买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国石油大学(华东)申请的专利基于对比自监督随机配置网络的固井泵故障检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN121388375B 。

龙图腾网通过国家知识产权局官网在2026-03-20发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511949586.0，技术领域涉及：G06F17/18；该发明授权基于对比自监督随机配置网络的固井泵故障检测方法是由侯林;邓晓刚;耿艳峰;王平设计研发完成，并于2025-12-23向国家知识产权局提交的专利申请。

本基于对比自监督随机配置网络的固井泵故障检测方法在说明书摘要公布了：本发明公开了基于对比自监督随机配置网络的固井泵故障检测方法，属于固井设备安全监控与故障诊断技术领域，用于固井泵故障检测，包括采集固井泵的正常工况数据，正常工况数据包括振动信号和转速信号，按照冲程将振动信号划分为个数据窗；计算每个数据窗中振动信号的时域统计特征和频域统计特征，构成统计特征向量，建立对比自监督随机配置网络模型，构建固井泵工况监控指标。本发明通过建立基于自监督学习的故障检测框架实现监控模型，利用对比学习理论改进现有的随机配置网络优化目标函数，提高故障检测灵敏性。

本发明授权基于对比自监督随机配置网络的固井泵故障检测方法在权利要求书中公布了：1.基于对比自监督随机配置网络的固井泵故障检测方法，其特征在于，包括： S1、采集固井泵的正常工况数据，正常工况数据包括振动信号和转速信号，按照冲程将振动信号划分为个数据窗；计算每个数据窗中振动信号的时域统计特征和频域统计特征，构成统计特征向量； S2、以统计特征向量为输入，构建对比自监督随机配置网络，采用随机配置与对比学习相结合的方法进行神经网络训练，通过融合重构误差与对比损失的优化目标函数，约束隐层节点的随机配置过程，并确定输出层的权重计算，训练完成后，输出对比自监督随机配置网络模型； S3、根据对比自监督随机配置网络模型的重构误差与隐层特征，构建重构误差监控指标和隐层特征监控指标，利用核密度估计的方法，基于正常工况数据，计算重构误差监控指标阈值和隐层特征监控指标阈值，利用重构误差监控指标阈值和隐层特征监控指标阈值判断固井泵故障的发生； S2包括，对比自监督随机配置网络框架包括随机配置网络、输入对比学习样本生成模块、期望输出模块、隐层节点约束条件模块、模型优化目标函数模块和预测误差模块； 将分别输入随机配置网络、输入对比学习样本生成模块和期望输出模块； 随机配置网络包括输入层，隐层和输出层，输入层和输出层的节点数与统计特征向量的维度一致，隐层节点随构建过程动态增长；从输入层经输入参数映射到隐层，再通过输出参数映射到输出层，产生重构输出 学习样本生成模块接收，生成正样本和负样本，生成的正样本与负样本被分别传输至隐层节点约束条件模块与模型优化目标函数模块； 期望输出模块接收，并输出本身； 预测误差模块将期望输出模块的输出和随机配置网络的输出执行减法运算，计算出的预测误差，将反馈至隐层节点约束条件模块与模型优化目标函数模块； 隐层节点约束条件模块接收、正样本和负样本，建立约束条件约束随机生成的输入参数，将满足约束条件的输入参数传入随机配置网络； 模型优化目标函数模块接收、正样本和负样本，构建基于对比学习的网络优化目标函数，通过解析方法直接计算出最终的输出参数，并传入随机配置网络； 随机配置网络中，具有个隐层节点的网络模型表达式为： ； 式中，为对应的网络模型输出，为激活函数；为权重，为偏置，是连接输入层到第个隐层节点的权重向量，为第个隐层节点的偏置项，和构成输入参数；为权重向量，为连接第个隐层节点到输出层所有节点的输出权重向量，单独构成输出参数；为转置符号，为隐层数量，为隐层的索引，； 预测误差模块中，的预测误差公式为： ； 总体预测误差矩阵为： ； 的正样本定义为模型输入样本集中的最近邻： ； 式中，为找到使函数取得最小值的输入变量的值，为范数； 的负样本为： ； ||||； 式中，为样本中心点，为到的距离，为负样本距离参数，，为的集合； 隐层节点约束条件模块中，随机配置网络的第个隐层节点的输入参数、由隐层节点约束条件来配置，约束条件表达式为： ； 式中，为的列索引，，为的第列，为第个隐层节点向量，为对应的隐层节点向量，为对应的隐层节点向量，为正则化参数； 、和表达式为： ； ； ； ； ； ； 式中，为第个样本的第个隐层节点向量，为第个隐层节点对第个正样本的输出值，第个隐层节点对第个负样本的输出值，是连接输入层到第个隐层节点的权重向量，为第个隐层节点的偏置项； 模型优化目标函数模块中，建立基于对比学习的网络优化目标函数： ； 式中，为输入样本矩阵，，为隐层节点矩阵，，为所有正样本对应的隐层节点矩阵，为所有负样本对应的隐层节点矩阵，为权重参数矩阵，，为弗罗贝尼乌斯范数； 求解网络优化目标函数得到最优权重参数矩阵，是使目标函数取得最小值的解，； 基于得到包含个隐层节点的模型表达式： ； 式中，为输入特征向量，为对比自监督随机配置网络模型的最终输出。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国石油大学(华东)，其通讯地址为：266580 山东省青岛市黄岛区长江西路66号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。