CN116658492B - 智能动力猫道及其方法 - Google Patents
智能动力猫道及其方法 Download PDFInfo
- Publication number
- CN116658492B CN116658492B CN202310935873.0A CN202310935873A CN116658492B CN 116658492 B CN116658492 B CN 116658492B CN 202310935873 A CN202310935873 A CN 202310935873A CN 116658492 B CN116658492 B CN 116658492B
- Authority
- CN
- China
- Prior art keywords
- hydraulic oil
- training
- flow
- pressure
- temperature
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title abstract description 24
- 239000010720 hydraulic oil Substances 0.000 claims abstract description 292
- 238000010219 correlation analysis Methods 0.000 claims abstract description 19
- 239000013598 vector Substances 0.000 claims description 185
- 238000012549 training Methods 0.000 claims description 152
- 230000004927 fusion Effects 0.000 claims description 50
- 239000011159 matrix material Substances 0.000 claims description 40
- 238000013527 convolutional neural network Methods 0.000 claims description 22
- 230000007246 mechanism Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012098 association analyses Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 abstract description 9
- 230000008569 process Effects 0.000 abstract description 8
- 238000012545 processing Methods 0.000 abstract description 8
- 238000005553 drilling Methods 0.000 description 21
- 230000006870 function Effects 0.000 description 21
- 238000001514 detection method Methods 0.000 description 12
- 238000012544 monitoring process Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 239000007789 gas Substances 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- E21B19/00—Handling rods, casings, tubes or the like outside the borehole, e.g. in the derrick; Apparatus for feeding the rods or cables
- E21B19/14—Racks, ramps, troughs or bins, for holding the lengths of rod singly or connected; Handling between storage place and borehole
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F15—FLUID-PRESSURE ACTUATORS; HYDRAULICS OR PNEUMATICS IN GENERAL
- F15B—SYSTEMS ACTING BY MEANS OF FLUIDS IN GENERAL; FLUID-PRESSURE ACTUATORS, e.g. SERVOMOTORS; DETAILS OF FLUID-PRESSURE SYSTEMS, NOT OTHERWISE PROVIDED FOR
- F15B19/00—Testing; Calibrating; Fault detection or monitoring; Simulation or modelling of fluid-pressure systems or apparatus not otherwise provided for
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F15—FLUID-PRESSURE ACTUATORS; HYDRAULICS OR PNEUMATICS IN GENERAL
- F15B—SYSTEMS ACTING BY MEANS OF FLUIDS IN GENERAL; FLUID-PRESSURE ACTUATORS, e.g. SERVOMOTORS; DETAILS OF FLUID-PRESSURE SYSTEMS, NOT OTHERWISE PROVIDED FOR
- F15B19/00—Testing; Calibrating; Fault detection or monitoring; Simulation or modelling of fluid-pressure systems or apparatus not otherwise provided for
- F15B19/005—Fault detection or monitoring
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F15—FLUID-PRESSURE ACTUATORS; HYDRAULICS OR PNEUMATICS IN GENERAL
