CN108798641A - 一种基于子空间迁移学习的有杆泵抽油井故障诊断方法 - Google Patents
一种基于子空间迁移学习的有杆泵抽油井故障诊断方法 Download PDFInfo
- Publication number
- CN108798641A CN108798641A CN201810628647.7A CN201810628647A CN108798641A CN 108798641 A CN108798641 A CN 108798641A CN 201810628647 A CN201810628647 A CN 201810628647A CN 108798641 A CN108798641 A CN 108798641A
- Authority
- CN
- China
- Prior art keywords
- matrix
- sample
- dimensional
- low
- subspace
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000005086 pumping Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000013526 transfer learning Methods 0.000 title claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims abstract description 44
- 238000013507 mapping Methods 0.000 claims abstract description 16
- 239000004576 sand Substances 0.000 claims abstract description 12
- 230000009467 reduction Effects 0.000 claims abstract description 11
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 238000003745 diagnosis Methods 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 239000000470 constituent Substances 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 9
- 239000007789 gas Substances 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 4
- 230000000977 initiatory effect Effects 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 210000002445 nipple Anatomy 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 238000012360 testing method Methods 0.000 description 10
- 230000001419 dependent effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 239000003129 oil well Substances 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
- E21B47/008—Monitoring of down-hole pump systems, e.g. for the detection of "pumped-off" conditions
- E21B47/009—Monitoring of walking-beam pump systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Mining & Mineral Resources (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Geology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Geophysics (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明涉及一种基于子空间迁移学习的有杆泵抽油井故障诊断方法,步骤为:收集运行5年以上、故障种类完备的单口抽油井的示功图历史数据Xs、对单口新井收集示功图历史数据Xt;将Xs和Xt进行主元成分分析得到初始化映射矩阵P和低维样本,利用K‑SVD对低维样本进行分解得到初始化低维字典矩阵D;根据D的维度,初始化理想系数矩阵Qs、Qt;通过迭代优化得到映射矩阵P和更新后的低维字典矩阵D;对待诊断的示功图数据利用映射矩阵P降维,并在低维空间中对其进行编码;根据编码系数,判断当前工况。本发明利用已有较完备的故障样本数据,对于较新的抽油井只需要部分类型的样本数据,不需要全部类别的故障样本,更符合实际生产需求。
