CN111079559A - 一种基于卷积神经网络的泥浆脉冲信号识别方法 - Google Patents

Abstract

本发明公开了一种基于卷积神经网络的泥浆脉冲信号识别方法，包括以下步骤：S1、数据处理：滤波与去基值、归一化、欠采样、多周期切片；S2、建立神经网络模型：输入层、卷积层、池化层、全连接层和输出层；S3、模型训练：将训练数据拆分为训练集与验证集，使用训练集进行模型训练，直到在验证集上得到准确率最优的结果；S4、信号识别：将待识别信号按时间顺序输入神经网络模型，对网络输出进行阈值判断，将得到的二进制序列结果经过解码得到随钻测量数据。本发明通过训练数据对神经网络模型进行训练，使其获得自动抓取信号波形上关键特征的能力，并通过这些特征对信号进行分类，从而提升识别泥浆脉冲信号的准确率。

Description

一种基于卷积神经网络的泥浆脉冲信号识别方法

技术领域

本发明涉及钻井工程中的随钻测量技术领域，具体涉及一种基于卷积神经网络的泥浆脉冲信号识别方法。

背景技术

在石油钻井工程中，地面平台为了能够实时的了解井下信息,同时控制井下钻井装置的工作状态，通常采用泥浆脉冲的方式进行地面与井下设备的通讯。但是由于泥浆泵冲噪声、井下钻井动力噪声、泥浆气泡、脉冲信号反射等因素的影响，泥浆信道质量较差，经压力传感器接收到的泥浆脉冲信号中充斥着干扰信号，这给信号的识别带来了很大困难。准确的识别泥浆脉冲信号有利于地面平台控制钻井过程并了解地层深处的信息与当前钻井工作状态，对于提升石油钻井效率有至关重要的作用。

提升泥浆脉冲信号识别的准确率能够降低噪声的影响，减少发生误码的概率，提高泥浆脉冲的通信质量。传统的泥浆脉冲信号识别通常利用阈值、波峰、上升沿和下降沿进行，即利用波形的简单特征进行识别(泥浆脉冲信号的识别是将信号波形上的有效脉冲分类为信号1，其它波形分类为信号0)。这种识别方法因为利用的信号特征过于简单，不能有效避免噪声带来的影响，所以识别准确率不高。

发明内容

针对上述问题，本发明提供一种基于卷积神经网络的泥浆脉冲信号识别方法,该方法通过训练数据对神经网络模型进行训练，使其获得抓取信号波形上关键特征的能力，并通过这些特征对信号进行分类，从而完成泥浆脉冲信号的高准确率识别。

本发明采用下述的技术方案：

一种基于卷积神经网络的泥浆脉冲信号识别方法，包括以下步骤：

S1、数据处理阶段，包括滤波与去基值、归一化、欠采样、多周期切片四个步骤；

S2、建立神经网络模型，所述神经网络模型包括输入层、卷积层、池化层、全连接层和输出层构成；

S3、模型训练：将训练数据拆分为训练集与验证集，设置损失函数并使用训练集进行模型训练；设置输出阈值T，直到在验证集上得到准确率最优的结果；

S4、信号识别：将M个时间周期的泥浆脉冲信号经过数据处理后，得到的M个时间周期的待识别信号按时间顺序输入神经网络模型，对网络输出进行阈值判断，将得到的二进制序列结果经过解码得到随钻测量数据。