- F15B—SYSTEMS ACTING BY MEANS OF FLUIDS IN GENERAL; FLUID-PRESSURE ACTUATORS, e.g. SERVOMOTORS; DETAILS OF FLUID-PRESSURE SYSTEMS, NOT OTHERWISE PROVIDED FOR
- F15B21/00—Common features of fluid actuator systems; Fluid-pressure actuator systems or details thereof, not covered by any other group of this subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B50/00—Energy efficient technologies in elevators, escalators and moving walkways, e.g. energy saving or recuperation technologies
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Fluid Mechanics (AREA)
- Mechanical Engineering (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Fluid-Pressure Circuits (AREA)
- Earth Drilling (AREA)
Abstract
本发明公开了一种智能动力猫道及其方法,其采集到液压***在工作过程中的多个预定时间点的液压油的压力值、流量值和温度值,在后端引入数据处理和分析算法来对液压油的压力值、流量值和温度值进行智能化的时序协同关联分析以实现对液压***的工作状态判断,从而确保液压***的正常运行,以提供足够的力量来抬升送钻柱装置。
Description
技术领域
本发明涉及智能动力猫道技术领域,尤其涉及一种智能动力猫道及其方法。
背景技术
动力猫道是主要用于钻台高度10.5m-12m钻机所需地面管具自动输送上下钻井平台的工作,适用于石油、天然气、页岩气及煤层气等钻井作业现场地面管具的传送作业。
在动力猫道的工作过程中,液压***的正常运行对于抬升送钻柱装置至关重要。然而,传统的液压***监测方案通常是依赖于人工巡检或数据自动监测的方式来进行。在人工巡检方案中,需要专业技术人员来进行液压***的工作状态分析判断,这不仅需要耗费专业技术人员大量的时间和精力,还容易受到人员主观判断的影响,导致对于液压***的故障检测精度较低,易产生漏检误检。在数据自动检测方案中,现有的方案只是基于对各个参数数据是否超过阈值进行检测,并没有关注到液压***工作过程中各个参数之间的关联协同性,导致无法及时且有效地发现和处理液压***故障,造成设备损坏或生产中断。
因此,期望一种智能动力猫道。
发明内容
本发明实施例提供一种智能动力猫道及其方法,其采集到液压***在工作过程中的多个预定时间点的液压油的压力值、流量值和温度值,在后端引入数据处理和分析算法来对液压油的压力值、流量值和温度值进行智能化的时序协同关联分析以实现对液压***的工作状态判断,从而确保液压***的正常运行,以提供足够的力量来抬升送钻柱装置。
本发明实施例还提供了一种智能动力猫道,其包括:底座;自所述底座以第一角度和第二角度向上延伸的坡道和支架;固定于所述坡道和所述支架之间的送钻柱装置;以及液压***和电气***。
在上述智能动力猫道中,所述液压***,包括:数据获取模块,用于获取预定时间段内多个预定时间点的液压油的压力值、流量值和温度值;协同关联分析模块,用于对所述多个预定时间点的液压油的压力值、流量值和温度值进行数据协同关联分析以得到液压油多参数融合特征;以及液压***判断模块,用于基于所述液压油多参数融合特征,确定液压***是否正常运行。
在上述智能动力猫道中,所述协同关联分析模块,包括:向量排列单元,用于将所述多个预定时间点的液压油的压力值、流量值和温度值分别按照时间维度排列为液压油压力时序输入向量、液压油流量时序输入向量和液压油温度时序输入向量;压力关联编码单元,用于对所述液压油压力时序输入向量和所述液压油流量时序输入向量进行协同关联编码以得到液压油流量-压力关联特征向量;温度关联编码单元,用于对所述液压油流量时序输入向量和所述液压油温度时序输入向量进行协同关联编码以得到液压油流量-温度关联特征向量;以及融合单元,用于融合所述液压油流量-压力关联特征向量和所述液压油流量-温度关联特征向量以得到液压油多参数融合特征向量作为所述液压油多参数融合特征。
在上述智能动力猫道中,所述压力关联编码单元,用于:计算所述液压油压力时序输入向量和所述液压油流量时序输入向量之间的液压油流量-压力关联矩阵;以及将所述液压油流量-压力关联矩阵通过基于第一卷积神经网络模型的流量-压力关联提取器以得到所述液压油流量-压力关联特征向量。
在上述智能动力猫道中,所述温度关联编码单元,用于:计算所述液压油流量时序输入向量和所述液压油温度时序输入向量之间的液压油流量-温度关联矩阵;以及将所述液压油流量-温度关联矩阵通过基于第二卷积神经网络模型的流量-温度关联特征提取器以得到所述液压油流量-温度关联特征向量。
在上述智能动力猫道中,所述融合单元,用于:使用注意力机制来融合所述液压油流量-压力关联特征向量和所述液压油流量-温度关联特征向量以得到所述液压油多参数融合特征向量。
在上述智能动力猫道中,所述液压***判断模块,用于:将所述液压油多参数融合特征向量通过分类器以得到分类结果,所述分类结果用于表示液压***是否正常运行。
在上述智能动力猫道中,还包括训练模块,用于对所述基于第一卷积神经网络模型的流量-压力关联提取器、所述基于第二卷积神经网络模型的流量-温度关联特征提取器和所述分类器进行训练;其中,所述训练模块,包括:训练数据获取单元,用于获取训练数据,所述训练数据包括预定时间段内多个预定时间点的液压油的训练压力值、训练流量值和训练温度值,以及,所述液压***是否正常运行的真实值;训练向量排列单元,用于将所述多个预定时间点的液压油的训练压力值、训练流量值和训练温度值分别按照时间维度排列为训练液压油压力时序输入向量、训练液压油流量时序输入向量和训练液压油温度时序输入向量;训练压力关联矩阵计算单元,用于计算所述训练液压油压力时序输入向量和所述训练液压油流量时序输入向量之间的训练液压油流量-压力关联矩阵;训练温度关联矩阵计算单元,用于计算所述训练液压油流量时序输入向量和所述训练液压油温度时序输入向量之间的训练液压油流量-温度关联矩阵;训练第一特征提取单元,用于将所述训练液压油流量-压力关联矩阵通过所述基于第一卷积神经网络模型的流量-压力关联提取器以得到训练液压油流量-压力关联特征向量;训练第二特征提取单元,用于将所述训练液压油流量-温度关联矩阵通过所述基于第二卷积神经网络模型的流量-温度关联特征提取器以得到训练液压油流量-温度关联特征向量;训练融合单元,用于使用注意力机制来融合所述训练液压油流量-压力关联特征向量和所述训练液压油流量-温度关联特征向量以得到训练液压油多参数融合特征向量;训练分类单元,用于将所述训练液压油多参数融合特征向量通过所述分类器以得到分类损失函数值;相似性损失函数值计算单元,用于计算所述训练液压油流量-压力关联特征向量和所述训练液压油流量-温度关联特征向量的共有流形隐式相似性因数以得到共有流形隐式相似性损失函数值;训练单元,用于以所述分类损失函数值和所述共有流形隐式相似性损失函数值的加权和作为损失函数值,并通过梯度下降的方向传播来对所述基于第一卷积神经网络模型的流量-压力关联提取器、所述基于第二卷积神经网络模型的流量-温度关联特征提取器和所述分类器进行训练。