Description
技术领域
本发明涉及一种抽油井故障诊断技术,具体为一种基于子空间迁移学习的有杆泵抽油井故障诊断方法。
背景技术
有杆泵抽油***是当今国内外最常采用的一种采油机构。在实际的石油开采过程中,有杆泵抽油井***所处的生产一般环境较为恶劣,这导致了***工作不稳定,故障发生率高。发生故障的机构会导致诸如产油量减少,油井停产甚至设备损坏等严重后果。因此,利用计算机自动实现有杆泵抽油井***的故障诊断是一种非常有意义的技术。
有杆泵抽油井***的故障诊断问题实际上是一类模式识别问题,通常的做法是在进行特征提取后,选择合适的分类器对示功图进行诊断。传统的识别算法有一个很严格的假设,即训练样本与测试样本满足相同分布。当前的有杆泵抽油井故障诊断方法大都基于此假设。而实际生产中,不同的抽油井由于环境,设备参数的差异,同一种工况的示功图也会产生较大差异。因此,采用其他井的历史示功图数据直接作为训练样本有时难以达到满意的诊断效果。
此外,由于抽油井的抽油过程是一种缓慢的过程,一般来说,工况不会在短时间内频繁变化。因此,对于新的抽油井,难以取得部分非常见故障的示功图数据。试图对每一口新抽油井单独采集历史数据作为训练样本也是不现实的。如何利用新抽油井有限的历史数据和其他抽油井相对较多的历史示功图数据进行故障诊断,是一个亟待解决的问题。
发明内容
针对现有技术中有杆泵抽油井***故障诊断方法中,较新的抽油井故障样本种类不全,难以取得部分非常见故障的示功图数据等不足,本发明要解决的技术问题是提供一种可有效利用其他井完备的数据集和单口较新井不完备的数据集的基于子空间迁移学习的有杆泵抽油井故障诊断方法。
为解决上述技术问题,本发明采用的技术方案是:
本发明一种基于子空间迁移学习的有杆泵抽油井故障诊断方法,包括以下步骤:
1)收集运行5年以上、故障种类完备的单口抽油井的示功图历史数据Xs、对单口新井收集示功图历史数据Xt,其中Xs故障种类完备,Xt故障种类不完备;
2)初始化参数;
3)将Xs和Xt作为训练数据进行主元成分分析得到初始化映射矩阵P和低维样本,利用K-SVD对低维样本进行分解得到初始化低维字典矩阵D;
4)根据D的维度,初始化理想系数矩阵Qs、Qt;
5)通过迭代优化得到映射矩阵P和更新后的低维字典矩阵D;
6)对待诊断的示功图数据利用映射矩阵P降维,并在低维空间中对其进行编码;
7)根据上一步计算得到的编码系数,判断当前工况。
步骤4)中,利用标签信息,根据低维字典D的维数和已有故障样本Xs、Xt分别建立理想系数矩阵Qs和Qt,矩阵Qt中含有零列向量。
步骤5)中迭代优化需优化如下目标函数:
s.t.:PTXs=DZs+Es
PTXt=DZt+Et
其中,Zs为系数矩阵,Zt表示在低维空间中,经过降维的样本PTXs和PTXt关于D的重构系数,Es和Et是重构误差,Qt为理想系数矩阵,β和λ为惩罚因子,||·||F为frobenius范数。
步骤5)中,通过优化得到低维字典,使得所有样本Xs、Xt在通过映射矩阵P降维后,可以在低维空间中由D线性重构。
故障种类完备是指抽油过程中常见的工况种类,包含:泵上碰、泵下碰、泵供液不足、气体影响、游动阀漏失、固定阀漏失、游动阀和固定阀同时漏失、活塞脱出工作筒以及抽油杆断脱,缺少上述任何一种或几种都属于不完备的情况。
泵上碰是指在抽油机上下往复抽油的过程中上顶端即上死点,柱塞与泵头相撞;泵下碰是指柱塞和固定阀罩相撞;气体影响是指油气混合物进入泵内。
本发明具有以下有益效果及优点:
1.本发明方法通过对已有的其他抽油井的比较完备的故障样本数据进行信息迁移,可以充分利用已有的较完备的故障样本数据,对于较新的抽油井只需要部分类型的样本数据,不需要全部类别的故障样本,由于抽油过程是一个较为缓慢的过程,难以在短时间内获得单口井全部类型的故障样本,因此本发明更符合实际生产需求。
2.采用本发明方法,所有的训练样本在降维后,在低维子空间中均可以由字典矩阵进行线性重构,可以认为而在此子空间中所有样本满足同一分布,因此在此子空间中可以利用传统的分类算法进行分类。
附图说明
图1为本发明基于子空间迁移学习的有杆泵抽油井故障诊断方法流程图;
图2为本发明方法中故障类型完备的历史数据Xs所对应理想系数矩阵Qs示意图;
图3为本发明方法中故障类型缺失的历史数据Xt所对应的理想系数矩阵Qt示意图。
具体实施方式
下面结合说明书附图对本发明作进一步阐述。
如图1所示,本发明一种基于曲波变换和核稀疏的抽油井半监督故障诊断方法包括以下步骤:
1)收集运行5年以上、故障种类完备的单口抽油井的示功图历史数据Xs、对单口新井收集示功图历史数据Xt,其中Xs故障种类完备,Xt故障种类不完备;
2)初始化参数,包括维度,惩罚因子等,具体为:
确定低维空间的维度d,惩罚因子μ>0,0<γ<1,β,λ,ρ,μmax和最大迭代次数Tmax;
3)将Xs和Xt作为训练数据进行主元成分分析得到初始化映射矩阵P和低维样本,利用K-SVD对低维样本进行分解得到初始化低维字典矩阵D;
本步骤将数据Xs和Xt合并成一组数据集Xa,其中在数据集Xa中属于同一类别的样本排列在一起;对数据集Xa利用主元成分分析进行降维处理,初始化映射矩阵P和低维样本Xal;对Xal进行K-SVD分解,得到初始化低维字典矩阵D;
4)根据D,初始化理想系数矩阵Qs,Qt;矩阵Qs,Qt的示意图如图2、图3所示;
