CN101105126A - 基于微石英角速率传感器的随钻方位测量误差补偿方法 - Google Patents

Abstract

本发明请求保护一种基于微石英角速率传感器的随钻方位测量误差动态补偿方法，涉及探测技术领域。本发明的技术方案是，根据微石英角速率传感器输出信号特点和刻度因子参数的噪声特点对随钻测量系统的原始信号进行快速小波滤波预处理，应用灰色理论建模，运用累加生成操作方法，得到有规则的单值对应的非线性函数，获得角速率传感器零位输出在三维空间中的单值映射关系的建模，以时间和温度为输入建立角速率传感器的漂移模型，对累加生成方法生成的单值对应的非线性函数进行逼近，提高动态测量的精度。本发明适用于定向随钻测井，微孔测井等应用。

Description

基于微石英角速率传感器的随钻方位测量误差补偿方法

技术领域

本发明涉及探测技术领域，具体涉及一种随钻测斜仪的系统误差补偿方法，适用于定向随钻测井，微孔测井等应用。

背景技术

通常影响测井寻北测量精度的因素有很多，其中较为显著的是惯性传感器零位漂移、线性度和安装结构误差等。随钻动态测量中的误差，是随钻测井系统最主要的误差源，一直没有得到很好的解决。其技术难点主要在于动态的随钻测量中，测量时间较长，一次测量中又很难提供完全静止的状态，在温度等周围环境变化剧烈的情况下，零位漂移很大，刻度因子也会表现出非线性，从而导致测量结果大大超出了所允许的最小测量误差，成为影响随钻测量方位角精度的最大因素。必须采取有效的方法加以抑制。

要实现动态的随钻测量，微石英角速率传感器必须在整个测量时间和工作温度范围内有效补偿零位漂移。温度对微石英角速率传感器性能的影响主要有两个方面：一是噪声，二是零位漂移。噪声决定传感器的零偏稳定性，可以通过滤波方法处理；漂移决定传感器输出信号的偏移量，可以通过建立各种漂移数学模型来进行补偿。目前，消除温度影响普遍采取两个方法：温控，即使角速率传感器工作在一个恒定的最佳工作温度上；温度补偿，即建立一个漂移量的数学模型，通过软件算法实现对零位漂移的补偿。

微石英角速率传感器漂移是一个非线性、非平稳的随机过程，传统的补偿和修正方法有多种，其中较为常用的方法有回归分析法和曲线拟合法，这些方法的共同之处就是为消除某种非目标参量对传感器输出特性的影响，系统中必须有相应的设置来测量该目标参量的敏感元件，以测量当前非目标参量的实际值，然后按照传感器事先已经有的标定曲线来加以修正。这样做无疑会增加系统的复杂程度和硬件的成本，而且也只能针对其中的主要因素。目前有采用自回归(AMAR)建模对传感器零位输出进行处理的方法，但由于角速率传感器启动过程中模型参数的不稳定性和逐次启动参数的不一致，很难建立准确稳定的AR模型，得到精确的测量结果。

测井用寻北角速率传感器较之地面和常温用寻北角速率传感器，受其使用环境的影响具有以下特点：首先是体积要求严格，尤其直径要小，要求形成仪器后适应套管井井径要求，甚至能在开天窗时从钻杆投入；其次是较强的抗振性，侧钻开天窗或投入井底时，不会损坏陀螺本体；还有宽温要求。因此，测井寻北是在恶劣环境下的高精度定位技术，受上述条件的限制，目前只有动调式陀螺得到了应用，但仍然存在定位精度和抗冲击振动等问题。

发明内容

本发明针对现有技术中的上述缺陷，将作为固态振动型的微石英角速率传感器应用在随钻测井中的测井寻北探测系统，采用灰色神经网络对陀螺零位漂移进行建模补偿，解决随钻方位测量系统零位漂移大，刻度因子非线性，测量误差大，影响随钻测量方位角精度等问题。

