儲(chǔ)油罐液位時(shí)序數(shù)據(jù)模式發(fā)現(xiàn)對(duì)油田生產(chǎn)管理、災(zāi)害預(yù)警有重要意義,由于目前油氣田領(lǐng)域的數(shù)據(jù)體系繁雜,并未對(duì)這些數(shù)據(jù)加以分類和標(biāo)識(shí)。已有方法借助圖形化工具進(jìn)行人工篩選與檢查,這樣的方法不適用于長(zhǎng)時(shí)間不間斷生產(chǎn)的石油工業(yè)。面對(duì)上述問(wèn)題及已有方法的不足,針對(duì)儲(chǔ)油罐液位時(shí)序數(shù)據(jù)的特點(diǎn),提出基于層疊分段與層次聚類模式發(fā)現(xiàn)的處理方法。將觀測(cè)序列轉(zhuǎn)換為離散的線性分段序列,并對(duì)各線性分段進(jìn)行基于DTW(距離的無(wú)監(jiān)督層次聚類,可自動(dòng)發(fā)現(xiàn)時(shí)序模式并分配標(biāo)識(shí)符標(biāo)注時(shí)序序列。以儲(chǔ)油罐液位時(shí)序數(shù)據(jù)進(jìn)行實(shí)驗(yàn),發(fā)現(xiàn)了隱含的變化模式和變化規(guī)律。方法對(duì)液位時(shí)序變化模式有很好的識(shí)別及分類能力,無(wú)需人工篩選與檢查,并可根據(jù)需要,查看不同粒度的變化模式,可為時(shí)序數(shù)據(jù)模式識(shí)別,異常檢測(cè)提供參考和途徑。 

【文章頁(yè)數(shù)】：12 頁(yè)

【文章目錄】：
1 液位時(shí)序特征分析及描述
    1.1 數(shù)據(jù)特征
    1.2 形式化描述
        1.2.1 時(shí)序序列
        1.2.2 觀測(cè)對(duì)象子序列
        1.2.3 觀測(cè)對(duì)象變化閾值
2 層疊線性分段方法
    2.1 趨勢(shì)估值及變化閾值
    2.2 層疊線性分段
3 基于聚類的模式發(fā)現(xiàn)
    3.1 形態(tài)相似性度量
    3.2 子序列層次聚類及模式發(fā)現(xiàn)
4 實(shí)驗(yàn)結(jié)果及分析
    4.1 實(shí)驗(yàn)結(jié)果
    4.2 方法評(píng)價(jià)
5 結(jié) 語(yǔ)


【參考文獻(xiàn)】：
期刊論文
[1]耦合信號(hào)微分后對(duì)雙譜的影響[J]. 吳文兵,黃榮華,劉日華,熊金泉.  重慶大學(xué)學(xué)報(bào). 2017(07)
[2]聯(lián)想神經(jīng)網(wǎng)絡(luò)的風(fēng)速序列預(yù)測(cè)分析[J]. 楊雨濃,修春波.  重慶大學(xué)學(xué)報(bào). 2016(04)
[3]基于線性分段與HMM的時(shí)間序列分類算法[J]. 尹銳,李雄飛,李軍,彭宏.  模式識(shí)別與人工智能. 2011(04)
[4]聚類算法研究[J]. 孫吉貴,劉杰,趙連宇.  軟件學(xué)報(bào). 2008(01)
[5]在線分割時(shí)間序列數(shù)據(jù)[J]. 李愛(ài)國(guó),覃征.  軟件學(xué)報(bào). 2004(11)
[6]時(shí)序模式發(fā)現(xiàn)算法研究[J]. 蔡智,岳麗華,王熙法.  計(jì)算機(jī)研究與發(fā)展. 2000(09)
[7]面向數(shù)據(jù)挖掘的時(shí)間序列符號(hào)化方法研究[J]. 李斌,譚立湘,章勁松,莊鎮(zhèn)泉.  電路與系統(tǒng)學(xué)報(bào). 2000(02)



本文編號(hào)：3696776