5)优化如下目标函数:
s.t.:PTXs=DZs+Es
PTXt=DZt+Et
其中系数矩阵Zs,Zt表示在低维空间中,经过降维的样本PTXs和PTXt关于D的重构系数,Es和Et是重构误差;β和λ为惩罚因子,||·||F为frobenius范数。
本发明中,完备的故障种类是指抽油过程中常见的工况种类,包含:泵上碰(在上死点即在抽油机上下往复抽油的过程中上顶端位置柱塞与泵头相撞)、泵下碰(柱塞和固定阀罩相撞)、泵供液不足、气体影响(油气混合物进入泵内)、游动阀漏失、固定阀漏失、游动阀和固定阀同时漏失、活塞脱出工作筒以及抽油杆断脱,缺少上述任何一种或几种都属于不完备的情况。
由于目标函数中变量较多,无法直接得到闭式解。为了便于优化,引入辅助变量M1、M2后,按照如下步骤对进行迭代优化:
5.1)保持其他变量不变,按照如下规则更新P:
Pk+1=γPk+(1-γ)Pupdate
其中Pupdate为:
5.2)保持其他变量不变,按照如下规则更新Zs:
其中:
是一个与参数相关的阈值算子,其中
其中M=UΣVT是M的奇异值分解。惩罚因子
5.3)保持其他变量不变,按照如下规则更新Zt:
其中
5.4)保持其他变量不变,按照如下规则更新Es:
其中shrink(X,λ)是收缩算子:
5.5)保持其他变量不变,按照如下规则更新Et:
5.6)保持其他变量不变,按照如下规则更新D:
Dk+1=γDk+(1-γ)Dupdate
其中Dupdate为:
5.7)持其他变量不变,更新两个辅助变量及惩罚因子,更新规则如下:
循环迭代更新上述各变量直至达到最大迭代次数或者满足收敛条件,收敛条件为:
其中ε为最大容许误差,一般取ε=10-4。
迭代停止后,可以得到映射矩阵P和更新后的低维字典矩阵D。
6)对待测试样本xtest利用映射矩阵P进行降维处理,得到低维测试样本xtl:
xtl=PTxtest
在低维空间中,利用低维字典矩阵D对低维测试样本xtl进行编码:
min||Z||*+λ||E||1
s.t.:PTX=DZ+E
其中,Z为低维测试样本xtl所对应的编码系数;
7)根据编码系数计算待诊断样本的标签ytest
ytest=YDZ
其中YD为字典中每列元素所对应的标签向量集合,ytest中数值最大的元素所对应的序号i,即代表当前发生第i类故障。
本发明首先收集两个数据集的数据样本,一个数据集故障类型完备,另一个数据集故障类型缺失;将所有样本利用主元成分分析进行降维,得到低维训练样本和初始化映射矩阵;对低维训练样本进行K-SVD分解,得到初始化低维字典矩阵;迭代优化后,得到低维字典和映射矩阵,使得所有样本数据经过低维映射后均可以被低维字典线性重构;对每一个带诊断样本在低维空间中计算其关于字典的编码系数;利用编码系数计算待诊断样本的故障类型。本发明通过对已有的其他抽油井的比较完备的故障样本数据进行信息迁移,可以对缺少故障样本的较新抽油井进行故障诊断。
Claims (6)
1.一种基于子空间迁移学习的有杆泵抽油井故障诊断方法,其特征在于包括以下步骤:
1)收集运行5年以上、故障种类完备的单口抽油井的示功图历史数据Xs、对单口新井收集示功图历史数据Xt,其中Xs故障种类完备,Xt故障种类不完备;
2)初始化参数;
3)将Xs和Xt作为训练数据进行主元成分分析得到初始化映射矩阵P和低维样本,利用K-SVD对低维样本进行分解得到初始化低维字典矩阵D;
4)根据D的维度,初始化理想系数矩阵Qs、Qt;
5)通过迭代优化得到映射矩阵P和更新后的低维字典矩阵D;
6)对待诊断的示功图数据利用映射矩阵P降维,并在低维空间中对其进行编码;
7)根据上一步计算得到的编码系数,判断当前工况。
2.根据权利要求1所述的基于子空间迁移学习的有杆泵抽油井故障诊断方法,其特征在于:步骤4)中,利用标签信息,根据低维字典D的维数和已有故障样本Xs、Xt分别建立理想系数矩阵Qs和Qt,矩阵Qt中含有零列向量。
3.根据权利要求1所述的基于子空间迁移学习的有杆泵抽油井故障诊断方法,其特征在于:步骤5)中迭代优化需优化如下目标函数:
s.t.:PTXs=DZs+Es
PTXt=DZt+Et
其中,Zs为系数矩阵,Zt表示在低维空间中,经过降维的样本PTXs和PTXt关于D的重构系数,Es和Et是重构误差,Qt为理想系数矩阵,β和λ为惩罚因子,||·||F为frobenius范数。
4.根据权利要求1所述的基于子空间迁移学习的有杆泵抽油井故障诊断方法,其特征在于:步骤5)中,通过优化得到低维字典,使得所有样本Xs、Xt在通过映射矩阵P降维后,可以在低维空间中由D线性重构。
5.根据权利要求1所述的基于子空间迁移学习的有杆泵抽油井故障诊断方法,其特征在于:故障种类完备是指抽油过程中常见的工况种类,包含:泵上碰、泵下碰、泵供液不足、气体影响、游动阀漏失、固定阀漏失、游动阀和固定阀同时漏失、活塞脱出工作筒以及抽油杆断脱,缺少上述任何一种或几种都属于不完备的情况。