本发明解决上述技术问题的技术方案为，为充分利用压电角速率传感器的状态，在多维空间中唯一确定角速率传感器的零位输出，本发明提出了在三维空间中建立微石英角速率传感器的误差特性模型，取输入向量为温度和特定温度点对应的角速率传感器运行时间，输出为角速率传感器零位电压，由温度和时间在三维空间中唯一确定角速率传感器零位电压输出，形成两个输入信号到零位输出信号的单值对应关系，以提高随钻测量方位角精度。

并具体包括以下三个步骤：

首先是传感器输出信号的预处理。根据微石英角速率传感器输出信号特点和大刻度因子参数的噪声特点对随钻测量系统的原始信号进行快速小波滤波预处理，实现对小角度定位数据奇异点的检测和去除；加速度传感器、角速度传感器、温度传感器采集经过快速小波滤波预处理后的相应信号，送入DSP完成数据融合计算，应用灰色理论建模，运用累加生成AGO操作，对数据融合计算后给定角速率传感器零位漂移数据进行预处理，得到有规则的生成数据，该生成数据为单值对应的非线性函数；对生成数据建模处理，取输入向量为温度和特定温度点对应的角速率传感器运行时间，输出为角速率传感器零位电压，由温度和时间在三维空间中唯一确定角速率传感器零位电压输出，形成两个输入信号到零位输出信号的单值对应关系，获得角速率传感器零位输出在三维空间中的单值映射关系的建模，生成了新的输入输出对应关系。以时间和温度为输入根据灰色神经网络建立角速率传感器的漂移模型，对累加生成方法生成的单值对应的非线性函数进行逼近，获得均方误差更小和更加接近传感器真实输出的零位电压，从而抑制角速率传感器角度累积计算误差的主要误差源所造成的系统测量误差影响。最后，针对微石英角速率传感器的输出信号特点和在随钻测量中的定位寻北方案，采用动态误差补偿算法实现系统测量精度的提高和随钻连续测井的功能。动态误差补偿主要采用活动阈值和灰色RBF神经网络建模补偿运动中零位输出变化的方法。活动阈值的选取将根据角速率传感器运行的速度和测量方位的工作状态进行选取，而建模补偿零位输出将在运动中最大程度上跟踪和反映传感器的实际零位输出，从而减小累积计算误差，提高系统精度。

本发明从多维空间角度提出了在二维空间中增加时间轴，获得角速率传感器零位输出在三维空间中的单值映射关系的建模，并运用灰色理论中的累加生成方法生成了新的输入输出对应关系。在此基础上，通过径向神经网络(RBF)模型建模，解决了系统测量误差大，影响随钻测量方位角精度等问题。

附图说明

图1微石英角速率传感器零位输出长期漂移曲线

图2基于微石英角速率传感器的随钻方位测量系统结构图

图3随钻方位测量系统误差动态补偿工作流程图

图4灰色神经网络结构示意图

具体实施方式

下面针对附图和具体实施例对本发明的技术方案进行详细描述。

图1所示为微石英角速率传感器零位输出曲线，由图1可以看出，角速率传感器的零位漂移和刻度因子变化是一个复杂的非线性变化过程，很难用精确的模型进行描述。它既与系统运行的时间有关，又与系统运行的环境温度有关，而且这两个参数是同时对角速率传感器的零位输出信号和刻度因子产生作用。不同的系统工作时间点，即使系统运行温度相同，得到的角速率传感器零位输出和刻度因子结果也存在较大偏差；同理，在不同系统运行温度下启动角速率传感器，其角速率传感器零位输出和刻度因子在同一运行时间点下也不同。这样，在输入输出传输特性上就表现为多值对应关系。

为充分利用压电角速率传感器的状态，在多维空间中唯一确定角速率传感器的零位输出，本发明提出了在三维空间中建立压电角速率传感器的误差特性模型，取输入向量为温度和特定温度点对应的角速率传感器运行时间，输出为角速率传感器零位电压。温度和时间在三维空间中唯一确定角速率传感器零位电压输出，形成两个输入信号到零位输出信号的的单值对应关系。