在上述智能动力猫道中,所述相似性损失函数值计算单元,用于:以如下损失公式计算所述训练液压油流量-压力关联特征向量和所述训练液压油流量-温度关联特征向量的共有流形隐式相似性因数以得到所述共有流形隐式相似性损失函数值;其中,所述损失公式为:其中,/>和/>分别是所述训练液压油流量-压力关联特征向量和所述训练液压油流量-温度关联特征向量,/>是所述训练液压油流量-温度关联特征向量的转置向量,/>表示向量的二范数,且/>表示矩阵的Frobenius范数的平方根,所述训练液压油流量-压力关联特征向量和所述训练液压油流量-温度关联特征向量均为列向量形式,/>、/>、/>和/>为权重超参数,/>表示向量乘法,表示按位置点乘,/>表示按位置差分,/>表示所述共有流形隐式相似性损失函数值。
本发明实施例还提供了一种智能动力猫道的控制方法,其包括:获取预定时间段内多个预定时间点的液压油的压力值、流量值和温度值;对所述多个预定时间点的液压油的压力值、流量值和温度值进行数据协同关联分析以得到液压油多参数融合特征;以及基于所述液压油多参数融合特征,确定液压***是否正常运行。
本申请的有益效果为,与现有技术相比,本申请提供的智能动力猫道及其方法,其采集到液压***在工作过程中的多个预定时间点的液压油的压力值、流量值和温度值,在后端引入数据处理和分析算法来对液压油的压力值、流量值和温度值进行智能化的时序协同关联分析以实现对液压***的工作状态判断,从而确保液压***的正常运行,以提供足够的力量来抬升送钻柱装置。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
在附图中:图1为本发明实施例中提供的一种智能动力猫道的框图。
图2为本发明实施例中提供的一种智能动力猫道中所述液压***的框图。
图3为本发明实施例中提供的一种智能动力猫道的控制方法的流程图。
图4为本发明实施例中提供的一种智能动力猫道的控制方法的***架构的示意图。
图5为本发明实施例中提供的一种智能动力猫道的应用场景图。
其中,1、底座;2、坡道;3、支架3;4、送钻柱装置;5、液压***;6、电气***。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
除非另有说明,本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本申请的范围。
在本申请实施例记载中,需要说明的是,除非另有说明和限定,术语“连接”应做广义理解,例如,可以是电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
应可以理解,动力猫道是一种用于钻井作业的地面管具自动输送***,主要用于钻台高度在10.5米到12米之间的钻机,用于将地面管具自动输送到钻井平台上方或下方。
动力猫道的作用是提供一种高效、安全的方式来传送钻机所需的地面管具,可以在钻井作业现场将钻杆、钻铤、套管等管具从地面输送到钻井平台上方,或者将已经使用完毕的管具从钻井平台下方输送回地面。
动力猫道通常由一条倾斜的轨道和一个运行在轨道上的输送设备组成。输送设备通常是一个具有牵引力的电动机,可以沿着轨道上下移动,并通过钢丝绳或链条将地面管具连接起来,通过控制输送设备的运行,可以实现地面管具的自动输送。动力猫道的优点是提高了钻井作业的效率和安全性,可以减少人工操作的需求,降低了人为错误的风险。同时,还可以加快地面管具的输送速度,提高钻井作业的连续性和效率。
动力猫道在石油、天然气、页岩气和煤层气等钻井作业现场得到广泛应用,可以适应不同的钻台高度,并且适用于各种地质条件和作业环境。通过自动化的地面管具输送,动力猫道为钻井作业提供了更加便捷、高效和安全的解决方案。
在本发明的一个实施例中,图1为本发明实施例中提供的一种智能动力猫道的框图。如图1所示,根据本发明实施例的智能动力猫道,包括:底座1;自所述底座1以第一角度和第二角度向上延伸的坡道2和支架3;固定于所述坡道2和所述支架3之间的送钻柱装置4;以及,液压***5和电气***6。
其中,智能动力猫道是一种用于钻井作业的地面管具自动输送***。具体地,所述底座1提供整个***的稳定支撑;所述底座1上延伸的所述坡道2和所述支架3用于支撑和引导地面管具的运动,所述坡道2和所述支架3可以根据需要调整角度,以适应不同的钻井条件;固定在所述坡道2和所述支架3之间用于输送地面管具的送钻柱装置4,可以自动将管具从地面输送到钻台高度,提高钻井作业的效率。送钻柱装置4具有智能化的控制***,可以实现精确的定位和运动控制;所述液压***5可以提供动力猫道的动力和控制,所述液压***5负责驱动送钻柱装置的运动,并确保其稳定和可靠的工作。所述液压***5还负责控制所述坡道2和所述支架3的角度调整;所述电气***6可以控制和监测动力猫道的运行状态,所述电气***6包括传感器、执行器和控制器,用于监测和控制所述液压***5、所述坡道2和所述支架3的运动。
智能动力猫道通过自动输送地面管具,提高钻井作业的效率和安全性,可以减少人工操作的需求,提高作业效率,并降低事故风险。智能化的液压和电气***可以实现精确的控制和监测,确保动力猫道的稳定运行。
针对上述技术问题,本申请的技术构思为在采集到液压***在工作过程中的多个预定时间点的液压油的压力值、流量值和温度值后,在后端引入数据处理和分析算法来对液压油的压力值、流量值和温度值进行智能化的时序协同关联分析以实现对液压***的工作状态判断,从而确保液压***的正常运行,以提供足够的力量来抬升送钻柱装置。
图2为本发明实施例中提供的一种智能动力猫道中所述液压***的框图。如图2所示,所述液压***5,包括:数据获取模块110,用于获取预定时间段内多个预定时间点的液压油的压力值、流量值和温度值;协同关联分析模块120,用于对所述多个预定时间点的液压油的压力值、流量值和温度值进行数据协同关联分析以得到液压油多参数融合特征;以及,液压***判断模块130,用于基于所述液压油多参数融合特征,确定液压***是否正常运行。
其中,在所述数据获取模块110中,在数据获取过程中,确保传感器的准确性和可靠性,以获取准确的液压油参数数据。同时,注意对数据进行合理的采样和存储,以保证后续分析的准确性。通过获取液压油的压力、流量和温度数据,可以实时监测液压***的工作状态。这些数据是判断液压***是否正常运行的基础。
