公开(公告)号：CN116361678B

公开(公告)日：2023-08-25

申请号：CN202310604206.4

申请日：2023-05-26

申请人： 西南石油大学

发明人： 周永 ,  王立远 ,  郑德生 ,  段垚鑫 ,  聂文迪 ,  柯洋 ,  郑舜天 ,  仇钎 ,  李晓瑜 ,  唐晓澜

IPC分类号： G06F18/23213 ,  G06F18/22

摘要： 本发明公开了基于图增强结构的准周期时间序列分割方法及终端，属于准周期时间序列分割技术领域，包括以下步骤：以准周期时间序列中候选点为顶点、顶点间的相似度为边权值构建无向权重图；将无向权重图中的大边权值进行聚合，并将小边权值过滤，得到增强图结构；大边权值范围为0.95‑1，小边权值小于过滤阈值，过滤阈值为大边权值聚类的最小值；将增强图结构进行聚类处理，得到分割后的准周期时间子序列。本发明通过聚合大边权值并过滤小边权值，能够对由准周期时间序列特征点构成的图结构进行增强，克服了现有技术在大量数据上合并大社区和小社区的问题，提高了聚类效果的稳定性，保证了分割算法的准确性。

公开(公告)号：CN116361673A

公开(公告)日：2023-06-30

申请号：CN202310640680.2

申请日：2023-06-01

申请人： 西南石油大学 ,  电子科技大学

发明人： 郑德生 ,  孙涵明 ,  李晓瑜 ,  唐晓澜 ,  万虎 ,  贾慧雪 ,  钱伟中 ,  周永 ,  张恒汝 ,  刘科

IPC分类号： G06F18/2321 ,  G06N3/0464 ,  G06N3/0442 ,  G06N3/045 ,  G06F16/2458 ,  G06F16/28

摘要： 本发明公开了准周期时间序列无监督异常检测方法、系统及终端，属于时间序列异常检测技术领域，包括：对准周期时间序列进行分割处理；对准周期时间子序列进行聚类处理，得到正常准周期时间子序列构成的数据集；基于数据集对神经网络模型进行训练，得到无监督异常检测模型。本发明先对准周期时间序列进行分割处理，使得后续异常检测过程中以准周期时间子序列作为检测对象，使得后续异常检测结果具有可解释性；同时，通过聚类进行预处理，再通过正常准周期时间子序列对模型进行训练，使模型学习正常准周期时间子序列的数据分布从而能够在输入所有数据时对于异常数据有着更大的重构损失，实现准周期时间子序列无监督异常检测。

公开(公告)号：CN116361673B

公开(公告)日：2023-08-11

申请号：CN202310640680.2

申请日：2023-06-01

申请人： 西南石油大学 ,  电子科技大学

发明人： 郑德生 ,  孙涵明 ,  李晓瑜 ,  唐晓澜 ,  万虎 ,  贾慧雪 ,  钱伟中 ,  周永 ,  张恒汝 ,  刘科

IPC分类号： G06F18/2321 ,  G06N3/0464 ,  G06N3/0442 ,  G06N3/045 ,  G06F16/2458 ,  G06F16/28

摘要： 本发明公开了准周期时间序列无监督异常检测方法、系统及终端，属于时间序列异常检测技术领域，包括：对准周期时间序列进行分割处理；对准周期时间子序列进行聚类处理，得到正常准周期时间子序列构成的数据集；基于数据集对神经网络模型进行训练，得到无监督异常检测模型。本发明先对准周期时间序列进行分割处理，使得后续异常检测过程中以准周期时间子序列作为检测对象，使得后续异常检测结果具有可解释性；同时，通过聚类进行预处理，再通过正常准周期时间子序列对模型进行训练，使模型学习正常准周期时间子序列的数据分布从而能够在输入所有数据时对于异常数据有着更大的重构损失，实现准周期时间子序列无监督异常检测。

公开(公告)号：CN116361678A

公开(公告)日：2023-06-30

申请号：CN202310604206.4

申请日：2023-05-26

申请人： 西南石油大学

发明人： 周永 ,  王立远 ,  郑德生 ,  段垚鑫 ,  聂文迪 ,  柯洋 ,  郑舜天 ,  仇钎 ,  李晓瑜 ,  唐晓澜

IPC分类号： G06F18/23213 ,  G06F18/22

摘要： 本发明公开了基于图增强结构的准周期时间序列分割方法及终端，属于准周期时间序列分割技术领域，包括以下步骤：以准周期时间序列中候选点为顶点、顶点间的相似度为边权值构建无向权重图；将无向权重图中的大边权值进行聚合，并将小边权值过滤，得到增强图结构；大边权值范围为0.95‑1，小边权值小于过滤阈值，过滤阈值为大边权值聚类的最小值；将增强图结构进行聚类处理，得到分割后的准周期时间子序列。本发明通过聚合大边权值并过滤小边权值，能够对由准周期时间序列特征点构成的图结构进行增强，克服了现有技术在大量数据上合并大社区和小社区的问题，提高了聚类效果的稳定性，保证了分割算法的准确性。

公开(公告)号：CN112131673B

公开(公告)日：2021-09-28

申请号：CN202011056637.4

申请日：2020-09-30

申请人： 西南石油大学

发明人： 郑德生 ,  唐晓澜 ,  张柯欣 ,  邓碧颖 ,  蒋东浦 ,  吴欣隆

IPC分类号： G06F30/15 ,  G06F30/27 ,  G06N3/04 ,  G06N3/08

摘要： 本发明公开了基于融合神经网络模型的发动机喘振故障预测系统及方法，属于时间序列数据预测技术领域，系统包括：预测模块，用于发动机的三维结构时间序列数据生成指定长度的预测时间序列；特征提取模块，用于提取预测时间序列的局部特征、数据间的语义关系，以及整体序列趋势特征；分类模块，用于根据预测时间序列的局部特征、数据间的语义关系，以及整体序列趋势特征判断是否为喘振故障。本发明先生成指定长度的预测时间序列，即实现未来一段时间内发动机的工作状态数据的预测，再判断未来一段时间内发动机的工作状态数据是否包括喘振故障数据，以此对发动机喘振故障进行更加准确、快速的提前预测。

公开(公告)号：CN112131673A

公开(公告)日：2020-12-25

申请号：CN202011056637.4

申请日：2020-09-30

申请人： 西南石油大学

发明人： 郑德生 ,  唐晓澜 ,  张柯欣 ,  邓碧颖 ,  蒋东浦 ,  吴欣隆

IPC分类号： G06F30/15 ,  G06F30/27 ,  G06N3/04 ,  G06N3/08

摘要： 本发明公开了基于融合神经网络模型的发动机喘振故障预测系统及方法，属于时间序列数据预测技术领域，系统包括：预测模块，用于发动机的三维结构时间序列数据生成指定长度的预测时间序列；特征提取模块，用于提取预测时间序列的局部特征、数据间的语义关系，以及整体序列趋势特征；分类模块，用于根据预测时间序列的局部特征、数据间的语义关系，以及整体序列趋势特征判断是否为喘振故障。本发明先生成指定长度的预测时间序列，即实现未来一段时间内发动机的工作状态数据的预测，再判断未来一段时间内发动机的工作状态数据是否包括喘振故障数据，以此对发动机喘振故障进行更加准确、快速的提前预测。