关键词： 潜油螺杆泵   故障诊断   卷积神经网络   数据处理   相关性分析  

摘要： 潜油螺杆泵作为兼具无杆泵和容积泵优势的采油方式,针对复杂工况井型有良好的适用性。其次由于其井口装置简单,适合搭建新型油田一体化集成平台,因此潜油螺杆泵在各大油田应用数量逐渐增多。然而由于潜油螺杆泵核心部件都处于深井之中,生产过程受井下复杂条件影响,检修人员难以及时发现螺杆泵异常工况导致发生严重躺井故障,严重阻碍了潜油螺杆泵推广应用。现有螺杆泵故障诊断技术通常是基于数据提取特征,导入模型训练特征规律,这种故障诊断效果严重依赖提取的特征质量即人主观判断影响,存在局限性。本文以大港油田潜油螺杆泵井为研究对象,基于深度学习建立故障诊断模型,该模型跳过人工特征提取阶段直接建立数据到模型的诊断方式。本文取得的成果如下: (1)分析潜油螺杆泵基本原理结构,并进一步建立潜油螺杆泵井计算模型,以该模型为基础计算未直接采集但可以有效表征故障的参数(泵效,泵出口压力,机械效率)。 (2)统计大港油田故障类型进行特征分析。随后对数据进行数据预处理形成用于诊断的潜油螺杆泵数据集。在现有数据集的基础上建立一批特征参数并利用相关性分析选择出对故障相关性较高的特征参数。 (3)提出一种卷积神经网络模型WDCNN对潜油螺杆泵故障进行诊断,该网络跳过人工提取特征阶段同样可以达到很好的诊断效果。随后针对数据特点在WDCNN网络基础上进一步提出多尺度融合卷积网络MSCNN(Multi-Scale Convolutional Neural Network)。该网络利用多尺度卷积核提取故障特征并对故障类型进行诊断。随后利用混淆矩阵和T-SNE可视化技术对分类效果进行评价。实验证明MSCNN网络在潜油螺杆泵故障诊断领域有着良好的诊断效果,对泵碎胶,轴断,高气液比低泵效故障诊断效果达到了100%,对泵卡阻和电机故障诊断达到了95%的准确率。 结果显示本文提出的MSCNN网络对潜油螺杆泵故障诊断效果良好,优于基于特征提取的故障诊断模型。

关键词： 深度伪造   时序特征   数据处理   3D卷积   GRU  

摘要： 近年来,深度伪造视频在网络上广泛传播造成较大负面影响,给个人、社会和国家带来严峻的威胁和挑战。目前,深度伪造视频检测的研究者大多聚焦于单帧的空间特征检测,但是这种方法忽略了视频特有的时序特征,导致检测模型对伪造特征的提取不够全面。在提取空间特征的基础上,本文提出了两种融合多帧时序特征的深度伪造视频检测方法,以实现更全面更充分的信息提取。论文主要工作如下:(1)视频数据预处理。首先对视频进行帧截取;然后利用人脸检测算法识别并剪裁形成人脸图片;对少量视频在人脸识别时检测出无关人脸的情况,提出数据清洗方法并进行数据扩充。对于基于3D卷积的时序特征检测算法,提出了把图片处理成5维数据作为网络输入的算法。(2)提出了基于3D卷积的时序特征深度伪造视频检测方法。针对3D卷积神经网络在同时处理多帧时计算量和参数量大幅增加、检测过程中存在忽略细节特征的问题,将Efficient Net-B0网络与3D卷积核相融合映射成为3D卷积神经网络,对时序特征进行提取;使用非对称式的下采样平衡时间和空间两个维度的感受野;最后使用膨胀卷积增大整体感受野;在数据预处理阶段,使用了改进的多尺度图像细节提升方法以增强图像帧的细节特征,使得模型在学习时序特征的同时加强了对局部细节特征的学习。(3)提出了GRU和Involution改进的深度伪造视频检测方法。针对胶囊网络结构仅关注空间特征并且检测准确率有待提升、标准算子存在通道不变和空间不可知的问题,首先使用VGG19＿bn作为主干网络提取空间特征,将Involution算子嵌入主干网络,从空间和通道信息角度加强了人脸图像的空间建模能力,构建了一个提取全局特征信息的特征提取网络;然后使用主胶囊层学习特征的位置信息并对CNN-Capsule输出后的特征使用GRU进行帧级别学习,使整个模型在关注特征的位置信息的同时还可以充分学习时序特征;最后在视频分类阶段使用Focal Loss平衡样本。(4)进行实验。将提出的两种检测方法分别在公开数据集FaceSwap、DeepFakes、Celeb-DF上进行测试,实验结果表明提出的两种检测方法均能全面提取时序特征信息并提高检测准确率;同时得出使用3D卷积提取时序特征的方法泛化能力好,使用GRU提取时序特征的方法检测更稳定。