图2所示为基于微石英角速率传感器的随钻方位测量系统结构图，随钻方位测量系统的加速度传感器、角速度传感器、温度传感器分别探测并接收钻机的加速度、角速度以及温度，加速度和角速度模拟信号经过A/D转换，与温度传感器采集的信号送入单片微型控制处理器对多传感器接收的数据进行融合计算，多传感器数据融合部分可由A、B两个功能模块实现，其中，A模块由微控制单元MCU实现，主要完成对速度传感器采集的原始数据等进行预处理功能；B模块由数字信号处理器DSP完成，进行数据融合计算，并输出导航信息。随钻测量的角度计算主要由微石英角速率传感器通过累积运算并结合其它传感器信息获得，因此首先是实时准确地采样各个传感器的模拟输出数据，电路在对附有噪声的输出数据进行数字化处理并完成小波滤波后，进入到数字信号处理单元完成角度的计算。由于角度的累积计算需要一个静态的零位输出作为基准，因此在数字信号处理单元采用了动态误差补偿算法对零位输出进行逼近，最终达到减小误差提高系统精度的目的。数字信号处理单元同时对其它传感器信号进行实时监视，并实现动态误差算法中根据活动阈值的实时进行零位更新。

如图3所示为采用本发明随钻方位测量系统误差动态补偿工作流程图。其处理过程主要包括传感器数据的采集处理和动态测量精度补偿，该动态补偿主要包括：初始零位校准、动态零位的捕捉、数据融合计算等。在进行动态补偿处理之前，传感器采集的陀螺数据已经完成了快速小波滤波去噪。

在机械安装结构上，加速度计水平安装，和角速率传感器测量的是同一个角度，多传感器数据处理模块实时判断系统的运动状态，对不同运动状态采用不同的传感器数据或二者的融合，当系统处于超低速或静止状态时，直接采用加速度计输出数据，当系统处于较高运动速度或速度变化较快时，如系统开始转动或突然停止时，则采用陀螺输出数据。将运动状态分为高速运动状态，低速运动状态，静止状态等多个等级，用活动阈值的方法实时调整，以达到系统的最高测量精度和最佳运行稳定度。

初始零位的校准采用启动数据的零位补偿计算与历史存储零位综合判断校准的方法确定零位数据。运用灰色神经网络建模补偿算法计算陀螺的优化零位输出，同时调出最后一次关闭系统时的校准零位作为参考，采用权重评判条件，综合判断校准陀螺的初始零位，其余传感器因为启动零位重复性较好，采用平均值滤波校准可得到理想的效果。

陀螺如果静态启动，A模块直接进行零位数据采集，否则调入最后掉电时的历史零位数据，根据上述数据更新陀螺零位，执行动态零位捕获，根据捕获的动态零位进行寻北定位角度计算。角度计算采用角速率传感器和加速度计同时测量并进行数据融合算法处理，角速率传感器的输出是一个随旋转速度大小正比变化的电压信号，系统以当时获取的零位输出电压为基准进行时间累积积分，即可获得角度信息。加速度计通过感知地球重力加速度获取角度信息，其模拟电压输出大小直接反映角度大小。两种测量方式对角度测量有各自的适用范围和优缺点，因此必须采用传感器数据融合算法加以优化。

接收到经快速小波滤波处理后的陀螺数据，如果是静态启动，B模块则直接更新零位。否则调出最后一次关闭系统时的校准零位作为参考，并采用灰色神经网络建模进行补偿，进行温度计算，取输入向量为温度和特定温度点对应的角速率传感器运行时间，输出为角速率传感器零位电压。算法模块调用零位修正算法，在整个测量时间和工作温度范围内有效补偿零位漂移。动态零位的捕获采用角速率传感器和加速度传感器采集数据的综合判断方法：在测量短接低速振动时，角速率传感器的输出实际是围绕零位点的变化曲线，这时会出现瞬间的零位，在时域和温度变化两个方面对陀螺的零位漂移和刻度因子非线性进行了高精度的建模补偿。在此基础上，结合角速率传感器和加速度传感器采集的动态数据的实时判断，实现测井仪动态自校准和动态测量。实时判断采用多传感器输入数据的融合，判断依据包括当前陀螺输出数据绝对量、当前加速度计输出数据绝对量、陀螺输出数据变化量(与间隔时间为Δt的历史数据比较，Δt根据具体应用环境取值在1ms-15ms之间动态调整)、加速度计输出数据变化量(Δt取值方法与陀螺一样)。经上述实时判断条件的综合选取，再结合对陀螺零位漂移和刻度因子的建模补偿算法，最终达到动态自校准和动态测量。同时克服了仪表必须在静态情况下启动的限制，能够极大地提高仪器的测量精度。