在所述协同关联分析模块120中,在分析过程中,可以应用数据处理和分析算法,将不同参数之间的关联关系进行建模和分析。通过协同关联分析,可以将液压油的压力、流量和温度等多个参数融合起来,得到更全面、准确的液压***工作状态特征。有助于提高液压***故障检测的准确性和可靠性。
在所述液压***判断模块130中,根据事先设定的判断标准和规则,所述液压***判断模块可以对液压***的工作状态进行评估和判断。液压***判断模块可以根据多参数融合特征,快速准确地判断液压***的工作状态。这有助于及时发现液压***的异常情况,避免设备损坏和生产事故的发生,提高工作效率和安全性。
通过所述数据获取模块110、所述协同关联分析模块120和所述液压***判断模块130的协同工作,可以实现对液压***的智能化监测和判断,提高液压***的工作效率和可靠性。
具体地,所述数据获取模块110,用于获取预定时间段内多个预定时间点的液压油的压力值、流量值和温度值。在本申请的技术方案中,首先,获取预定时间段内多个预定时间点的液压油的压力值、流量值和温度值。
其中,液压***的压力是其正常运行的重要指标之一。通过监测液压油的压力值,可以判断***是否存在压力异常、泄漏或堵塞等问题,如果压力值超出了设定的安全范围,可能会导致***故障或设备损坏。
液压***的流量是指液压油在单位时间内通过***的体积,通过监测液压油的流量值,可以判断***是否存在泄漏、阀门开启不良或管道堵塞等问题。异常的流量值可能会导致***性能下降或无法正常工作。
液压***的温度是其正常运行的另一个重要指标,通过监测液压油的温度值,可以判断***是否存在过热、冷却不良或液压油老化等问题。过高或过低的温度值可能会导致***故障或设备损坏。
通过对预定时间段内多个时间点的液压油参数进行监测和记录,并进行数据分析和判断,可以及时发现液压***的异常情况,预防故障的发生,保证液压***的正常运行。这种监测方案可以有效提高液压***的可靠性和安全性,减少设备维修和更换的成本。
具体地,所述协同关联分析模块120,用于对所述多个预定时间点的液压油的压力值、流量值和温度值进行数据协同关联分析以得到液压油多参数融合特征。所述协同关联分析模块120,包括:向量排列单元,用于将所述多个预定时间点的液压油的压力值、流量值和温度值分别按照时间维度排列为液压油压力时序输入向量、液压油流量时序输入向量和液压油温度时序输入向量;压力关联编码单元,用于对所述液压油压力时序输入向量和所述液压油流量时序输入向量进行协同关联编码以得到液压油流量-压力关联特征向量;温度关联编码单元,用于对所述液压油流量时序输入向量和所述液压油温度时序输入向量进行协同关联编码以得到液压油流量-温度关联特征向量;以及,融合单元,用于融合所述液压油流量-压力关联特征向量和所述液压油流量-温度关联特征向量以得到液压油多参数融合特征向量作为所述液压油多参数融合特征。
首先,将预定时间段内多个时间点的液压油的压力值、流量值和温度值按照时间维度排列为液压油压力时序输入向量、液压油流量时序输入向量和液压油温度时序输入向量,可以将时间序列的数据进行整理和准备,为后续的关联分析提供输入。然后,对液压油压力时序输入向量和液压油流量时序输入向量进行协同关联编码,通过关联分析,可以发现液压油的压力和流量之间的关联规律,进一步了解***的工作状态和性能。接着,对液压油流量时序输入向量和液压油温度时序输入向量进行协同关联编码,通过关联分析,可以发现液压油的流量和温度之间的关联规律,进一步了解***的热力特性和工作状态。最后,将液压油流量-压力关联特征向量和液压油流量-温度关联特征向量进行融合,可以将不同参数之间的关联信息进行综合,提供更全面和综合的特征表达,用于判断液压***的工作状态是否正常。
通过所述协同关联分析模块120,可以利用关联分析提取液压***中不同参数之间的关联特征,从而更全面地了解***的工作状态和性能,为判断液压***是否正常运行提供更可靠的依据。有助于提高液压***故障检测的精度和准确性,避免设备损坏和作业事故的发生。
接着,考虑到由于所述液压油的压力值、流量值和温度值在时间维度上都具有着时序的动态变化规律,为了能够对于所述液压油的压力值、流量值和温度值的时序变化特征进行有效捕捉刻画,在本申请的技术方案中,需要将所述多个预定时间点的液压油的压力值、流量值和温度值分别按照时间维度排列为液压油压力时序输入向量、液压油流量时序输入向量和液压油温度时序输入向量,以此来分别整合所述液压油的压力值、流量值和温度值在时序上的分布信息。
应可以理解,通过按时间维度排列数据,可以捕捉到液压***中液压油参数的变化趋势和关联性,有助于分析和理解不同参数之间的相互作用,例如压力变化是否与流量或温度有关,以及它们之间的延迟效应。时序关联分析可以提供更全面和准确的信息,帮助判断液压***的工作状态。
通过对时序数据进行分析,可以检测到液压***中的异常情况和潜在故障。例如,如果液压油的压力突然升高或流量异常波动,可能意味着液压***存在问题。时序输入向量可以用于训练机器学习模型或应用异常检测算法,从而实现对液压***故障的检测和预测。
时序输入向量可以提供更详细的数据,有助于故障诊断和维修过程。通过分析时序数据,可以确定故障发生的时间点和原因,从而指导维修人员进行相应的处理。时序输入向量可以为故障诊断算法提供更准确的输入,提高故障诊断的准确性和效率。
换言之,将液压油的压力值、流量值和温度值按照时间维度排列为时序输入向量可以提高液压***监测和判断的准确性,帮助提前发现故障并进行相应的维修和保养。
在本申请的一个实施例中,所述压力关联编码单元,用于:计算所述液压油压力时序输入向量和所述液压油流量时序输入向量之间的液压油流量-压力关联矩阵;以及,将所述液压油流量-压力关联矩阵通过基于第一卷积神经网络模型的流量-压力关联提取器以得到所述液压油流量-压力关联特征向量。
进一步地,所述温度关联编码单元,用于:计算所述液压油流量时序输入向量和所述液压油温度时序输入向量之间的液压油流量-温度关联矩阵;以及,将所述液压油流量-温度关联矩阵通过基于第二卷积神经网络模型的流量-温度关联特征提取器以得到所述液压油流量-温度关联特征向量。
应可以理解,在液压***中,液压油的压力和流量是相互关联的,通常情况下,随着液压油的流量增加,压力也会相应增加。因此,为了能够对于液压***的工作状态进行有效监测,在本申请的技术方案中,进一步计算所述液压油压力时序输入向量和所述液压油流量时序输入向量之间的液压油流量-压力关联矩阵。通过计算所述液压油的压力和流量之间的关联矩阵,可以揭示它们之间的动态关系,包括压力随流量变化的趋势和规律。这样,可以用来捕捉所述液压***中压力和流量之间的非线性关系,为后续的特征提取和液压***的工作状态检测分类提供依据。