关键词： 相干多普勒激光雷达   频率测定   数据处理   序数统计法   FPGA芯片  

摘要： 高时间和空间分辨率的大气风场数据,有助于大气科学的研究和提高数值天气预报的准确性。在对流层范围内的大气风场探测中,相干多普勒激光雷达(CDL)在探测距离和探测精度等方面具有显著优势。现有的CDL风速反演算法普遍存在算力消耗较高且时间开销较大的问题。随着CDL技术的发展及其在各个领域的应用,对激光雷达数据处理算法提出了更高的要求。本文针对CDL中风速反演的数据量大、计算量大和实时性要求高等问题提出了一种基于序数统计的风速反演算法。针对复杂环境下的大气风场探测,根据大气回波信号频谱满足高斯分布的特点,序数统计算法可以实现激光雷达后向散射信号频率的快速鉴别。与传统的多普勒频率鉴别算法相比,此算法具有算力消耗少、准确性高等优点,可以实现激光雷达数据的实时反演。CDL的实时数据处理计算量庞大,需要高性能硬件来及时传输高速采集卡的数据并计算准确的结果。现场可编程门阵列(FPGA)具有多模块可以同时独立进行计算、可定制逻辑电路和内部逻辑可根据需求改变从而能减少开发成本等优势,因此选择在FPGA上实现本文所提出的序数统计风速反演算法。在FPGA上利用并行计算实现了信号采集模块与信号处理模块的一体化,减少了风速反演过程中的时间开销,提高了激光雷达系统的时间分辨率。通过仿真分析将序数统计法与传统的风速反演算法,如质心法、三次样条法和高斯拟合法进行了比较。对比研究发现,与其他风速反演算法相比,序数统计法具有与其他算法相当的反演精度,且在风速反演过程中消耗的时间最短。将实现了序数统计风速反演算法的FPGA应用于相干测风激光雷达系统,该系统的硬件配置大大减轻了主机的负担,具有功耗低、结构紧凑和重量轻等优点,整体重量不超过15kg,并且可用蓄电池工作。在外场实验中,激光雷达的风速探测高度达到1.5km,探测精度为0-50m/s。将相干测风激光雷达的风速探测结果与超声波风速计的探测结果进行了对比分析,两者的风速探测结果吻合良好,证实了基于FPGA的相干多普勒激光雷达系统的可靠性。