在更新零位过程中，通过角速率传感器输出噪声特点和加速度传感器噪声再结合随钻测量的系统运行特点确定活动阈值A、B、C，活动阈值A即为处于噪声门限处的角速率传感器电压输出值，将该电压值换算为角度值，并经反复测试优化后确定为阈值A，活动阈值B为当前最新的角速率传感器输出电压与预定时间Δt前(零位基准)的输出电压差值，它反映速率变化的门限大小，活动阈值C为当前最新的加速度传感器输出电压与预定时间Δt前(零位基准)输出电压的差值，它同样反映速率变化的门限大小，经实验优化为活动阈值C。调用动态零位算法模块，将最后掉电时的历史零位及零位修正数据偏差与活动阈值A进行比较，动态陀螺数据变化量与阈值B进行比较，动态加速度计数据变化量与阈值C进行比较，如果均小于比较值，更新历史的角速度传感器零位输出数据。

动态误差补偿算法将在上述数据处理算法基础上，以系统当前运行速度和速度变化快慢对方位角进行补偿和精度修正。

由于寻北测量需要感知地球自转角速率，因为反映导航级角速率传感器性能的漂移率约为地球自转角速率的千分之一，即0.015°/h，因此角速率传感器的测量精度是决定是否能够完成寻北定位的关键。微石英角速率传感器由于设计原理和目前工艺技术水平的限制，存在很大的噪声，已经与上述待测的寻北精度处于同一个数量级，甚至超过了有用信号，直接测量精度也不够。因此必须采用有效的数据处理算法，将采集的原始信号进行去噪处理，小波滤波能够在强噪声下提取有用信号，而快速小波滤波算法又适合于工业现场的实现随钻测量系统的原始数据在进入传感器采集之前需经快速小波滤波去噪处理，根据微石英角速率传感器输出信号特点和大刻度因子参数的噪声特点对原始信号进行快速小波滤波预处理。以下针对具体处理过程进行详细介绍。

(1)快速小波滤波预处理，实现对小角度定位数据奇异点的检测和去除。

由于小波分析需要的计算量很大，Mallat快速算法虽然能对信号逐步细分，但计算较慢，小波包变换的计算既复杂，计算量又大。因此，考虑到计算的快速和实际需要，本发明采用小波变换快速算法，在嵌入式硬件上实现了角速率传感器零位输出奇异点的检测和去除，在时、频域都能很好的提取信号幅值和相位信息。并保证了运算的快速性。其基本原理如下：

设Ψ∈L²(R)为基小波，L2(R)上的积分小波变换为：

$W_{\mathrm{\&psi;}}f(a,b)={\left|a\right|}^{-1/2}{\&Integral;}_{-\&infin;}^{\&infin;}f\left(t\right)\mathrm{\&psi;}\left(\frac{t-b}{a}\right)\mathrm{dt}=<f{\mathrm{\&psi;}}_{a,b}>---\left(1\right)$

其中，ψ_a，b(t)＝|a|^-1/2Ψ(t-b)/a，a，b∈R，a是小波变换尺度，b决定时域窗口的位置。

设Ψ的中心为t*，半径为Δ_Ψ，

的中心为ω^*，半径为

则由上面的积分小波变换可得时域窗信息如下。

$[b+{\mathrm{at}}^{*}-a{\mathrm{\&Delta;}}_{\mathrm{\&omega;}}b+{\mathrm{at}}^{*}-a{\mathrm{\&Delta;}}_{\mathrm{\&omega;}}][\frac{{\mathrm{\&omega;}}^{*}}{a}-\frac{1}{a}\mathrm{\&Delta;}\widehat{\mathrm{\&psi;}}\frac{{\mathrm{\&omega;}}^{*}}{a}-\frac{1}{a}\mathrm{\&Delta;}\widehat{\mathrm{\&psi;}}],$ 对信号f∈L²(R)采样得{f(kT)，k∈Z}：