类似地,液压油的流量和温度之间也存在一定的关联性。具体来说,在液压***中,流体的流动和摩擦会导致能量的损耗和温度的升高。因此,在本申请的技术方案中,进一步计算所述液压油流量时序输入向量和所述液压油温度时序输入向量之间的液压油流量-温度关联矩阵。通过计算所述液压油的流量和温度之间的关联矩阵,可以反映出它们之间的热力学关系。这样,可以捕捉有关于所述液压***中流量和温度之间的相互影响和变化规律,以利于后续对于液压***的工作状态进行检测判断。
然后,考虑到由于所述液压油的流量和压力之间在时间维度上具有着时序的协同关联关系,所述液压油的流量和温度之间在时间维度上也具有着时序的协同关联关系。因此,为了能够对于液压***的工作状态进行有效且充分地监测,在本申请的技术方案中,进一步将所述液压油流量-压力关联矩阵通过基于第一卷积神经网络模型的流量-压力关联提取器中进行特征挖掘,以提取出所述液压油的流量和压力之间的时序协同关联特征信息,从而得到液压油流量-压力关联特征向量;并将所述液压油流量-温度关联矩阵通过基于第二卷积神经网络模型的流量-温度关联特征提取器中进行特征挖掘,以提取出所述液压油的流量和温度之间的时序协同关联特征信息,从而得到液压油流量-温度关联特征向量。
在本申请的一个实施例中,所述融合单元,用于:使用注意力机制来融合所述液压油流量-压力关联特征向量和所述液压油流量-温度关联特征向量以得到所述液压油多参数融合特征向量。
进一步地,使用特征间注意层对所述液压油流量-压力关联特征向量和所述液压油流量-温度关联特征向量进行基于注意力机制的融合,以此来捕捉所述液压油的流量和压力时序关联特征与所述液压油的流量和温度时序关联特征之间的关联性特征分布信息,从而反映出所述液压油的流量、压力和温度之间在液压***工作过程中的相互关联和相互影响以得到液压油多参数融合特征向量。应可以理解,由于传统的注意力机制的目标是学习一个注意力权重矩阵,将较大的权重赋予重要的特征,较小的权重赋予次要的特征,从而选择出对当前任务目标更关键的信息。这种方式更侧重于对各个特征的重要性进行加权,而忽略了各个参数时序特征之间的依赖关系。而所述特征间注意层能够通过基于注意力机制的特征交互,可以捕捉到所述液压油的流量、压力和温度之间在液压***工作过程中的相关性和相互影响,可以学习到不同参数时序特征之间的依赖关系,并根据这些依赖关系对特征进行交互和整合,从而得到液压油多参数融合特征向量,以此有利于对于液压***的工作状态进行分析,从而进行液压***的正常工作检测判断。
具体地,所述液压***判断模块130,液压***判断模块130,用于基于所述液压油多参数融合特征,确定液压***是否正常运行。进一步用于:将所述液压油多参数融合特征向量通过分类器以得到分类结果,所述分类结果用于表示液压***是否正常运行。
进一步地,将液压油的多个参数融合为特征向量,可以综合考虑不同参数之间的关系和相互影响。通过将不同参数的信息结合起来,可以提供更全面、准确的描述液压***状态的特征向量。
通过使用分类器对特征向量进行分类,可以根据不同的分类结果来表示液压***是否正常运行。分类器可以根据已有的训练数据学习到液压***正常和异常状态的模式,从而能够对新的特征向量进行分类,判断液压***的工作状态。
特征向量的分类结果可以实时反映液压***的运行状态,通过定期获取液压油参数并生成特征向量,可以实时监测液压***的工作状态,并及时发现异常情况。有助于提前预警潜在故障,避免设备损坏或生产中断。
分类结果可以作为液压***是否正常运行的指标,为决策提供依据。当分类结果表明液压***异常时,可以触发相应的报警机制或自动化维修流程,提高故障处理的效率和准确性。将液压油的多个参数融合为特征向量,并通过分类器进行分类,可以提供综合信息、精确分类、实时监测和自动化决策的有益效果,有助于确保液压***的正常运行。
进而,再将所述液压油多参数融合特征向量通过分类器以得到分类结果,所述分类结果用于表示液压***是否正常运行。也就是说,利用经过特征关联依赖增强后的所述液压油的流量、压力和温度之间的时序协同关联特征来进行分类,以此来对于液压***的工作状态进行检测,从而进行所述液压***是否正常运行的判断,以此来确保液压***的正常运行。
进一步地,在本申请的一个实施例中,所述智能动力猫道,还包括训练模块,用于对所述基于第一卷积神经网络模型的流量-压力关联提取器、所述基于第二卷积神经网络模型的流量-温度关联特征提取器和所述分类器进行训练。其中,所述训练模块,包括:训练数据获取单元,用于获取训练数据,所述训练数据包括预定时间段内多个预定时间点的液压油的训练压力值、训练流量值和训练温度值,以及,所述液压***是否正常运行的真实值;训练向量排列单元,用于将所述多个预定时间点的液压油的训练压力值、训练流量值和训练温度值分别按照时间维度排列为训练液压油压力时序输入向量、训练液压油流量时序输入向量和训练液压油温度时序输入向量;训练压力关联矩阵计算单元,用于计算所述训练液压油压力时序输入向量和所述训练液压油流量时序输入向量之间的训练液压油流量-压力关联矩阵;训练温度关联矩阵计算单元,用于计算所述训练液压油流量时序输入向量和所述训练液压油温度时序输入向量之间的训练液压油流量-温度关联矩阵;训练第一特征提取单元,用于将所述训练液压油流量-压力关联矩阵通过所述基于第一卷积神经网络模型的流量-压力关联提取器以得到训练液压油流量-压力关联特征向量;训练第二特征提取单元,用于将所述训练液压油流量-温度关联矩阵通过所述基于第二卷积神经网络模型的流量-温度关联特征提取器以得到训练液压油流量-温度关联特征向量;训练融合单元,用于使用注意力机制来融合所述训练液压油流量-压力关联特征向量和所述训练液压油流量-温度关联特征向量以得到训练液压油多参数融合特征向量;训练分类单元,用于将所述训练液压油多参数融合特征向量通过所述分类器以得到分类损失函数值;相似性损失函数值计算单元,用于计算所述训练液压油流量-压力关联特征向量和所述训练液压油流量-温度关联特征向量的共有流形隐式相似性因数以得到共有流形隐式相似性损失函数值;训练单元,用于以所述分类损失函数值和所述共有流形隐式相似性损失函数值的加权和作为损失函数值,并通过梯度下降的方向传播来对所述基于第一卷积神经网络模型的流量-压力关联提取器、所述基于第二卷积神经网络模型的流量-温度关联特征提取器和所述分类器进行训练。
特别地,在本申请的技术方案中,所述液压油流量-压力关联特征向量表达液压油流量和压力的全时序关联下的局部时域高阶关联特征,且所述液压油流量-温度关联特征向量表达液压油流量和温度的全时序关联下的局部时域高阶关联特征,因此,考虑到液压油流量值与压力和维度在时序下的不同关联分布模式会在高阶关联特征的表达下构成更为显著的特征分布差异,在使用注意力机制来融合所述液压油流量-压力关联特征向量和所述液压油流量-温度关联特征向量时,所表达的所述液压油流量-压力关联特征向量和所述液压油流量-温度关联特征向量的特征信息间的依赖关系也会存在较大波动,使得需要改进所述液压油多参数融合特征向量的高维特征流形的几何单调性,从而提升所述液压油多参数融合特征向量通过分类器的分类回归的收敛效果,即,训练速度和训练结果的准确性。