关键词： 深度学习   文本分类   Fastformer注意力机制   知识抽取  

摘要： 政府机构每年发布的地区建设总结性报告与展望文件中包含着大量的治理数据，主要概括了该地区近年来的详细发展进程。如何充分利用现代化的科技手段，对海量的治理信息中所包含的多元化数据进行整合、共享、联通是政府机构工作的重难点。随着大数据技术的普及，各个地区相关治理报告文件数量不断增长，其异构、分散的特点也越来越明显。近年来，知识图谱作为一种新兴技术以其高度结构化与可视化的特点在众多领域中发挥了极大作用。纵观地方治理格局，通常以网状的形式分布，相邻地区规划决策要素间交叉映射、相互影响，其互联互通的分布形式与知识图谱的网状三元组结构高度契合。本文提出了一种基于深度学习的治理数据处理与图谱分析方法。通过人工智能技术将非结构化的发展治理信息高度融合，并利用知识图谱内存在的实体关系对，实现了重要治理文件数据的可视化。提高了政府机构在检索与分析重要治理文件时的效率，为其实施更加科学的行政决策提供了数据与技术支持。　　（1）为了解决传统领域知识图谱构建过程中忽略了实体隐藏类型，导致知识图谱层次单一等问题。本文提出一种基于BERT的TextCNN文本分类优化模型。以武汉市下辖13个市辖区人民政府官网作为主要数据源，以近年来发布的年度工作总结报告等文件作为主要原始文本语料。确定12种主要治理与规划类型作为知识图谱中的实体类型。实验结果表示，本文所提出的方法可以有效的完成治理数据中的多标签分类任务，为构建深层次结构的知识图谱提供了技术保障。　　（2）整合分类后的文本语料，通过BIO标注法，完成实体标注任务，构建实体标注语料。为了解决传统命名实体识别模型在长序列文本中语义丢失以及无法准确提取上下文特征等问题。本文提出一种基于Fastformer注意力机制的双向LSTM命名实体识别模型（BBFC）完成实体抽取任务。针对原始文本语料中特有的书写模板以及BBFC模型的实体识别结果，本文在常规匹配模板关系抽取的基础上，提出一种匹配模板+模糊词规则+位置编码规则的关系抽取方法，获取实体关系对。实验结果表示，本文所提出的方法可以有效的完成治理数据中的知识抽取任务。　　（3）基于Neo4j图数据库完成知识图谱的可视化存储任务，通过匹配查询模板与Cypher语句联合，完成基于知识图谱检索的治理数据跨模态问答。

关键词： 数据融合   数据处理   轨迹匹配   神经网络  

摘要： 目前,智能手机设备作为数量最大的定位设备,具有易推广、低成本等优点,但智能手机在空旷环境定位精度仅能满足人们日常活动,而汽车领域要实现车道级定位与轨迹匹配,则需要以差分等方法进行辅助定位,优于车道级定位导航与轨迹匹配研究相对较少。本文基于汽车工业领域中针对狭窄道路轨迹匹配需求,提出多源数据融合提升定位精度的方法,同时采用融合多头注意力与HMM(Hidden Markov Model)的车辆轨迹匹配模型对融合定位数据进行轨迹匹配,实现优于车道级精度与高精准率的轨迹匹配方法。本文具体工作包括:(1)针对普通差分只能达到车道级定位无法满足优于车道级的定位要求,提出多源数据的位置差分改进方法,将Wi-Fi RTT(Wi-Fi Round Trip Time)差分测距直接观测值的平均误差从6.61米降低到0.8米;GNSS位置差分方法将静态定位平面平均误差从5.13米降低到1.52米,为后文轨迹匹配提供高精度定位数据支持。针对差分定位后的定位数据平均误差较小,但存在异常数据与轨迹数据聚类的问题,通过对轨迹数据异常值与聚类表现进行分析,本文提出基于DBSCAN(DensityBased Spatial Clustering of Applications with Noise)多源数据的聚类方法,对停驻点与噪声数据进行清洗,为后文轨迹匹配提供可靠的数据基础。(2)针对传统的几何距离度量的轨迹聚类算法不适用于短距离轨迹聚类的问题,优化隐马尔科夫模型,改进误差置信区域,优化多源数据发射概率,提升了单个数据的匹配精确率,从而提高了整体数据集的匹配精确率。并提出将优化隐马尔科夫模型与多头注意力模型相融合,通过实验验证融合模型在匹配的精度率、召回率、F1-score,分别提高了13%、9.2%、10.9%。(3)针对本文系统的功能需求、设计试车场轨迹匹配系统的技术选型和整体方案,分别详细设计了数据采集端、差分基准站、数据管理端,为同类系统的设计与实现提供了参考。综上所述,本文针对优于车道级轨迹匹配要求进行深入研究,提出基于数据融合与神经网络的试车场轨迹匹配算法,并在实验中验证了算法的有效性,对比传统轨迹匹配算法,在优于车道级轨迹匹配中具有更高的匹配精准率。

