CN108171159A - 一种基于小波去噪与神经网络识别的随钻测量信号处理方法 - Google Patents
一种基于小波去噪与神经网络识别的随钻测量信号处理方法 Download PDFInfo
- Publication number
- CN108171159A CN108171159A CN201711447658.7A CN201711447658A CN108171159A CN 108171159 A CN108171159 A CN 108171159A CN 201711447658 A CN201711447658 A CN 201711447658A CN 108171159 A CN108171159 A CN 108171159A
- Authority
- CN
- China
- Prior art keywords
- signal
- output
- neural network
- layer
- input
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000005553 drilling Methods 0.000 title claims abstract description 32
- 238000005259 measurement Methods 0.000 title claims abstract description 24
- 238000003672 processing method Methods 0.000 title claims abstract description 22
- 230000006870 function Effects 0.000 claims description 19
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 230000003466 anti-cipated effect Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims 1
- 230000008030 elimination Effects 0.000 abstract description 2
- 238000003379 elimination reaction Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 8
- 239000007788 liquid Substances 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000035485 pulse pressure Effects 0.000 description 2
- 239000002002 slurry Substances 0.000 description 2
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 230000010358 mechanical oscillation Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- VIKNJXKGJWUCNN-XGXHKTLJSA-N norethisterone Chemical group O=C1CC[C@@H]2[C@H]3CC[C@](C)([C@](CC4)(O)C#C)[C@@H]4[C@@H]3CCC2=C1 VIKNJXKGJWUCNN-XGXHKTLJSA-N 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
- E21B47/12—Means for transmitting measuring-signals or control signals from the well to the surface, or from the surface to the well, e.g. for logging while drilling
- E21B47/14—Means for transmitting measuring-signals or control signals from the well to the surface, or from the surface to the well, e.g. for logging while drilling using acoustic waves
- E21B47/18—Means for transmitting measuring-signals or control signals from the well to the surface, or from the surface to the well, e.g. for logging while drilling using acoustic waves through the well fluid, e.g. mud pressure pulse telemetry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Geochemistry & Mineralogy (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- Remote Sensing (AREA)