$W_{\mathrm{\&psi;}}f(a,b)={\left|a\right|}^{-1/2}{\&Integral;}_{-\&infin;}^{\&infin;}f\left(t\right)\mathrm{\&psi;}\left(\frac{t-b}{a}\right)\mathrm{dt}$

$=\frac{{\left|a\right|}^{-1/2}}{T}\underset{-\&infin;}{\overset{\&infin;}{\mathrm{\&Sigma;}}}f{\left(\mathrm{kT}\right)}_{\mathrm{\&psi;}}\left(\frac{\mathrm{kT}-b}{a}\right)---\left(2\right)$

将b离散化为{lT}，l∈Z，则得到尺度为a的时域信号序列{W_ψf(a，lT)}，

$W_{\mathrm{\&psi;}}f(a,\mathrm{lT})=\frac{{\left|a\right|}^{-1/2}}{T}\underset{k=-\&infin;}{\overset{\&infin;}{\mathrm{\&Sigma;}}}f\left(\mathrm{kT}\right)\mathrm{\&psi;}\left[\frac{(k-l)T}{a}\right]$

$=\frac{{\left|a\right|}^{-1/2}}{T}\underset{-\&infin;}{\overset{\&infin;}{\mathrm{\&Sigma;}}}f\left(\mathrm{kT}\right)\mathrm{\&psi;}\left[(k-l)\frac{T}{a}\right]---\left(3\right)$

在实际应用中，一般要求小波具有紧支撑[c₁，c₂]，相应的 $k-l\&Element;[\frac{a{c}_1}{T},\frac{a{c}_2}{T}],$ 而信号的采样序列也是有限的，因此假定k＝K₁，K₁+1，…，K₂。即上面算法中的和是有限的，因此，尺度为a的时域信号序列{W_ψf(a，lT)}为，

$W_{\mathrm{\&psi;}}f(a,\mathrm{lT})=\frac{{\left|a\right|}^{-1/2}}{T}\underset{-\&infin;}{\overset{\&infin;}{\mathrm{\&Sigma;}}}f\left(\mathrm{kT}\right)\mathrm{\&psi;}\left[(k-l)\frac{T}{a}\right]---\left(4\right)$

其中， $l\&Element;[K_1-\frac{{\mathrm{ac}}_1}{T},K_2-\frac{{\mathrm{ac}}_2}{T}]$

上述算法主要针对含有大量背景噪声的角速率传感器输出模拟信号进行数字化噪声去除处理，经上述方法处理后，能够获得传感器呈周期变化的正弦输出数据，该正弦曲线的极值点即是进行随钻方位测量所需的方位信息。

(2)采用灰色理论建模。经上述小波处理完成后的数据虽然可以进行随钻方位的确定，但要完成积分运算以获得准确的角度信息还需要获得实时准确的零位输出变化信息，只有获得足够准确的基准，才能获得足够准确的累积结果。而在随钻测量系统中，温度变化快，又很难找到绝对静止状态完成系统校准，因此必须具有在动态条件下自校准传感器零位输出的能力。神经网络可以很好的模拟像角速率传感器零位输出这样的非线性输出，但必须要求数据满足一定的规则，经小波滤波处理后的数据虽然去除了大部分噪声，但仍然是与多个输入量有关的多值对应关系，无法满足直接进行神经网络建模的需要，所以必须进行进一步的预处理。