关键词： 边缘计算   任务调度   数据处理   异常检测  

摘要： 随着5G时代的到来,工业互联网下疯狂暴涨的用户数量和产生的流量引发了新一代的数据狂潮,随着大量传感器的增加和海量数据的涌入,传统云计算平台已经无法满足现有需求,云计算架构面临重大挑战。移动边缘计算应运而生,移动边缘计算是一种基于终端计算和云端计算之间的一种方案,通过给移动终端和云中心之间的边缘无线网络设置计算资源,并利用这些资源处理卸载到此处的任务,有效解决了云端负载较高,资源分配不足的问题。由于边缘服务器的计算资源有限和终端设备需求变化的多样性,因此对边缘服务器资源的合理分配和有效管理十分有必要。同时,数据的采集与上传云端处理是大多数产业运作的基础。在现实情形中,大多数终端产生大量未经处理的原始数据会给云端带来巨大的处理压力,这些异常数据不仅会影响数据处理结果,还会在增加云端节点的负载和资源的浪费。因此研究任务调度算法和数据处理方法是具有现实意义和应用价值的。本文主要研究内容与创新如下:(1)设计了一种基于模拟退火的任务卸载方法针对当前移动边缘网络中不同边缘端计算能力和资源分布存在不均等作为技术背景与问题,本文通过加入SDN控制器用于实时获取MEC服务器的负载与计算资源,调控各边缘端与终端之间的任务与资源的分配,通过构建模型,将问题分解为任务卸载与资源分配问题,提出一种基于贪心算法的资源分配方法和改进模拟退火算法的任务卸载方法,通过多次迭代找到当前优化目标的最优解。并设计实验证明了该算法的有效性。(2)设计了一种基于边缘计算的数据处理方法分析传统数据降维方法,选择在降维过程中对特征进行筛选,提出一种基于特征提取的KPCA降维算法,再将处理后的数据使用隔离森林进行异常值的检测,最后结合数据特征,采用组合相似度的数据去重方式,设计出了一种基于边缘计算的数据处理算法,并通过实验证明了算法提升了数据处理的准确性。

关键词： 分布式光纤传感技术   分布式光纤振动信号测井   数据处理   软件实现  

摘要： 分布式光纤振动信号测井是一种利用光纤感知不同地层或井壁返回的振动信号来分析周围地层特征或井下事件的技术,具有监测结果实时性强、解释结果可靠性高等优点。然而,分布式光纤振动信号作为四维的信息载体无法从时间和频率两个维度同时充分描述信号的物理特性,同时还存在数据量庞大难以存储和处理、信号敏感易受干扰等缺陷。同时在油气勘探和生产中尚未形成一套成熟的分布式光纤振动信号测井计算产量的方法以及相关测井处理解释软件。因此,对分布式光纤振动信号测井的数据处理方法及软件开发开展研究至关重要。本文基于分布式光纤振动传感系统的监测原理,针对分布式光纤振动信号在实际生产中的特点,建立了一套数据预处理后对频谱图实用性分析,再通过划分光纤数据频率段的方法计算产量的数据处理流程,并将该流程使用C#编程技术集成为数据处理解释软件。在数据预处理中,首先采用快速傅里叶变换和短时傅里叶变换方法对振动信号进行时频分析,更全面的描绘了信号特征。针对光纤振动信号数据量大的特点,使用道格拉斯-普克算法进行数据抽稀,保留其信号特征的同时对数据简化。由于分布式光纤振动信号的敏感性使其极易对外界振动产生反应,所以分布式光纤振动信号往往蕴含多种相似信息分量的干扰,因此需要对振动信号进行去噪处理。本文创造性的提出一种基于ARO-VMD-SSA去噪的方法,即利用人工兔优化算法(Artificial rabbit optimization,ARO)对变分模态分解算法(Variational Mode Decomposition,VMD)中的惩罚因子和分解层数进行优化,之后采用奇异谱分析算法(Singular Spectrum Analysis,SSA)将分解的子信号进行重构得到最终的去噪信号。实验结果表明,该算法相比于小波分析滤波、经验模态分解(Empirical Mode Decomposition,EMD)滤波、变分模态分解(Variational Mode Decomposition,VMD)滤波在频谱图和均方根误差、信噪比等方面的效果都具有明显优势,在保留信号低频局部特征的同时保持良好的滤波效果。通过对经过数据预处理操作的频谱图进行分析,显示出分布式光纤振动信号测井在井筒流动监测、井筒完整性分析、水力压裂监测方面的具有显著的优势,同时揭示了通过频谱图无法直观确定井下事件及判断产量的问题。之后提出使用K-means++算法划分振动信号频率段来代表不同井下事件,利用储层相关频段的幅度均值曲线包络面积来计算各产层的相对产量。实验结果与常规生产测井解释的相对吸水量数据对应良好,产量解释准确性高。最后,本文将整套数据处理流程集成为独立的程序软件,填补了国内分布式光纤振动信号测井领域方法及软件的空缺,有力促进油气田智能化建设的发展。

