间关系和待识别高压运行数据的时间动态变化特征;通过目标管道泄露识别模型对空间关系和时间动态变化特征进行融合,以得到待识别时空运行数据;通过目标管道泄露识别模型对待识别时空运行数据进行指数函数运算并进行归一化处理,以获取待识别时空运行数据的分类结果,并将分类结果作为待识别高压液体管道的泄露识别结果。实时预测管道的状态,以对易相变高压液体管道泄漏进行快速和准确诊断。
-
公开(公告)号:CN113779882B
公开(公告)日:2024-05-17
申请号:CN202111061750.6
申请日:2021-09-10
Applicant: 中国石油大学(北京)
IPC: G06F30/27 , G06N3/0442 , G06N3/048 , G06N3/08 , G06N5/02 , G06F119/04
Abstract: 本文涉及计算机技术领域,尤其涉及一种设备剩余使用寿命的预测方法、装置、设备及存储介质。其方法包括,获取设备当前工作状态下多维度的数据;对所述多维度的数据进行相关性和关联规则分析,构建图模型;根据所述图模型以及所述多维度数据的时间序列,训练LSTM神经网络,得到所述设备当前的健康状态;根据所述设备当前的健康状态以及所述设备的寿命终点,预测所述设备的剩余使用寿命。通过本文的方法,克服了传统模型适用性差、机器学习模型可解释性差的不足,实现了根据任意设备设施多维度数据,对设备当前运行状态下的健康状态进行具体地预测,提高了预测设备剩余使用寿命的精准性。
-
公开(公告)号:CN117763364A
公开(公告)日:2024-03-26
申请号:CN202311541117.6
申请日:2023-11-17
Applicant: 中国石油大学(北京)
IPC: G06F18/22 , G06F18/214 , G06F18/24 , G06N3/0464 , G06N3/09
Abstract: 本申请公开了一种天然气需求量预测模型训练方法及天然气需求量预测方法,涉及能源预测技术领域。获取第一历史天然气需求数据,基于预设初始层数确定用于变分模态分解的目标分解层数;通过确定目标分解层数有效避免了变分模态分解过分解与分解不充分的问题。进而基于变分模态分解将第一历史天然气需求数据按照目标分解层数进行数据分解;基于数据分解后得到的分解数据构建数据集,减少原始数据规律不明显以及处理不够充分等情况出现。并利用数据集对预设预测模型进行训练,以得到天然气需求量预测模型。有效提升了对天然气需求量预测的准确性。
-
公开(公告)号:CN117633452A
公开(公告)日:2024-03-01
申请号:CN202311376923.2
申请日:2023-10-23
Applicant: 中国石油大学(北京)
Abstract: 本申请公开了一种天然气消耗预测模型的训练方法与天然气消耗的预测方法,天然气消耗预测模型的训练方法包括:获取天然气消耗历史数据;利用经验模态分解将天然气消耗历史数据进行分解,得到趋势数据、高频数据与低频数据;利用小波分解将高频数据与低频数据进行分解,得到分解后的高频数据与分解后的低频数据;利用趋势数据、分解后的高频数据与分解后的低频数据,构建数据集;利用数据集对预设模型进行训练,直至达到预设条件终止训练,得到天然气消耗预测模型。由此,通过将天然气消耗历史数据进行充分分解,增强了数据的规律性,从而有利于构建天然气消耗预测模型,提升了天然气消耗预测的稳定性与准确性。
-
公开(公告)号:CN117034735A
公开(公告)日:2023-11-10
申请号:CN202310733126.9
申请日:2023-06-20
Applicant: 中国石油大学(北京)
IPC: G06F30/27 , G06N3/084 , G06F17/13 , G06F113/14
Abstract: 本发明公开了一种用于输油管道水力在线模拟的物理融合数据驱动算法,包括以下步骤:构建适用于输油管道水力仿真的偏微分方程组;建立基于物理融合神经网络PNN的输油管道水力瞬态仿真求解模型;结合神经网络的反向传播算法,应用自适应动量估计算法,实现对神经网络中神经元参数θ的训练。本发明采用上述的一种用于输油管道水力在线模拟的物理融合数据驱动算法,该算法一方面推进输油管道仿真方法的应用宽度和外推性能,实现根据实际采集数据和物理方程协同下的神经网络训练方法,最终服务于输油管道水力仿真的物理过程快速、精确求解;另一方面由于其对各方面仿真结果的高度压缩和快速再现性,在作为代理模型的角度也具有很高的使用价值。
-
-
-
-
-
-
-
-
-