基于此,本申请的申请人针对所述液压油流量-压力关联特征向量,例如记为和所述液压油流量-温度关联特征向量,例如记为/>,引入共有流形隐式相似性因数作为损失函数,具体表示为:以如下损失公式计算所述训练液压油流量-压力关联特征向量和所述训练液压油流量-温度关联特征向量的共有流形隐式相似性因数以得到所述共有流形隐式相似性损失函数值;其中,所述损失公式为:其中,/>和/>分别是所述训练液压油流量-压力关联特征向量和所述训练液压油流量-温度关联特征向量,/>是所述训练液压油流量-温度关联特征向量的转置向量,/>表示向量的二范数,且/>表示矩阵的Frobenius范数的平方根,所述训练液压油流量-压力关联特征向量和所述训练液压油流量-温度关联特征向量均为列向量形式,/>、/>、/>和/>为权重超参数,/>表示向量乘法,表示按位置点乘,/>表示按位置差分,/>表示所述共有流形隐式相似性损失函数值。
这里,所述共有流形隐式相似性因数可以以所述液压油流量-压力关联特征向量和所述液压油流量-温度关联特征向量/>间的结构化关联来表示各自特征流形在交叉维度下的共有流形,并以相同因数化权重来共享所述液压油流量-压力关联特征向量/>和所述液压油流量-温度关联特征向量/>的差异性、对应性、关联性等流形结构性因素的共同约束,从而对依赖共有流形的几何衍生结构表示的分布相似性进行度量,以实现跨维度模态下的特征分布间的关联融合特征的非线性几何单调性,提升所述液压油多参数融合特征向量的高维特征流形的几何单调性,从而改进其通过分类器的分类回归的收敛效果,即,提升训练速度和训练结果的准确性。这样,能够实时对液压***的工作状态进行监测判断,从而确保液压***的正常运行,以提供足够的力量来抬升送钻柱装置。
综上,基于本发明实施例的智能动力猫道被阐明,其获取预定时间段内多个预定时间点的液压油的压力值、流量值和温度值;对所述多个预定时间点的液压油的压力值、流量值和温度值进行数据协同关联分析以得到液压油多参数融合特征;以及,基于所述液压油多参数融合特征,确定液压***是否正常运行。这样,可以确保液压***的正常运行,以提供足够的力量来抬升送钻柱装置。
在本申请一具体实施例中,所述智能动力猫道的机械结构设计为:根据猫道输送***要实现的功能的要求和现场使用需求,设计一个安全、运行稳定的机械结构,明确各个机构的功能和作用,并运用三维设计软件1:1进行猫道结构实体绘制并装配,在完成装配结果的基础上再进行装配检验、干涉分析及运动仿真,验证零件设计的合理性及装配设计的合理性,并通过计算机进行强度校核。其中,机械结构作为自动动力猫道的主体,其结构在保证质量、保证安全的同时,尽量减轻重量、减少成本,所有结构的优良设计非常重要。
所述智能动力猫道的液压***设计为:根据猫道的空间结构和机构安装位置,将整个液压***排布分为两个部分:动力部分和管汇部分。动力部分单独设计一个动力房,主要包括液压泵、油箱、冷却泵的动力源***元件。管汇部分排布于猫道结构空间内,包括所有的执行机构的液压缸和油路管汇,以及控制每个动作的液压换向电磁阀。其中,该猫道作为机电液一体化设计,以电气控制液压为动力***,所有电气与液压之间配合的稳定行非常重要。
所述智能动力猫道的电气控制***设计为:基于PLC控制***,配合工业无线遥控控制器,实现远程遥控自动控制操作,一步提高设备的性能,提高了钻井管柱输送的稳定性和效率,以及自动化程度。整个电气控制***包括软件和硬件设施两方面。软件设施是基于PLC仿真软件进行控制***编辑;硬件设施包括无线遥控配合PLC控制***。其中,该猫道的电气控制***是基于PLC控制器,软件编程与硬件的结合才能实现自动逻辑控制。所以程序的稳定性决定着***的稳定性,PLC控制是整个猫道自动化控制的核心。
所述智能动力猫道的无线遥控控制***为:该猫道的无线遥控自动化控制技术是基于MODBUS通信协议,实现工业遥控***和PLC控制***的无线连接。通信技术的稳定决定着遥控器的操作稳定性。
在本发明的一个实施例中,图3为本发明实施例中提供的一种智能动力猫道的控制方法的流程图。图4为本发明实施例中提供的一种智能动力猫道的控制方法的***架构的示意图。如图3和图4所示,根据本发明实施例的智能动力猫道的控制方法,其包括:210,获取预定时间段内多个预定时间点的液压油的压力值、流量值和温度值;220,对所述多个预定时间点的液压油的压力值、流量值和温度值进行数据协同关联分析以得到液压油多参数融合特征;以及,230,基于所述液压油多参数融合特征,确定液压***是否正常运行。
本领域技术人员可以理解,上述智能动力猫道的控制方法中的各个步骤的具体操作已经在上面参考图1到图2的智能动力猫道的描述中得到了详细介绍,并因此,将省略其重复描述。
图5为本发明实施例中提供的一种智能动力猫道的应用场景图。如图5所示,在该应用场景中,首先,获取预定时间段内多个预定时间点的液压油的压力值(例如,如图5中所示意的C1)、流量值(例如,如图5中所示意的C2)和温度值(例如,如图5中所示意的C3);然后,将获取的压力值、流量值和温度值输入至部署有智能动力猫道算法的服务器(例如,如图5中所示意的S)中,其中所述服务器能够基于智能动力猫道算法对所述压力值、所述流量值和所述温度值进行处理,以确定液压***是否正常运行。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种智能动力猫道,其特征在于,包括:
底座;
自所述底座以第一角度和第二角度向上延伸的坡道和支架;
固定于所述坡道和所述支架之间的送钻柱装置;以及
液压***和电气***;
其中,所述液压***,包括:
数据获取模块,用于获取预定时间段内多个预定时间点的液压油的压力值、流量值和温度值;
协同关联分析模块,用于对所述多个预定时间点的液压油的压力值、流量值和温度值进行数据协同关联分析以得到液压油多参数融合特征;以及
液压***判断模块,用于基于所述液压油多参数融合特征,确定液压***是否正常运行;
其中,所述协同关联分析模块,包括:
向量排列单元,用于将所述多个预定时间点的液压油的压力值、流量值和温度值分别按照时间维度排列为液压油压力时序输入向量、液压油流量时序输入向量和液压油温度时序输入向量;
压力关联编码单元,用于对所述液压油压力时序输入向量和所述液压油流量时序输入向量进行协同关联编码以得到液压油流量-压力关联特征向量;
温度关联编码单元,用于对所述液压油流量时序输入向量和所述液压油温度时序输入向量进行协同关联编码以得到液压油流量-温度关联特征向量;以及
融合单元,用于融合所述液压油流量-压力关联特征向量和所述液压油流量-温度关联特征向量以得到液压油多参数融合特征向量作为所述液压油多参数融合特征;
其中,所述压力关联编码单元,用于:
计算所述液压油压力时序输入向量和所述液压油流量时序输入向量之间的液压油流量-压力关联矩阵;以及