- Acoustics & Sound (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Geophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及一种基于小波去噪与神经网络识别的随钻测量信号处理方法。在随钻测井系统中，泥浆泵等产生的多种噪声对有效信号的获取造成了干扰。本发明首先对随钻测井过程中产生的噪声进行分析，然后通过小波变换去噪，通过BP神经网络脉冲进行信号识别；去噪后获得频率在0～0.8Hz的有效信号，经过神经网络识别后得到数量相同且幅值为1的脉冲信号。
Description
技术领域
本发明涉及一种基于小波去噪与神经网络识别的随钻测量信号处理方法，属于随钻测井的技术领域。
背景技术
随钻测井技术(MWD：Measurement While Drilling)，即以钻井液为传输介质，以钻井液压力脉冲为传输方式，进行井下数据测量的技术。随钻测井既能用于地质导向，指导钻进，又能对复杂井、复杂地层的含油气情况进行评价，已是世界各石油服务公司争相研究、不断推出新方法新技术的热点。近年来，各大服务公司纷纷推出了新型随钻测井数据传输系统，随钻测井的数据传输效率不断提升，对实时地层评价和地质导向更有利。
随钻测井技术以其经济可靠等优点迅速发展并得到广泛的应用。无线钻井液信息传输方式是将有用的测量信息利用特定的信号发生器调制成泥浆液的脉冲信号，实现脉冲信号在泥浆液中的传输。
根据脉冲信号产生的工作原理，传输方式可以分为，正脉冲压力波、负脉冲压力波和连续波。井下随钻测量系统设备产生的噪声、井底动力机械振动产生的噪声等都给获取有用信号造成了很大的困扰，如何能从充满着各种噪声的井下载波信号过滤出有用信号成为随钻测井技术中的重要课题。
中国专利授权公告号104783787B公开了一种基于神经网络的J波检测方法。本发明先获得J波综合征病人的Frank导联的高分辨率心电信号，对心电信号进行预处理，去除干扰和噪声，利用小波技术去除低频信号，形成幅值波形VM，然后对VM进行两种特征向量提取，这两种特征向量反映了J波的形态学特性，把两种特征向量输入到BP神经网络，利用神经网络进行对高分辨率心电图分类。上述J波检测方法是被应用到心电信号的技术领域，用于去除低频信号，无法实现对随钻测量信号的处理。
发明内容
针对现有技术的不足，本发明提供一种基于小波去噪与神经网络识别的随钻测量信号处理方法。
发明概述：
在随钻测井系统中，泥浆泵等产生的多种噪声对有效信号的获取造成了干扰。本发明首先对随钻测井过程中产生的噪声进行分析，然后通过小波变换去噪，通过BP神经网络脉冲进行信号识别；去噪后获得频率在0～0.8Hz的有效信号，经过神经网络识别后得到数量相同且幅值为1的脉冲信号。
本发明的技术方案为：
一种基于小波去噪与神经网络识别的随钻测量信号处理方法，包括步骤如下：
1)对包含噪声的井下信号进行分析；通过快速傅里叶变换将时域信号变换为频域信号，得到信号的频率分布，进而得到有用信号频率分布和噪声信号频率分布，为滤波操作做准备；
2)通过小波变换对包含噪声的井下信号进行去噪，得到去噪信号；
3)将步骤2)得到的去噪信号输入BP神经网络进行信号识别；BP神经网络的输入-输出模型为，
Y＝F(∑(Input(n)·ωn)+b)；
其中，Input(n)为输入，ωn为权值，b为阈值，Y为输出。
根据本发明优选的，本发明所述随钻测量信号处理方法采用信噪比SNR和均方根误差RMSE评价滤波效果；
其中，X(n)为包含噪声的井下信号，x(n)为有效信号，N为信号点数。
信噪比是体现了有效信号与噪声信号两者的比例关系，用来判断信号的噪声水平，SNR值越大，反映的去噪效果越好；均方根误差表示的是去噪后信号与原始信号偏差，值越小则表示处理效果越好。
根据本发明优选的，所述步骤2)中，通过小波变换对包含噪声的井下信号进行去噪的具体方法为，在MATLAB中构建滤波器，选用小波去噪函数Wden；其中，参数‘sqtwolog’为固定阈值形式，参数‘mln’根据每一层小波分解得到的噪声水平估计进行调整。
进一步优选的，所述步骤2)中的滤波器选用‘bior5.5’作为小波基函数；滤波器的分解层数lev＝10，选择软阈值处理方式。
根据本发明优选的，所述步骤3)中的BP神经网络为多层前馈神经网络,所述多层前馈神经网络包括输入层、隐含层和输出层；BP神经网络的传递函数为对数S型函数，即y＝logsig(x)；y∈(0,1)；其中，x为任意输入数据，y为相应的输出数据，y的值域为0～1。
进一步优选的，
3.1)信号的前向传播过程：
