基于图形特征的双输入卷积神经网络风力机轴承剩余寿命预测

提出一种基于图形特征的风力机轴承剩余使用寿命(RUL)预测方法。首先,基于连续小波变换(CWT)对时域振动数据样本集进行预处理,得到用于预测的时频图形数据集。然后,采用双输入卷积神经网络(DICNN)从图形数据集中提取特征映射,用于构造高性能健康指数(DICNN-HI)来表征轴承各退化阶段的状态。最后,结合DICNN-HI,采用基于高斯过程回归(GPR)的分析方法进行RUL预测,并用PRONOSTIA滚动轴承数据集进行验证。结果表明,该方法具有较高的健康指数预测精度,能有效反映滚动轴承的劣化状态,有助于实现风力机轴承的RUL预测。同时,也可为其他旋转机械设备的剩余寿命预测提供重要的理论参考,具有一定的实用价值。

基于双输入输出卷积神经网络代理模型的油藏自动历史拟合研究

传统油藏自动历史拟合方法需进行多次计算耗时的油藏数值模拟,而深度学习代理模型可以实现高效且精度近似的油藏数值模拟替代计算。在基于深度学习代理模型的油藏自动历史拟合方法中,通常将采用油藏自动历史拟合方法进行调整的油藏不确定性参数作为深度学习代理模型的输入参数。现有的深度学习代理模型常为单一输入输出的神经网络模型架构,并未考虑油藏自动历史拟合方法需要对多个油藏不确定性参数进行调整,且需要训练多个深度学习代理模型以实现对油藏含水饱和度场分布及压力场分布的预测。为此,提出了一种基于双输入输出卷积神经网络代理模型的油藏自动历史拟合方法,将油藏渗透率场分布及相对渗透率参数作为输入,使用双输入输出卷积神经网络同时对油藏含水饱和度场分布及压力场分布进行预测,利用Peaceman方程计算产量,并耦合到多重数据同化集合平滑器(ES-MDA)方法中,对油藏渗透率场分布及相对渗透率参数进行反演更新,实现较为高效的油藏自动历史拟合求解。研究结果表明:双输入输出卷积神经网络代理模型在指定时间步的油藏含水饱和度场分布、压力场分布的预测精度均为93%以上。相较于传统油藏自动历史拟合方法,基于双输入输出卷积神经网络代理模型的油藏自动历史拟合方法避免了多次调用油藏数值模拟器的计算耗时问题,提高了拟合效率。