将所述液压油流量-压力关联矩阵通过基于第一卷积神经网络模型的流量-压力关联提取器以得到所述液压油流量-压力关联特征向量;
其中,所述温度关联编码单元,用于:
计算所述液压油流量时序输入向量和所述液压油温度时序输入向量之间的液压油流量-温度关联矩阵;以及
将所述液压油流量-温度关联矩阵通过基于第二卷积神经网络模型的流量-温度关联特征提取器以得到所述液压油流量-温度关联特征向量;
其中,使用注意力机制来融合所述液压油流量-压力关联特征向量和所述液压油流量-温度关联特征向量以得到所述液压油多参数融合特征向量;
其中,所述液压***判断模块,用于:将所述液压油多参数融合特征向量通过分类器以得到分类结果,所述分类结果用于表示液压***是否正常运行;
其中,所述智能动力猫道还包括训练模块,用于对基于第一卷积神经网络模型的流量-压力关联提取器、基于第二卷积神经网络模型的流量-温度关联特征提取器和分类器进行训练;
其中,所述训练模块,包括:
训练数据获取单元,用于获取训练数据,所述训练数据包括预定时间段内多个预定时间点的液压油的训练压力值、训练流量值和训练温度值,以及,所述液压***是否正常运行的真实值;
训练向量排列单元,用于将所述多个预定时间点的液压油的训练压力值、训练流量值和训练温度值分别按照时间维度排列为训练液压油压力时序输入向量、训练液压油流量时序输入向量和训练液压油温度时序输入向量;
训练压力关联矩阵计算单元,用于计算所述训练液压油压力时序输入向量和所述训练液压油流量时序输入向量之间的训练液压油流量-压力关联矩阵;
训练温度关联矩阵计算单元,用于计算所述训练液压油流量时序输入向量和所述训练液压油温度时序输入向量之间的训练液压油流量-温度关联矩阵;
训练第一特征提取单元,用于将所述训练液压油流量-压力关联矩阵通过所述基于第一卷积神经网络模型的流量-压力关联提取器以得到训练液压油流量-压力关联特征向量;
训练第二特征提取单元,用于将所述训练液压油流量-温度关联矩阵通过所述基于第二卷积神经网络模型的流量-温度关联特征提取器以得到训练液压油流量-温度关联特征向量;
训练融合单元,用于使用注意力机制来融合所述训练液压油流量-压力关联特征向量和所述训练液压油流量-温度关联特征向量以得到训练液压油多参数融合特征向量;
训练分类单元,用于将所述训练液压油多参数融合特征向量通过所述分类器以得到分类损失函数值;
相似性损失函数值计算单元,用于计算所述训练液压油流量-压力关联特征向量和所述训练液压油流量-温度关联特征向量的共有流形隐式相似性因数以得到共有流形隐式相似性损失函数值;
训练单元,用于以所述分类损失函数值和所述共有流形隐式相似性损失函数值的加权和作为损失函数值,并通过梯度下降的方向传播来对所述基于第一卷积神经网络模型的流量-压力关联提取器、所述基于第二卷积神经网络模型的流量-温度关联特征提取器和所述分类器进行训练;
其中,所述相似性损失函数值计算单元,用于:
以如下损失公式计算所述训练液压油流量-压力关联特征向量和所述训练液压油流量-温度关联特征向量的共有流形隐式相似性因数以得到所述共有流形隐式相似性损失函数值;
其中,所述损失公式为:
,
其中,和/>分别是所述训练液压油流量-压力关联特征向量和所述训练液压油流量-温度关联特征向量,/>是所述训练液压油流量-温度关联特征向量的转置向量,/>表示向量的二范数,且/>表示矩阵的Frobenius范数的平方根,所述训练液压油流量-压力关联特征向量和所述训练液压油流量-温度关联特征向量均为列向量形式,/>、/>、和/>为权重超参数,/>表示向量乘法,/>表示按位置点乘,/>表示按位置差分,表示所述共有流形隐式相似性损失函数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310935873.0A CN116658492B (zh) | 2023-07-28 | 2023-07-28 | 智能动力猫道及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310935873.0A CN116658492B (zh) | 2023-07-28 | 2023-07-28 | 智能动力猫道及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116658492A CN116658492A (zh) | 2023-08-29 |
CN116658492B true CN116658492B (zh) | 2023-10-27 |
Family
ID=87720945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310935873.0A Active CN116658492B (zh) | 2023-07-28 | 2023-07-28 | 智能动力猫道及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116658492B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116843345A (zh) * | 2023-08-30 | 2023-10-03 | 深圳市艾德网络科技发展有限公司 | 基于人工智能技术对客户交易的智能风控***及方法 |
CN117151649B (zh) * | 2023-09-15 | 2024-02-23 | 浙江蓝城萧立建设管理有限公司 | 基于大数据分析的施工方法管控***及方法 |
CN117388893B (zh) * | 2023-12-11 | 2024-03-12 | 深圳市移联通信技术有限责任公司 | 一种基于gps的多设备定位*** |
CN118032062A (zh) * | 2024-04-11 | 2024-05-14 | 克拉玛依市城投油砂矿勘探有限责任公司 | 基于人工智能的sagd井下温压监测***及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108533572A (zh) * | 2018-03-29 | 2018-09-14 | 上海交通大学 | 一种起重机液压***健康评估方法和*** |
CN114219017A (zh) * | 2021-12-02 | 2022-03-22 | 中国科学院信息工程研究所 | 一种隐式语义数据增强方法 |
CN114821169A (zh) * | 2022-04-23 | 2022-07-29 | 福建福清核电有限公司 | 微服务架构下的方法级无侵入调用链路追踪方法 |
CN115992908A (zh) * | 2023-03-16 | 2023-04-21 | 杭州鄂达精密机电科技有限公司 | 智能流体控制阀及其检测方法 |