6.根据权利要求5所述的基于子空间迁移学习的有杆泵抽油井故障诊断方法,其特征在于:泵上碰是指在抽油机上下往复抽油的过程中上顶端即上死点,柱塞与泵头相撞;泵下碰是指柱塞和固定阀罩相撞;气体影响是指油气混合物进入泵内。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810628647.7A CN108798641B (zh) | 2018-06-19 | 2018-06-19 | 一种基于子空间迁移学习的有杆泵抽油井故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810628647.7A CN108798641B (zh) | 2018-06-19 | 2018-06-19 | 一种基于子空间迁移学习的有杆泵抽油井故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108798641A true CN108798641A (zh) | 2018-11-13 |
CN108798641B CN108798641B (zh) | 2021-06-11 |
Family
ID=64083459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810628647.7A Active CN108798641B (zh) | 2018-06-19 | 2018-06-19 | 一种基于子空间迁移学习的有杆泵抽油井故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108798641B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111783945A (zh) * | 2020-06-22 | 2020-10-16 | 东北石油大学 | 基于迁移学习lstm的长输油管道泄漏实时检测*** |
CN115059455A (zh) * | 2022-06-28 | 2022-09-16 | 东北石油大学 | 一种基于机器学习的有杆抽油机井下故障诊断方法 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4483188A (en) * | 1983-04-18 | 1984-11-20 | Fmc Corporation | Method and apparatus for recording and playback of dynagraphs for sucker-rod wells |
CN103077544A (zh) * | 2012-12-28 | 2013-05-01 | 深圳先进技术研究院 | 一种磁共振参数匹配方法、装置及医疗图像处理设备 |
US20130191425A1 (en) * | 2012-01-20 | 2013-07-25 | Fatih Porikli | Method for Recovering Low-Rank Matrices and Subspaces from Data in High-Dimensional Matrices |
CN104318269A (zh) * | 2014-11-19 | 2015-01-28 | 四川大学 | 基于子空间学习与稀疏编码的真迹鉴定方法 |
CN104867166A (zh) * | 2015-05-22 | 2015-08-26 | 北京师范大学 | 一种基于稀疏字典学习的油井示功图压缩存储方法 |
CN104865827A (zh) * | 2015-03-23 | 2015-08-26 | 中国石油天然气股份有限公司 | 一种基于多工况模型的抽油机采油优化方法 |
CN106326935A (zh) * | 2016-08-29 | 2017-01-11 | 重庆大学 | 一种基于稀疏非线性子空间迁移的图像分类方法 |
CN106503726A (zh) * | 2016-09-19 | 2017-03-15 | 江苏大学 | 一种带标签信息子字典级联学习的电能质量扰动识别方法 |
CN106844518A (zh) * | 2016-12-29 | 2017-06-13 | 天津中科智能识别产业技术研究院有限公司 | 一种基于子空间学习的不完整跨模态检索方法 |
CN106897669A (zh) * | 2017-01-19 | 2017-06-27 | 同济大学 | 一种基于一致迭代多视角迁移学习的行人再辨识方法 |
CN107165615A (zh) * | 2017-05-10 | 2017-09-15 | 东北大学 | 基于曲波变换和核稀疏的抽油井半监督故障诊断方法 |
CN107316065A (zh) * | 2017-06-26 | 2017-11-03 | 刘艳 | 基于分部式子空间模型的稀疏特征提取和分类方法 |
CN107480688A (zh) * | 2017-06-20 | 2017-12-15 | 广东工业大学 | 基于零样本学习的细粒度图像识别方法 |
CN107491792A (zh) * | 2017-08-29 | 2017-12-19 | 东北大学 | 基于特征映射迁移学习的电网故障分类方法 |
CN108038493A (zh) * | 2017-11-24 | 2018-05-15 | 东北大学 | 基于回归智能判别嵌入的工业大数据过程故障监测方法 |
CN108090461A (zh) * | 2017-12-29 | 2018-05-29 | 浙江大学宁波理工学院 | 基于稀疏特征的三维人脸识别方法 |
CN108171277A (zh) * | 2018-01-17 | 2018-06-15 | 重庆大学 | 一种基于稀疏表示的bit间歇故障诊断方法 |