关键词： 钻速预测   钻速优化   深度学习   数据处理   地层精细划分   逻辑解释网络  

摘要： 准确预测机械钻速是提高钻井效率、节约钻井成本的有力手段。地层性质是影响机械钻速的关键因素,但由于井下环境的复杂性,在预测机械钻速时常常难以定量表征地层对钻速的影响,可能导致钻速预测模型不准确或不稳定。因此,本文开展了基于地层精细划分的机械钻速智能预测方法研究,通过精细划分地层以及机械钻速分层预测弱化了地层性质变化对钻速的影响,实现了机械钻速的稳定、准确预测。主要研究内容和结果如下: (1)设计了钻井数据采集-分析-处理-存储一体化的数据自动化处理流程。基于My SQL数据库实现了钻井las、csv和txt等不同类型数据的格式自动转换和入库,在此基础上进行缺失数据识别与补全、异常数据剔除、数据维度增强、实时数据更新等数据处理操作,最后编制了钻井数据自动化处理软件。 (2)基于逻辑解释网络对地层进行了精细划分。综合考虑区块各井的岩性、测井、钻井等参数,以深度为单位、钻速区分为目标,利用小块域计算的逻辑解释网络建立了高可解释的地层划分模型,实现区域地层精准划分。 (3)在地层精细划分的基础上,建立了基于深度学习的机械钻速智能预测模型。融合了门控循环单元网络GRU以及三种改进LSTM网络,建立分层钻速预测融合模型,结果表明钻速预测融合模型准确率提高了10%以上,实现机械钻速的准确预测;最后,基于粒子群算法对各层机械钻速进行优化,优化后钻速提高25%。 本文建立的基于地层精细划分的机械钻速智能预测与优化方法能够实现复杂地层条件下钻速的准确、稳定预测和优化,能够为提高钻井效率、降低钻井成本提供了理论参考。