3.1.1)隐含层第i个节点的输入其中，X1为输入层的输入，ωi，j为输入层的权值，i表示隐含层第i个节点，j表示输入层第j个节点；βn为隐含层的阈值，Y1为输出层的输出；n＝1,2,3…M；
3.1.2)隐含层第i个节点的输出为Oi＝θ(net(i))；其中θ函数是BP神经网络的常用函数，是领域技术人员所熟知的。
3.1.3)输出层的输出Y1＝φ[∑(Oi·ωk,i)+a1]；k表示输出层第k个节点；Y1的取值范围为(0,1)，a1为输出层的阈值；求和符号中的自变量ωk,i为隐含层与输出层之间的阈值，Oi为隐含层第i个节点的输出；其中，φ函数是BP神经网络的常用函数，是领域技术人员所熟知的。
3.2)误差的反向传播过程：
样本的二次型误差准则函数为Xc；
其中，Tk为输出层第k个节点的预期输出，Yk为输出层第k个节点的实际输出；根据输出层的预期输出和输出层的实际输出的差更新隐含层阈值βn。隐含层阈值βn的更新是通过matlab中的学习函数和训练函数实现的，是本领域技术人员所熟知的。
本发明的有益效果为：
1.本发明所述随钻测量信号处理方法，利用神经网络对泥浆脉冲信号进行识别，以信噪比SNR和均方误差根RMSE为判断滤波性能参数，具有高精度滤波，处理速度高效，信号识别能力强等突出优点；
2.在随钻测井过程中，由于特定的脉冲发生器和复杂的干扰源，有用信号频率较低，集中在0～1Hz，噪声信号频率较高且分布范围广；本发明所述随钻测量信号处理方法，可有效去除随钻测井过程中的高频信号，属于随钻测井系统的技术领域。
附图说明
图1为本发明所述随钻测量信号处理方法的流程图；
图2为实施例1中通过模拟井下参数获得的含噪信号的波形图；
其中，横坐标为时间，单位是毫秒(ms)，纵坐标为信号幅值，单位伏特(V)；采样频率为1024Hz，即两点之间的时间间隔为(1/1024)秒；总共为499999个点；
图3为实施例1中含噪信号经过滤波器滤波后的信号；从图中可以清晰地看到一系列的正脉冲，其中横坐标为时间，单位是毫秒(ms)，纵坐标为信号幅值，单位伏特(V)；
图4为实施例1通过模拟井下参数获得的含噪声信号的频谱图，其中横坐标为频率(单位：Hz)；
图5为对实施例1中含噪信号滤波后信号的频谱图；其中横坐标为频率(单位：Hz)；
图6为实施例1所述所述BP神经网络的输入-输出模型的示意图；
图7为实施例3所述多层前馈神经网络的示意图；
图8为经过滤波器滤波后得到的正脉冲输入信号；其中，横坐标为时间，单位是毫秒(ms)，纵坐标为信号幅值，单位伏特(V)；
图9为识别输出的脉冲信号；其中，横坐标为时间，单位是毫秒(ms)，纵坐标为信号幅值，单位伏特(V)。
具体实施方式
下面结合实施例和说明书附图对本发明做进一步说明，但不限于此。
实施例1
如图1所示。
一种基于小波去噪与神经网络识别的随钻测量信号处理方法，对通过模拟井下参数获得的含噪信号进行处理，包括步骤如下：
1)对包含噪声的井下信号进行分析；通过快速傅里叶变换将时域信号变换为频域信号，得到信号的频率分布，进而得到有用信号频率分布和噪声信号频率分布，为滤波操作做准备；如图2、图4所示；通过观察图4可以看到，信号在频率0～0.8Hz(有用信号)、1.2Hz、2.3Hz、3.3Hz、4.4Hz以及6.5Hz周围均有信号；
2)通过小波变换对包含噪声的井下信号进行去噪，得到去噪信号；通过小波变换对包含噪声的井下信号进行去噪的具体方法为，在MATLAB中构建滤波器，选用小波去噪函数Wden；其中，参数‘sqtwolog’为固定阈值形式，参数‘mln’根据每一层小波分解得到的噪声水平估计进行调整；进一步的，所述滤波器选用‘bior5.5’作为小波基函数；滤波器的分解层数lev＝10，选择软阈值处理方式；如图3、图5所示；通过观察图5可知，过滤后的信号仅在频率范围为0～0.8Hz内有信号，不存在其他频率的信号，达到了预期的滤波效果；
3)将步骤2)得到的去噪信号(如图8所示)输入BP神经网络进行信号识别；BP神经网络的输入-输出模型为，
Y＝F(∑(Input(n)·ωn)+b)；
其中，Input(n)为输入，ωn为权值，b为阈值，Y为输出；如图6、图9所示。随机选取一段经过BP神经网络进行脉冲识别，得到与输入信号中脉冲数量相同且幅值为1。
实施例2
如实施例1所述的基于小波去噪与神经网络识别的随钻测量信号处理方法，进一步的，所述步骤3)中的BP神经网络为多层前馈神经网络,所述多层前馈神经网络包括输入层、隐含层和输出层；BP神经网络的传递函数为对数S型函数，即y＝logsig(x)；y∈(0,1)；其中，x为任意输入数据，y为相应的输出数据，y的值域为0～1。
实施例3
如图7所示。
如实施例2所述的基于小波去噪与神经网络识别的随钻测量信号处理方法，进一步的，
3.1)信号的前向传播过程：
3.1.1)隐含层第i个节点的输入其中，X1为输入层的输入，ωi，j为输入层的权值，i表示隐含层第i个节点，j表示输入层第j个节点；βn为隐含层的阈值，Y1为输出层的输出；M＝9；n＝1,2,3…M；
3.1.2)隐含层第i个节点的输出为Oi＝θ(net(i))；