-
2018
- 2018-06-19 CN CN201810628647.7A patent/CN108798641B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4483188A (en) * | 1983-04-18 | 1984-11-20 | Fmc Corporation | Method and apparatus for recording and playback of dynagraphs for sucker-rod wells |
US20130191425A1 (en) * | 2012-01-20 | 2013-07-25 | Fatih Porikli | Method for Recovering Low-Rank Matrices and Subspaces from Data in High-Dimensional Matrices |
CN103077544A (zh) * | 2012-12-28 | 2013-05-01 | 深圳先进技术研究院 | 一种磁共振参数匹配方法、装置及医疗图像处理设备 |
CN104318269A (zh) * | 2014-11-19 | 2015-01-28 | 四川大学 | 基于子空间学习与稀疏编码的真迹鉴定方法 |
CN104865827A (zh) * | 2015-03-23 | 2015-08-26 | 中国石油天然气股份有限公司 | 一种基于多工况模型的抽油机采油优化方法 |
CN104867166A (zh) * | 2015-05-22 | 2015-08-26 | 北京师范大学 | 一种基于稀疏字典学习的油井示功图压缩存储方法 |
CN106326935A (zh) * | 2016-08-29 | 2017-01-11 | 重庆大学 | 一种基于稀疏非线性子空间迁移的图像分类方法 |
CN106503726A (zh) * | 2016-09-19 | 2017-03-15 | 江苏大学 | 一种带标签信息子字典级联学习的电能质量扰动识别方法 |
CN106844518A (zh) * | 2016-12-29 | 2017-06-13 | 天津中科智能识别产业技术研究院有限公司 | 一种基于子空间学习的不完整跨模态检索方法 |
CN106897669A (zh) * | 2017-01-19 | 2017-06-27 | 同济大学 | 一种基于一致迭代多视角迁移学习的行人再辨识方法 |
CN107165615A (zh) * | 2017-05-10 | 2017-09-15 | 东北大学 | 基于曲波变换和核稀疏的抽油井半监督故障诊断方法 |
CN107480688A (zh) * | 2017-06-20 | 2017-12-15 | 广东工业大学 | 基于零样本学习的细粒度图像识别方法 |
CN107316065A (zh) * | 2017-06-26 | 2017-11-03 | 刘艳 | 基于分部式子空间模型的稀疏特征提取和分类方法 |
CN107491792A (zh) * | 2017-08-29 | 2017-12-19 | 东北大学 | 基于特征映射迁移学习的电网故障分类方法 |
CN108038493A (zh) * | 2017-11-24 | 2018-05-15 | 东北大学 | 基于回归智能判别嵌入的工业大数据过程故障监测方法 |
CN108090461A (zh) * | 2017-12-29 | 2018-05-29 | 浙江大学宁波理工学院 | 基于稀疏特征的三维人脸识别方法 |
CN108171277A (zh) * | 2018-01-17 | 2018-06-15 | 重庆大学 | 一种基于稀疏表示的bit间歇故障诊断方法 |
Non-Patent Citations (11)
Title |
---|
BOYUAN ZHENG, XIANWEN GAO: "《Sucker rod pumping diagnosis using valve working position and parameter optimal continuous hidden Markov model》", 《JOURNAL OF PROCESS CONTROL》 * |
LEI ZHANG,WANGMENG ZUO,DAVID ZHANG: "《LSDT: Latent Sparse Domain Transfer Learning》", 《TRANSACTIONS ON IMAGE PROCESSING》 * |
YONG XU,XIAOZHAO FANG,JIAN WU,XUELONG LI,DAVID ZHANG: "《Discriminative Transfer Subspace Learning via Low-Rank and Sparse Representation》", 《TRANSACTIONS ON IMAGE PROCESSING》 * |
刘丽,赵凌君,郭承玉,王亮,汤俊: "《图像纹理分类方法研究进展和展望》", 《自动化学报》 * |
张晓东,谢先华,李正耀,鲁青玲,龚彦: "《抽油机井泵效影响因素之主成分分析法》", 《西南石油大学学报(自然科学版)》 * |