优选的，步骤S1中，所述滤波与去基值为：对泥浆脉冲信号进行滤波、去基值处理，滤波、去基值的计算公式如下：

其中，r(n)为

式中，S₁(t)为信号S(t)滤波输出信号，S₂(t)为S₁(t)去基值后的输出信号，N为滤波器阶数；t为时间，无量纲；W为函数r(n)宽度；n为整数。

优选的，步骤S1中，所述归一化为：将泥浆脉冲信号通过归一化模型线性变换得到归一化的信号；所述归一化模型为：

式中，v_s为信号均值，a_s为信号标准差。

优选的，步骤S1中，所述欠采样为：对泥浆脉冲信号泥浆脉冲信号进行等间隔欠采样处理。

优选的，步骤S1中，所述多周期切片为：识别某一时间周期的泥浆脉冲信号时，采集前后邻域时间周期的泥浆脉冲信号一起进行识别。

优选的，所述采集的邻域时间周期为一个或多个时间槽周期。

优选的，步骤S3中，所述损失函数为均方误差损失函数或者交叉熵损失函数中的一种，所述均方差损失函数loss1为：

所述交叉熵损失函数loss2为：

其中B为训练过程中一批数据量的大小，q为信号分类真实值，p为模型预测值。

本发明的有益效果是：

本发明通过训练数据对神经网络模型进行训练，使其获得自动抓取信号波形上关键特征的能力，并通过这些特征对信号进行分类，从而提升识别泥浆脉冲信号的准确率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例的附图作简单地介绍，显而易见地，下面描述中的附图仅仅涉及本发明的一些实施例，而非对本发明的限制。

图1为本发明神经网络模型结构示意图；

图2为本发明溶信号识别阶段流程图；

图3为本发明构建神经网络模型流程示意图；

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

除非另外定义，本公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。

下面结合附图和实施例对本发明进一步说明。

如图1至图3所示，一种基于卷积神经网络的泥浆脉冲信号识别方法，包括以下步骤：

包括以下步骤：

S1、数据处理阶段，包括滤波与去基值、归一化、欠采样、多周期切片四个步骤；

S11，滤波与去基值:原始的泥浆脉冲信号中存在大量的噪声和压力基值的漂移，所以需要对信号进行滤波、去基值处理。

S12，归一化：为了便于神经网络的训练与识别，需要对其进行线性变换得到归一化的信号。

S13，欠采样：通常泥浆脉冲信号的采样率都比较高，经过处理后的信号包含着大量的冗余信息，为了便于神经网络的识别需要对信号进行等间隔欠采样处理。

S14，多周期切片：泥浆脉冲信号通过不同的编码方式在连续时间周期上有不同的表征，现有技术中泥浆脉冲信号的识别是在单个时间周期上进行，这样实际上在识别时丢弃了邻域信息，由于不能完整的利用信号特征，造成识别率不高。本发明提出的多周期切片的信号识别，即识别某时间周期的信号时，采集前后邻域时间周期的信号一起进行识别，采集的邻域时间周期可以是一个或多个。这样对于每一段待识别的信号片段，识别结果都是其中间时间周期的信号值。在泥浆脉冲信号序列上通过滑动的多周期切片得到每个时间周期的待识别信号片段。

本发明采用FIR滤波，根据噪声特性设计N阶FIR滤波器f(n)，对信号S(t)滤波输出信号S₁(t)，计算公式为：

通过公式(2)对信号S₁(t)去基值得到输出信号S₂(t)：

其中，W阶相关函数r(n)为

式中，S₁(t)为信号S(t)滤波输出信号，S₂(t)为S₁(t)去基值后的输出信号，N为滤波器阶数；t为时间，无量纲；W为函数r(n)宽度；n为整数。

对已有泥浆脉冲信号数据进行滤波与去基值处理后，统计其幅值的分布特性构建一个线性变换的归一化模型，采用此模型对所有数据进行归一化。所述归一化模型如下：

式中，v_s为信号均值，a_s为信号标准差。

本发明中识别的泥浆脉冲信采用PLM编码方式，时间槽周期为0.5秒，压力传感器采样频率为200Hz，即一个时间槽100个采样点。PLM编码的脉冲宽度1.5个时间槽，最小脉冲间隔两个时间槽宽度。每个时间槽的信号都需要识别为0或1，所述多周期切片方案为切取该时间槽前后3个时间槽共7个时间槽的信号。欠采样方案为每个时间槽10个采样点，即每一个待识别信号为1×70的张量。泥浆脉冲信号经滤波、去基值、归一化、欠采样、多周期切片后得到一系列待识别信号。