3.1.3)输出层的输出Y1＝φ[∑(Oi·ωk,i)+a1]；k表示输出层第k个节点；Y1的取值范围为(0,1)，a1为输出层的阈值；求和符号中的自变量ωk,i为隐含层与输出层之间的阈值，Oi为隐含层第i个节点的输出；
3.2)误差的反向传播过程：
样本的二次型误差准则函数为Xc；
其中，Tk为输出层第k个节点的预期输出，Yk为输出层第k个节点的实际输出；根据输出层的预期输出和输出层的实际输出的差更新隐含层阈值βn。
实施例4
如实施例1所述的基于小波去噪与神经网络识别的随钻测量信号处理方法，进一步的，本发明所述随钻测量信号处理方法采用信噪比SNR和均方根误差RMSE评价滤波效果；
其中，X(n)为包含噪声的井下信号，x(n)为有效信号，N为信号点数。通过计算信噪比SNR和均方根误差RMSE可知经过本发明中所提出的滤波算法很好的滤除了噪声信号，符合预期的效果。尤其是均方根误差越接近于0，说明滤波效果越好。
Claims (6)
1.一种基于小波去噪与神经网络识别的随钻测量信号处理方法，其特征在于，包括步骤如下：
1)对包含噪声的井下信号进行分析；通过快速傅里叶变换将时域信号变换为频域信号，得到信号的频率分布，进而得到有用信号频率分布和噪声信号频率分布，为滤波操作做准备；
2)通过小波变换对包含噪声的井下信号进行去噪，得到去噪信号；
3)将步骤2)得到的去噪信号输入BP神经网络进行信号识别；BP神经网络的输入-输出模型为，
Y＝F(Σ(Input(n)·ωn)+b)；
其中，Input(n)为输入，ωn为权值，b为阈值，Y为输出。
2.根据权利要求1所述的基于小波去噪与神经网络识别的随钻测量信号处理方法，其特征在于，本发明所述随钻测量信号处理方法采用信噪比SNR和均方根误差RMSE评价滤波效果；
其中，X(n)为包含噪声的井下信号，x(n)为有效信号，N为信号点数。
3.根据权利要求1所述的基于小波去噪与神经网络识别的随钻测量信号处理方法，其特征在于，所述步骤2)中，通过小波变换对包含噪声的井下信号进行去噪的具体方法为，在MATLAB中构建滤波器，选用小波去噪函数Wden；其中，参数‘sqtwolog’为固定阈值形式，参数‘mln’根据每一层小波分解得到的噪声水平估计进行调整。
4.根据权利要求1所述的基于小波去噪与神经网络识别的随钻测量信号处理方法，其特征在于，所述步骤2)中的滤波器选用‘bior5.5’作为小波基函数；滤波器的分解层数lev＝10，选择软阈值处理方式。
5.根据权利要求1所述的基于小波去噪与神经网络识别的随钻测量信号处理方法，其特征在于，所述步骤3)中的BP神经网络为多层前馈神经网络,所述多层前馈神经网络包括输入层、隐含层和输出层；BP神经网络的传递函数为对数S型函数，即y＝logsig(x)；y∈(0,1)；其中，x为任意输入数据，y为相应的输出数据，y的值域为0～1。
6.根据权利要求5所述的基于小波去噪与神经网络识别的随钻测量信号处理方法，其特征在于，
3.1)信号的前向传播过程：
3.1.1)隐含层第i个节点的输入其中，X1为输入层的输入，ωi，j为输入层的权值，i表示隐含层第i个节点，j表示输入层第j个节点；βn为隐含层的阈值，Y1为输出层的输出；n＝1,2,3…M；
3.1.2)隐含层第i个节点的输出为Oi＝θ(net(i))；
3.1.3)输出层的输出Y1＝φ[∑(Oi·ωk,i)+a1]；k表示输出层第k个节点；Y1的取值范围为(0,1)，a1为输出层的阈值；求和符号中的自变量ωk,i为隐含层与输出层之间的阈值，Oi为隐含层第i个节点的输出；
3.2)误差的反向传播过程：
样本的二次型误差准则函数为Xc；
其中，Tk为输出层第k个节点的预期输出，Yk为输出层第k个节点的实际输出；根据输出层的预期输出和输出层的实际输出的差更新隐含层阈值βn。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711447658.7A CN108171159A (zh) | 2017-12-27 | 2017-12-27 | 一种基于小波去噪与神经网络识别的随钻测量信号处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711447658.7A CN108171159A (zh) | 2017-12-27 | 2017-12-27 | 一种基于小波去噪与神经网络识别的随钻测量信号处理方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108171159A true CN108171159A (zh) | 2018-06-15 |
Family
ID=62518213
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711447658.7A Pending CN108171159A (zh) | 2017-12-27 | 2017-12-27 | 一种基于小波去噪与神经网络识别的随钻测量信号处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108171159A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109736783A (zh) * | 2018-12-11 | 2019-05-10 | 斯伦贝谢油田技术（山东）有限公司 | 一种连续波测量信号的处理方法 |