张景祥,2 王士同,邓赵红,蒋亦樟,李奕: "《融合异构特征的子空间迁移学习算法》", 《融合异构特征的子空间迁移学习算法》 * |
张玉兰,张家林,余义斌: "《基于主成分初始化与双字典学习的图像分类方法》", 《基于主成分初始化与双字典学习的图像分类方法》 * |
杨方方: "《基于稀疏表示与低秩矩阵恢复的图像识别算法研究》", 《中国优秀硕士学位论文全文数据库》 * |
王松,夏绍玮: "《一种鲁棒主成分分析( PCA)算法》", 《***工程理论与实际》 * |
钟倩,杨丽,梁志贞: "《基于样本加权的格拉斯曼平均算法》", 《计算机工程与应用》 * |
高亦超,陈昌红,干宗良,刘峰: "《基于领域相似性迁移学习的行为识别》", 《中国科技论文》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111783945A (zh) * | 2020-06-22 | 2020-10-16 | 东北石油大学 | 基于迁移学习lstm的长输油管道泄漏实时检测*** |
CN111783945B (zh) * | 2020-06-22 | 2022-08-16 | 东北石油大学 | 基于迁移学习lstm的长输油管道泄漏实时检测*** |
CN115059455A (zh) * | 2022-06-28 | 2022-09-16 | 东北石油大学 | 一种基于机器学习的有杆抽油机井下故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108798641B (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | A novel double-stacked autoencoder for power transformers DGA signals with an imbalanced data structure | |
Zhou et al. | A novel UKF-RBF method based on adaptive noise factor for fault diagnosis in pumping unit | |
CN106569056B (zh) | 电力变压器的故障诊断方法及诊断装置 | |
CN111861774B (zh) | 一种基于并行代理模型的油藏生产机器学习方法 | |
Han et al. | Online fault diagnosis for sucker rod pumping well by optimized density peak clustering | |
CN111460728A (zh) | 一种工业设备剩余寿命预测方法、装置、存储介质及设备 | |
CN108798641A (zh) | 一种基于子空间迁移学习的有杆泵抽油井故障诊断方法 | |
CN113342597B (zh) | 一种基于高斯混合隐马尔可夫模型的***故障预测方法 | |
CN112949196A (zh) | 一种基于残差神经网络的抽油机井故障诊断方法及*** | |
Wang et al. | A working condition diagnosis model of sucker rod pumping wells based on big data deep learning | |
CN109325513A (zh) | 一种基于海量单类单幅图像的图像分类网络训练方法 | |
CN114970326A (zh) | 一种基于改进胶囊神经网络的油井故障诊断方法 | |
CN110318731A (zh) | 一种基于gan的抽油井故障诊断方法 | |
CN114035468A (zh) | 基于XGBoost算法的风机检修流程预测性监控方法与*** | |
CN110276493A (zh) | 一种油井检泵周期预测方法、装置及存储介质 | |
CN116755000A (zh) | 一种变压器故障快速识别装置及方法 | |
WO2024027487A1 (zh) | 基于智能运维场景的健康度评价方法及装置 | |
CN111858343A (zh) | 一种基于攻击能力的对抗样本生成方法 | |
CN108388918A (zh) | 具有结构保持特性的数据特征选择方法 | |
CN116291336B (zh) | 一种基于深度自注意力神经网络的自动分段分簇*** | |
CN110428095A (zh) | 一种海上油田中长期电力负荷预测方法 | |
CN114596445A (zh) | 一种提升采油机故障诊断精度方法 | |
CN113153267B (zh) | 一种抽油机井示功图多尺度归一化方法及*** | |
Li et al. | Intelligent Fault Diagnosis of Pumping Based on DWR-VGG | |
Han et al. | Multiple fault diagnosis for sucker rod pumping systems based on matter element analysis with F-statistics |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |