基于空洞因果卷积网络的风电机组异常检测

准确可靠的异常检测对于保障风电机组安全高效运行尤为重要。然而，由于风电机组内部结构复杂，运行工况复杂多变，导致所获取的数据采集与监控（SCADA）系统数据往往呈现出复杂的非线性和关联耦合特性。为了更加有效地捕获不同传感器变量之间的空间相关性，提出基于空洞因果卷积网络的风电机组异常检测方法，并采用Focal Loss改进损失函数解决了数据不平衡问题对模型性能的影响。该方法可通过不同的感受野大小从多尺度角度提取丰富的空间相关特征，有效建模并挖掘不同传感器数据间存在的空间因果关系。同时，该模型提供了一种端到端的异常检测方案，可直接从原始SCADA数据中提取空间特征，建立数据与状态标签之间的非线性映射关系，从而输出异常检测结果。通过某风场的SCADA数据实例分析验证了所提出方法的可行性和有效性。     

基于条件卷积自编码高斯混合模型的风电齿轮箱健康评估

为实现对风电齿轮箱健康评估、发现齿轮箱部件早期故障，提出一种基于条件卷积自编码高斯混合模型的风电齿轮箱健康评估网络。在编码器部分，同时对传感器信息和时序信息进行编码解码并提取压缩特征，根据高斯混合模型设计基于信号本身概率分布的能量设计评价指标进行健康评估。根据核密度估计确定阈值，并利用某真实风电场数据进行实验，验证方法的有效性。     

高温高压下陆相致密油藏非稳态压裂液渗吸机理研究

渗吸提采（IEOR）是高效开发具有“三低”特性致密油资源的关键技术。在储层压裂、返排、后续开发等阶段，压裂液与油藏中的岩石、流体相互作用后产生渗吸效应，研究稳态及非稳态压裂液渗吸机理对现场开发具有重要指导意义。为此，首先提出了稳态及非稳态渗吸概念，在模拟高温高压环境的基础上，利用核磁共振技术与物理模拟实验结合，定量表征了不同条件的压裂液渗吸特征差异。结果表明：压裂液稳态渗吸作用尺度为0.01～51.52ms，非稳态渗吸作用尺度为0.01～27.75 ms，且在渗吸初期，二者的渗吸速率最快，渗吸作用优先在小孔（0.01～1.00 ms）中进行，随着反应时间的进行，再进入中孔（1.00～10.00 ms），最后为大孔（＞10.00 ms）；非稳态渗吸效率整体高于稳态渗吸，但是非稳态渗吸整体较早趋于稳定，小孔是压裂液渗吸效率的主要贡献者，并最先趋于稳定，其次为中孔，最后为大孔；双重介质的渗吸效率虽整体优于单一介质，但各孔喉的渗吸稳定时间相对滞后；非稳态渗吸的渗吸效率与储层渗透率、储层品质因子呈正相关性，且随着渗透率和储层品质的提升，中孔对渗吸的贡献逐步上升，由小孔主导型逐步变为中孔逼近型，最终为中孔主导型。     

基于脑电信号维度变换的轻度认知障碍诊断方案

提出一种匹配卷积神经网络(CNN)的谱熵维度变换方法，以26名遗忘型轻度认知障碍患者和20名健康对照者的脑电图为数据样本，比较分析了短时傅里叶变换、小波变换和谱熵3种维度变换的性能；采用谱熵结合CNN构建了一种较为新颖的轻度认知障碍诊断方案。随后，通过前馈神经网络、k-近邻、支持向量机、决策树、朴素贝叶斯、逻辑回归等模型的对比实验，从准确性和稳定性2个角度验证了该方案可以有效完成阿尔茨海默症临床前阶段患者脑电图的模式识别。实验表明，该诊断方案可以实现(92.662±1.216)%的准确率，对存在噪声干扰的脑电信号仍具有较高的识别精度和泛化能力。