| CN109857979A (zh) * | 2018-12-29 | 2019-06-07 | 中国船舶重工集团公司第七一八研究所 | 一种基于小波分析和bp神经网络的测井曲线拟合方法 |
| CN110179455A (zh) * | 2019-04-30 | 2019-08-30 | 厦门大学 | 一种基于猝死预警的ecg预处理与波形检测方法和装置 |
| CN110969092A (zh) * | 2019-11-05 | 2020-04-07 | 国网河北省电力有限公司电力科学研究院 | 脉冲信号去噪方法、装置及终端设备 |
| CN111079559A (zh) * | 2019-11-26 | 2020-04-28 | 成都深地领航能源科技有限公司 | 一种基于卷积神经网络的泥浆脉冲信号识别方法 |
| CN111832332A (zh) * | 2019-03-29 | 2020-10-27 | 中国石油天然气集团有限公司 | 泥浆脉冲信号处理方法及装置 |
| CN114575827A (zh) * | 2022-04-11 | 2022-06-03 | 中国地质大学(北京)郑州研究院 | 一种随钻测量数据智能处理系统及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101575970A (zh) * | 2008-05-09 | 2009-11-11 | 高岩 | 一种随钻岩性和油藏特性识别方法 |
| CN104792522A (zh) * | 2015-04-10 | 2015-07-22 | 北京工业大学 | 一种基于分数阶小波变换和bp神经网络的齿轮缺陷智能分析方法 |
| CN107109929A (zh) * | 2015-01-12 | 2017-08-29 | 哈利伯顿能源服务公司 | 脉冲调制遥测术中的波反射抑制 |
-
2017
- 2017-12-27 CN CN201711447658.7A patent/CN108171159A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101575970A (zh) * | 2008-05-09 | 2009-11-11 | 高岩 | 一种随钻岩性和油藏特性识别方法 |
| CN107109929A (zh) * | 2015-01-12 | 2017-08-29 | 哈利伯顿能源服务公司 | 脉冲调制遥测术中的波反射抑制 |
| CN104792522A (zh) * | 2015-04-10 | 2015-07-22 | 北京工业大学 | 一种基于分数阶小波变换和bp神经网络的齿轮缺陷智能分析方法 |
Non-Patent Citations (4)
| Title |
|---|
| XIAOYONG NI，DAPENG LUO: "Design of Pulse Detection System for Measurement While Drilling Based on GRNN", 《IEEE ICIA》 * |
| 季利锋，刘国福，朱金涛，李懋: "半导体探测器 p/α粒子甄别方法研究", 《第十八届全国核电子学与核探测技术学术年会》 * |
| 张伟，师奕兵，王志刚: "随钻声波测井数据压缩的小波神经网络法", 《电子科技大学学报》 * |
| 涂兵: "MWD中泥浆脉冲信号辨识及地面适配技术研究", 《中国博士学位论文全文数据库 工程科技Ⅰ辑》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109736783A (zh) * | 2018-12-11 | 2019-05-10 | 斯伦贝谢油田技术（山东）有限公司 | 一种连续波测量信号的处理方法 |
| CN109857979A (zh) * | 2018-12-29 | 2019-06-07 | 中国船舶重工集团公司第七一八研究所 | 一种基于小波分析和bp神经网络的测井曲线拟合方法 |
| CN111832332A (zh) * | 2019-03-29 | 2020-10-27 | 中国石油天然气集团有限公司 | 泥浆脉冲信号处理方法及装置 |
| CN110179455A (zh) * | 2019-04-30 | 2019-08-30 | 厦门大学 | 一种基于猝死预警的ecg预处理与波形检测方法和装置 |
| CN110969092A (zh) * | 2019-11-05 | 2020-04-07 | 国网河北省电力有限公司电力科学研究院 | 脉冲信号去噪方法、装置及终端设备 |