运用累加生成操作(AGO)的方法，对给定角速率传感器零位漂移的原始数据进行预处理，得到有规则的生成数据，并对生成数据建模，获得角速率传感器零位输出在三维空间中的单值映射关系的建模，确定零位输出基准，即获得角速率传感器零位输出与某一时刻温度的关系，由温度和时间在三维空间中唯一确定角速率传感器零位电压输出，形成两个输入信号到零位输出信号的单值对应关系，生成新的输入输出对应关系。三维空间的单值关系说明如下：设T₁(t₁)＝T₂(t₂)＝T₃(t₃)＝T₄(t₄)＝T；而t₁≠t₂≠t₃≠t₄；f()为零位输出非线性函数。其中T是系统运行环境温度，t为某一温度时刻对应的时间。对应输出为：y₁＝f(T₁)；y₂＝f(T₂)；y₃＝f(T₃)；y₄＝f(T₄)

则y₁≠y₂≠y₃≠y₄，由于t₁≠t₂≠t₃≠t₄，则在三维空间中的点(T₁，t₁)、(T₂，t₂)、(T₃，t₃)和(T₄，t₄)互不相同。

其建模步骤如下：给定角速率传感器漂移的原始数据X⁽⁰⁾＝(x⁽⁰⁾(1)，x⁽⁰⁾(2)，…x⁽⁰⁾(n))，其中x⁰(i)对应于时刻i的系统输出。对原始数据X⁰，通过一次AGO产生新的序列X¹，X¹＝[x¹(1)，x¹(2)，…，x¹(n)]进行一侧AGO的反变换，从而得到角速率传感器原始数据X⁰的预测序列 ${\hat{X}}^0=[{\hat{x}}^0\left(1\right),{\hat{x}}^0\left(2\right),\&CenterDot;\&CenterDot;\&CenterDot;,{\hat{x}}^0\left(n\right)]$

其中： ${\hat{x}}^0(k+1)={\hat{x}}^1(k+1)-{\hat{x}}^1\left(k\right),k=\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,n-1{\hat{x}}^0\left(1\right)={\hat{x}}^1\left(1\right)$

当增加一个新的信息时，便将新信息加入到原始序列中，同时去掉一个最老的信息以保持数列的维数不变，再建立新数列的灰色模型。

当对输入进行一次累加生成时，所生成的输出信号表现为递增的特性。通过1-AGO变换，输出的递增信号(视为输入信号)和压电角速率传感器的零位输出信号之间就变成一个单值对应关系，这种单值对应的非线性函数就可用神经网络进行逼近。

(3)灰色神经网络建模

采用灰色神经网络以时间和温度为输入建立角速率传感器的漂移模型，对非线性函数中角速率传感器的零位输出基准进行逼近，以提高系统的累积积分精度。我们采用了RBF神经网络模型来完成动态条件下角速率传感器零位输出基准的校正。RBF神经元网络即Radial Basis Function NeuralNetworks，RBF神经网络由三层组成，输入层节点只传递输入信号到隐层，隐层节点由像高斯函数那样的辐射状作用函数构成，而输出层节点通常是简单的线性函数。隐层节点的作用基函数在局部对输入信号产生响应，即当输入信号靠近基函数的中心范围时，隐层节点将产生较大的输出，所以这种网络结构具有局部逼近能力。

一般RBF网络可表示为：

$y=g\left(x\right)=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_i\&CenterDot;R_i\left(\right||x-c_i|\left|\right)---\left(5\right)$

本文采用的基函数为高斯基函数R_i(x)，描述为：

$R_i\left(x\right)=\exp [-\frac{{\left|\right|x-c_i\left|\right|}^2}{2{\mathrm{\&sigma;}}_i^2}],i=\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,n---\left(6\right)$

式中，w_i是网络的连接权值；x是n维输入向量，对应实际的温度和系统运行时间；c_i是第i个隶属度函数的中心，与x具有相同维数的向量；σ_i是第i个感知的变量，它决定了该隶属度函数围绕中心点的宽度；n是感知单元的个数。||x-c_i||是向量x-c_i的范数，它通常表示x与c_i之间的距离。R_i(x)在c_i处有一个惟一的最大值，随d增大，R_i(x)迅速衰减到零。对于给定的输入x∈Rⁿ，只有靠近x中心的一小部分才被激活。这里的x是输入向量，由系统运行时间和系统运行环境温度组成。

如图4所示为灰色RBF神经网络整体结构示意图。其具体工作过程如下：采集陀螺实测的温度漂移数据，当温控箱内的陀螺达到稳定工作状态后，调整温控箱温度，模拟环境温度在-10℃至60℃变化。同时采集温度和陀螺漂移数据，如果先后进行20组试验。选取每次试验样本长度N＝2048。对采集的所有输入数据进行小波滤波和灰色AGO预处理。根据对陀螺漂移数据分析，选择对陀螺漂移影响最大的前2个时刻的漂移值和环境温度为网络的实际输入量。选取当前陀螺漂移为网络输出量，网络根据前2个时刻数据对当前漂移进行预测估计，隐层选取3个节点可以较好地实现漂移模型逼近.同时具备较快的运算速度。灰色RBF神经网络模型是通过串联RBF神经网络输入层的灰色累加生成操作AGO和其输出层的灰色AGO而被建立起来的。由于隐含数据中的随机性影响神经网络的建模特性，减小数据的随机性能够提高建模精度，反之亦然。因此灰色RBF神经网络模型能够具有比单独RBF网络更好的建模特性，采用动态误差补偿算法将在上述数据处理算法基础上，以系统当前运行速度和速度变化快慢对方位角进行补偿和精度修正。

本发明根据微石英角速率传感器的性能特点，在时域和温度变化两个方面对陀螺的零位漂移和刻度因子非线性进行了高精度的建模补偿。在此基础上，结合了角速率传感器和加速度计动态数据的实时判断，从而实现了测井仪动态自校准，同时克服了仪表必须在静态情况下启动的限制，能够极大地提高测量精度。

微石英角速率传感器的小体积、低成本和高抗冲击振动性能非常适合于随钻测量和微孔钻井领域，其输出信号虽然精度不高，并且噪声很大，但通过小波滤波可以有效地降低干扰，去除噪声；再结合神经网络所具有的非线性映射、鲁棒容错和泛化能力强等特点，可以在整个测量范围内对影响角速率传感器测量精度最主要的因素——零位输出漂移进行有效补偿，并成为该类惯性传感器实现和保持长时间动态测量精度的有效方法；最后结合加速度传感器等辅助信息，运用数据融合方法建立动态阈值条件和方位角计算误差补偿方法。本发明可以大幅度降低随钻测量系统对惯性器件的硬件性能要求，降低成本，提高系统工作稳定性，特别适合于对温度、体积和抗冲击振动有较高要求的随钻测量和微孔钻井领域。

Claims (6)

1.基于微石英角速率传感器的随钻方位测量误差动态补偿方法，其特征在于，加速度传感器、角速率传感器、温度传感器采集经快速小波滤波预处理后随钻测量系统的加速度、角速度、温度数据，送入数据融合部分进行数据处理，并根据活动阈值实时进行零位更新；运用累加生成AGO操作，对数据融合计算后给定角速率传感器零位漂移数据进行预处理，得到有规则的生成数据；对生成数据建模，以时间和温度为输入建立角速率传感器零位漂移模型，获得角速率传感器零位输出在三维空间中的单值映射关系，确定零位输出基准；采用灰色神经网络模型对角速率传感器的零位输出基准进行逼近。

2.根据权利要求1所述的方法，其特征在于，在快速小波滤波预处理中对微石英角速率传感器零位输出噪声数据进行检测和去除。

3.根据权利要求1所述的方法，其特征在于，所述有规则的生成数据为单值对应的非线性函数。

4.根据权利要求1所述的方法，其特征在于，所述活动阈值包括处于噪声门限处的角速率传感器电压输出、当前角速率传感器输出电压及加速度传感器输出电压相对于零位基准输出电压的差值。

5.根据权利要求1所述的方法，其特征在于，所述零位更新算法具体步骤为：将最后掉电时的历史零位及零位修正数据偏差、动态陀螺数据变化量、动态加速度计数据变化量与活动阈值进行比较，并更新历史的角速度传感器零位输出数据。

6.根据权利要求3所述的方法，其特征在于，所述非线性函数为角速率传感器零位输出与某一时刻温度的对应关系。

Images