WO2023071217A1 (zh) * | 2021-10-27 | 2023-05-04 | 中国华能集团清洁能源技术研究院有限公司 | 基于深度迁移学习的多工况流程工业故障检测诊断方法 |
CN116178422A (zh) * | 2023-02-22 | 2023-05-30 | 广州隽沐生物科技股份有限公司 | 蛋黄卵磷脂的制备方法 |
CN116336400A (zh) * | 2023-05-30 | 2023-06-27 | 克拉玛依市百事达技术开发有限公司 | 油气集输管道基线检测方法 |
CN116477663A (zh) * | 2023-05-31 | 2023-07-25 | 江西江钒科技实业有限公司 | 电池级五氧化二钒的提纯制备方法及其*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8483492B2 (en) * | 2005-10-25 | 2013-07-09 | William Marsh Rice University | Method and apparatus for signal detection, classification and estimation from compressive measurements |
US20210089924A1 (en) * | 2019-09-24 | 2021-03-25 | Nec Laboratories America, Inc | Learning weighted-average neighbor embeddings |
-
2023
- 2023-07-28 CN CN202310935873.0A patent/CN116658492B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108533572A (zh) * | 2018-03-29 | 2018-09-14 | 上海交通大学 | 一种起重机液压***健康评估方法和*** |
WO2023071217A1 (zh) * | 2021-10-27 | 2023-05-04 | 中国华能集团清洁能源技术研究院有限公司 | 基于深度迁移学习的多工况流程工业故障检测诊断方法 |
CN114219017A (zh) * | 2021-12-02 | 2022-03-22 | 中国科学院信息工程研究所 | 一种隐式语义数据增强方法 |
CN114821169A (zh) * | 2022-04-23 | 2022-07-29 | 福建福清核电有限公司 | 微服务架构下的方法级无侵入调用链路追踪方法 |
CN116178422A (zh) * | 2023-02-22 | 2023-05-30 | 广州隽沐生物科技股份有限公司 | 蛋黄卵磷脂的制备方法 |
CN115992908A (zh) * | 2023-03-16 | 2023-04-21 | 杭州鄂达精密机电科技有限公司 | 智能流体控制阀及其检测方法 |
CN116336400A (zh) * | 2023-05-30 | 2023-06-27 | 克拉玛依市百事达技术开发有限公司 | 油气集输管道基线检测方法 |
CN116477663A (zh) * | 2023-05-31 | 2023-07-25 | 江西江钒科技实业有限公司 | 电池级五氧化二钒的提纯制备方法及其*** |
Also Published As
Publication number | Publication date |
---|---|
CN116658492A (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116658492B (zh) | 智能动力猫道及其方法 | |
CN110298455B (zh) | 一种基于多变量估计预测的机械设备故障智能预警方法 | |
CN104390657B (zh) | 一种发电机组运行参数测量传感器故障诊断方法及*** | |
CN108765889B (zh) | 基于大数据技术的油气生产运行安全预警方法 | |
CN109146246A (zh) | 一种基于自动编码器和贝叶斯网络的故障检测方法 | |
CN201943686U (zh) | 油井故障实时预警*** | |
CN110130875B (zh) | 抽油机异常工况监控方法 | |
CN102705078A (zh) | 基于灰色模型的柴油机故障预测方法 | |
CN109670595A (zh) | 一种设备故障诊断方法 | |
CN101859128A (zh) | 一种基于知识的车铣复合机床故障预测专家*** | |
CN107862324B (zh) | 一种基于mwspca的cbr预测模型智能化预警方法 | |
CN104405365A (zh) | 抽油机功图法产液量计量技术 | |
US20220221826A1 (en) | System and method for managing wellsite event detection | |
CN105388884A (zh) | 一种基于由数据驱动的识别算法检测供热管网泄漏故障的报警***及方法 | |
CN115730191A (zh) | 一种基于注意力机制的磨煤机故障预警方法 | |
CN106567964B (zh) | 一种基于dcs数据的流量控制阀监控方法 | |
CN117454290A (zh) | 关于锅炉供热的智能化数据实时采集分析*** | |
CN117786385B (zh) | 基于孪生网络的三相异步电动机故障监测方法及*** | |
CN114943281B (zh) | 一种热管冷却反应堆智能决策方法及*** | |
KR20240003469A (ko) | 원전설비의 예측진단방법 및 시스템 | |
CN115726764A (zh) | 基于模糊逻辑的电泵井故障诊断***和方法 | |
Yao et al. | Intelligent PHM based auxiliary decision framework of advanced modular nuclear | |
Zhang et al. | Spatio-temporal fusion model of natural gas pipeline condition monitoring based on convolutional neural network and long short-term memory neural network | |
CN112149278A (zh) | 基于多维状态参数的核电厂工况监视及异常诊断设计方法 | |
CN117688834B (zh) | 一种水氢氢汽轮发电机线圈绝缘过热故障预警方法 |
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 |