| CN110969092B (zh) * | 2019-11-05 | 2024-01-23 | 国网河北省电力有限公司电力科学研究院 | 脉冲信号去噪方法、装置及终端设备 |
| CN111079559A (zh) * | 2019-11-26 | 2020-04-28 | 成都深地领航能源科技有限公司 | 一种基于卷积神经网络的泥浆脉冲信号识别方法 |
| CN114575827A (zh) * | 2022-04-11 | 2022-06-03 | 中国地质大学(北京)郑州研究院 | 一种随钻测量数据智能处理系统及方法 |
| CN114575827B (zh) * | 2022-04-11 | 2024-06-04 | 中国地质大学(北京)郑州研究院 | 一种随钻测量数据智能处理系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108171159A (zh) | 一种基于小波去噪与神经网络识别的随钻测量信号处理方法 | |
| Li et al. | A novel noise reduction technique for underwater acoustic signals based on complete ensemble empirical mode decomposition with adaptive noise, minimum mean square variance criterion and least mean square adaptive filter | |
| Liu et al. | Random noise suppression in seismic data: What can deep learning do? | |
| CN101575970B (zh) | 一种随钻岩性和油藏特性识别方法 | |
| US11435493B2 (en) | Enhanced waveform analysis for target modes of borehole waves | |
| CN110529087B (zh) | 一种评价地层水力压裂效果的方法及装置 | |
| CN103699513B (zh) | 一种基于多尺度噪声调节的随机共振方法 | |
| CN107703546A (zh) | 一种基于小波变换的新阈值函数地震资料去噪方法 | |
| CN112818876B (zh) | 一种基于深度卷积神经网络的电磁信号提取与处理方法 | |
| CN106526678A (zh) | 一种反射声波测井的波场分离方法及装置 | |
| CN107703547A (zh) | 一种自适应小波阈值函数地震资料去噪方法 | |
| CN114091538A (zh) | 一种基于信号特征的判别损失卷积神经网络智能降噪方法 | |
| CN107632326A (zh) | 地球物理信号去噪方法 | |
| Li et al. | Magnetotelluric signal-noise separation method based on SVM–CEEMDWT | |
| Biao et al. | Rotating machine fault diagnosis by a novel fast sparsity-enabled feature-energy-ratio method | |
| Chu et al. | The research of machinery fault feature extraction methods based on vibration signal | |
| Yu et al. | Wavelet denoising of well logs and its geological performance | |
| CN106443771B (zh) | 提高转换波地震数据分辨率的方法及其速度反演方法 | |
| CN110160778A (zh) | 基于序贯假设检验的齿轮箱故障状态识别方法 | |
| CN116184501A (zh) | 基于数据约束的地震资料高分辨率智能处理方法 | |
| CN113391352B (zh) | 一种突出含气储层低频地震异常的地震信号时频分析方法 | |
| CN106291675A (zh) | 一种基于基追踪技术的地震数据重构方法 | |
| CN109885906B (zh) | 一种基于粒子群优化的磁共振测深信号稀疏消噪方法 | |
| CN105589099A (zh) | 一种盲源地震波场的多边形带通滤波方法 | |
| Yang et al. | Noise Modeling and Deep Learning Noise Suppression of Mud Signal |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180615 |
|
| RJ01 | Rejection of invention patent application after publication |