-
公开(公告)号：CN114817856B
公开(公告)日：2024-05-28
申请号：CN202210397562.9
申请日：2022-04-15
Applicant: 重庆科技学院
IPC: G06F17/18 , G06F18/23213
Abstract: 本发明涉及石油工业技术领域，尤其涉及一种基于结构信息保持域适应网络的抽油机故障诊断方法，包括采集抽油机示功图数据，得到源域数据集和目标域数据集，使用特征生成器提取源域特征和目标域特征，在源域中使用源域特征和源域样本标签进行有监督训练更新特征生成器和分类器，使用无监督聚类算法对目标域特征进行聚类获得目标域伪标签，将源域特征和源域标签，以及目标域特征和目标域伪标签输入局部最大均值差异度量公式进行分布差异计算对特征生成器进行优化。本发明所提出的结构信息保持域适应网络能够用于抽油机的故障诊断，能够降低故障诊断模型训练对数据标注的过度要求，并能够提高故障诊断模型在不同应用场景的泛化性能。
-
Patent Agency Ranking
公开(公告)号：CN112200104A
公开(公告)日：2021-01-08
申请号：CN202011105034.9
申请日：2020-10-15
Abstract: 本发明提供一种基于增强主成分分析新型贝叶斯框架的化工故障诊断方法,包括以下步骤，S1：TE过程数据采样；S2：计算监测变量的贡献度；S3：提取故障的关键特征变量；S4：训练与测试数据集划分；S5：蜻蜓算法寻找最优平滑参数；S6：构造增强朴素贝叶斯模型。本发明的有益效果是，本发明提出的eKPCA根据Hotelling统计量(T2)和平方预测误差(SPE)来计算每个被监测变量对T2和SPE的贡献，从而更加精确得到数据的关键特征；本发明利用蜻蜓算法(DA)来寻求增强朴素贝叶斯分类器的最优平滑参数，并通过将平滑参数引入到多元高斯核函数中，使得eK‑eNBM可以对整个属性使用最优的平滑参数，从而提高分类精度，为化工过程提供较高的故障诊断准确率。
-
公开(公告)号：CN114817856A
公开(公告)日：2022-07-29
申请号：CN202210397562.9
申请日：2022-04-15
Applicant: 重庆科技学院
Abstract: 本发明涉及石油工业技术领域，尤其涉及一种基于结构信息保持域适应网络的抽油机故障诊断方法，包括采集抽油机示功图数据，得到源域数据集和目标域数据集，使用特征生成器提取源域特征和目标域特征，在源域中使用源域特征和源域样本标签进行有监督训练更新特征生成器和分类器，使用无监督聚类算法对目标域特征进行聚类获得目标域伪标签，将源域特征和源域标签，以及目标域特征和目标域伪标签输入局部最大均值差异度量公式进行分布差异计算对特征生成器进行优化。本发明所提出的结构信息保持域适应网络能够用于抽油机的故障诊断，能够降低故障诊断模型训练对数据标注的过度要求，并能够提高故障诊断模型在不同应用场景的泛化性能。
-
公开(公告)号：CN113033079A
公开(公告)日：2021-06-25
申请号：CN202110248735.6
申请日：2021-03-08
Applicant: 重庆优易特智能科技有限公司 , 重庆科技学院 , 中南财经政法大学
IPC: G06F30/27 , G06K9/62 , G06N3/04 , G06N3/08 , G06F119/08
Abstract: 本发明提供一种基于不平衡修正卷积神经网络的化学故障诊断方法,包括以下步骤，S1：TE过程数据预处理；S2：合成样本；S3：数据降维；S4：构建CNN增量学习网络。本发明的有益效果是，提出的II‑CNN框架可以进行不平衡数据的合成，并考虑了边界样本的重要性，从而使合成的样本更具有代表性；在此基础上，对数据进行降维，简化复杂的学习过程；最后，针对新故障类型的到来，采用增量学习更新CNN网络的结构和参数。该方法优于现有的静态模型方法，在化学故障诊断中具有显著的鲁棒性和可靠性。
-
公开(公告)号：CN113033079B
公开(公告)日：2023-07-18
申请号：CN202110248735.6
申请日：2021-03-08
Applicant: 重庆优易特智能科技有限公司 , 重庆科技学院 , 中南财经政法大学
IPC: G06F30/27 , G06F18/214 , G06F18/22 , G06N3/0464 , G06N3/08 , G06F119/08
Abstract: 本发明提供一种基于不平衡修正卷积神经网络的化学故障诊断方法,包括以下步骤，S1：TE过程数据预处理；S2：合成样本；S3：数据降维；S4：构建CNN增量学习网络。本发明的有益效果是，提出的II‑CNN框架可以进行不平衡数据的合成，并考虑了边界样本的重要性，从而使合成的样本更具有代表性；在此基础上，对数据进行降维，简化复杂的学习过程；最后，针对新故障类型的到来，采用增量学习更新CNN网络的结构和参数。该方法优于现有的静态模型方法，在化学故障诊断中具有显著的鲁棒性和可靠性。
-
公开(公告)号：CN112200104B
公开(公告)日：2022-06-24
申请号：CN202011105034.9
申请日：2020-10-15
Abstract: 本发明提供一种基于增强主成分分析新型贝叶斯框架的化工故障诊断方法,包括以下步骤，S1：TE过程数据采样；S2：计算监测变量的贡献度；S3：提取故障的关键特征变量；S4：训练与测试数据集划分；S5：蜻蜓算法寻找最优平滑参数；S6：构造增强朴素贝叶斯模型。本发明的有益效果是，本发明提出的eKPCA根据Hotelling统计量(T2)和平方预测误差(SPE)来计算每个被监测变量对T2和SPE的贡献，从而更加精确得到数据的关键特征；本发明利用蜻蜓算法(DA)来寻求增强朴素贝叶斯分类器的最优平滑参数，并通过将平滑参数引入到多元高斯核函数中，使得eK‑eNBM可以对整个属性使用最优的平滑参数，从而提高分类精度，为化工过程提供较高的故障诊断准确率。
-
-
-
-
-
Search Results
6
records
(took 0.025 seconds)