关键词： 水平井   阵列侧向测井   数值模拟   电阻率各向异性   BP神经网络  

摘要： 随着石油勘探和开采的难度不断提升,水平井测井技术有了很大的提高,在各类油气勘探开发中得到广泛的应用。在复杂的井眼和地层环境中,对测井仪器提出新的要求。本文主要以阵列侧向测井基本理论为基础,研究水平井中阵列侧向测井的响应特征及数据的处理方法。主要研究内容及成果分为以下三个部分:第一部分研究阵列侧向测井基本原理以及响应模型。基于阵列侧向测井技术和数据处理方法的文献调研,确定阵列侧向测井仪器的结构,工作原理以及电流聚焦方法。建立地层模型和数学模型,基于有限元基本思想,利用COMSOL多物理场仿真软件建立不同地层环境中水平井阵列侧向测井地层模型,研究几何模型的建立,参数的设置,网格剖分等,最后对模型的合理性进行验证,证明数值模拟结果的准确性。第二部分基于阵列侧向测井电极系工作原理,利用三维有限元数值模拟方法对水平井阵列侧向测井正演响应特征进行研究。建立正演响应数据库,研究电极系的五种工作模式在水平井中井眼,围岩,泥浆侵入,倾角及电阻率各向异性等地层环境影响下的测井响应特征,绘制地层参数影响曲线并对参数进行分析。结果表明:在五个工作模式下,仪器偏心,目的层厚度,围岩电阻率,侵入深度,侵入带电阻率,井眼倾角以及电阻率各向异性系数都会影响测井响应结果,为后续的参数反演研究奠定了基础。第三部分研究水平井中阵列侧向测井数据处理方法。建立井眼、围岩、泥浆侵入、倾角及电阻率各向异性等多参数影响下反演所需的数据库;结合反演的基本理论研究,基于BP神经网络和支持向量回归(SVR)的反演方法,并对各类模型进行训练;利用BP神经网络和SVR回归模型实现水平井中侵入深度、侵入带电阻率、目的层电阻率、各向异性系数等参数的快速反演,并对反演结果进行评价。结果表明:在水平井阵列侧向测井数据处理过程中,BP神经网络具有很强的适用性,反演值的决定系数可达97%以上,效率高,可满足工程应用需求。在小样本数量反演中,SVR模型反演电性参数时精度较好,但反演侵入深度时效果很差,且运行时间与BP神经网络相比较长;当样本体量增大时,SVR模型反演电性和长度参数精度都较差。因此在水平井中阵列侧向测井反演方法研究中,BP神经网络的效果明显优于SVR模型。

关键词： 极限学习机   核风险敏感损失   麻雀搜索算法   投票机制  

摘要： 随着机器学习的推广和普及,极限学习机(Extreme Learning Machine,ELM)得到了广泛的关注与发展。最近,专家和学者们针对ELM的鲁棒性提出了许多的改进方法。同时,随着计算机硬件的飞速发展以及互联网技术的日趋成熟,ELM集成的思想也开始进入研究人员的视野。如何提高ELM的稳定性,以及如何在保持ELM鲁棒性的同时进一步提高ELM的分类性能成为了ELM研究的两个重要方向。本文在上述两个方向上对ELM进行了研究,并使用改进的模型去完成具体的分类任务,相比于现阶段一些优秀的ELM方法,本文所提出的改进模型有着更加理想的分类性能。具体的研究内容如下:(1)提出了一种基于麻雀搜索算法的核风险敏感损失超图正则化极限学习机模型。传统的ELM方法在训练过程中,输入层和隐藏层之间的输入权重和偏差都是随机生成的,这阻碍着ELM分类性能的进一步提升。针对这一问题,本文引入麻雀搜索算法对ELM的输入权重和偏差进行优化,以此来提升ELM模型的分类性能。另外,本文重新设计了麻雀搜索算法的适应值函数。最后,本文进行了相应的实验,实验结果表明新模型有更好的分类性能。(2)提出了一种基于q高斯核风险敏感损失和投票机制的集成极限学习机模型。新模型的提出受到函数族参数化和集成思想的启发。其中,函数族参数化使得原始数据能够获得更好的特征空间表示,使得模型的泛化能力得到加强。另外,引入了传统的投票机制进行集成,与单个ELM分类器相比,集成模型有更好的分类稳定性。实验结果表明新模型可以提高分类性能,在模型的分类稳定性方面也有一定的竞争力。(3)提出了一种变样本权重的集成极限学习机模型。在大多数传统的ELM中,由于其默认所有样本的重要程度是相同的,这使得ELM对特定类别缺乏敏感性。因此,本文设计了一种样本权重的量化方法,并在这基础上提出了新的集成ELM模型。新模型对数据处理过程有所改进,并在分类预测过程中使用了分治的策略。本文将模型应用到监督学习和半监督学习两个学习场景下,实验结果表明与其他优秀的ELM方法对比,新模型的分类预测能力更为突出。总而言之,本文从ELM的内部结构、ELM的稳定性以及集成等角度出发提出了三种ELM模型,并设计了相应的实验与现有的优秀ELM方法进行比较,结果表明本文所提出的模型在分类性能或者分类稳定性等方面有一定的竞争力,能够完成具体的分类预测任务。