S2、建立神经网络模型，如图1所示，所述神经网络模型包括输入层、2个卷积层、2个池化层、全连接层和输出层构成；某个时间周期的泥浆脉冲信号经过数据处理后得到神经网络的输入，一个1×H的张量，H为网络输入层节点数。输入的张量经过J个卷积层和K个池化层的处理之后(其中J≥1，K≥0)，信号关键特征被提取出来，然后经过一个全连接层，再连接到节点数为1的输出层得到输出值。

如图3所示，输入层节点数为70，待识别的1×70张量直接输入卷积层1。卷积层1采用8个1×5卷积核，激活函数为relu，填充方式(Padding)选择valid，输出1×66×8的张量。池化层1选择max pooling方式，步长选择1×2，填充方式选择valid，输出1×33×8的张量。卷积层2采用16个1×5卷积核，激活函数为relu，填充方式选择same，输出1×33×16的张量。池化层2选择max pooling方式，步长选择1×2，填充方式选择valid，输出1×16×16的张量。全连接层节点数为24，激活函数为relu，输出1×24的张量。输出层节点数为1，激活函数为sigmoid，输出0-1范围的值。

S3、模型训练：训练数据由泥浆脉冲信号片段与对应的标签组成的信号标签对构成，并将其拆分为训练集与验证集。采用软件(如Caffe、Tensorflow等)构建所描述的神经网络模型，为了防止过拟合可采用Dropout和正则化，然后设置损失函数并使用训练集进行模型的训练，所述损失函数为均方误差损失函数或者交叉熵损失函数中的一种。设置输出阈值T＝0.5，直到在验证集上得到准确率最优的结果。

S4、信号识别：如图2所示，将M个时间周期的泥浆脉冲信号经过数据处理后，得到的M个时间周期的待识别信号，即M个1×H张量，按时间顺序输入神经网络模型，对网络输出进行阈值判断(网络输出值大于阈值T则输出1，否则输出0)，将得到的二进制序列结果经过PLM解码得到相关的相关的随钻测量数据。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (7)

1.一种基于卷积神经网络的泥浆脉冲信号识别方法，其特征在于，包括以下步骤：

S1、数据处理阶段，包括滤波与去基值、归一化、欠采样、多周期切片四个步骤；

S2、建立神经网络模型，所述神经网络模型包括输入层、卷积层、池化层、全连接层和输出层构成；

S3、模型训练：将训练数据拆分为训练集与验证集，设置损失函数并使用训练集进行模型训练；设置输出阈值T，直到在验证集上得到准确率最优的结果；

S4、信号识别：将M个时间周期的泥浆脉冲信号经过数据处理后，得到的M个时间周期的待识别信号按时间顺序输入神经网络模型，对网络输出进行阈值判断，将得到的二进制序列结果经过解码得到随钻测量数据。

2.根据权利要求1所述的一种基于卷积神经网络的泥浆脉冲信号识别方法，其特征在于，步骤S1中，所述滤波与去基值为：对泥浆脉冲信号进行滤波、去基值处理，滤波、去基值的计算公式如下：

其中，r(n)为

式中，S₁(t)为信号S(t)滤波输出信号；S₂(t)为S₁(t)去基值后的输出信号，N为滤波器阶数；t为时间，无量纲；W为函数r(n)宽度；n为整数。

3.根据权利要求1所述的一种基于卷积神经网络的泥浆脉冲信号识别方法，其特征在于，步骤S1中，所述归一化为：将泥浆脉冲信号通过归一化模型线性变换得到归一化的信号；所述归一化模型为：

式中，v_s为信号均值，a_s为信号标准差。

4.根据权利要求1所述的一种基于卷积神经网络的泥浆脉冲信号识别方法，其特征在于，步骤S1中，所述欠采样为：对泥浆脉冲信号进行等间隔欠采样处理。

5.根据权利要求1所述的一种基于卷积神经网络的泥浆脉冲信号识别方法，其特征在于，步骤S1中，所述多周期切片为：识别某一时间周期的泥浆脉冲信号时，采集前后邻域时间周期的泥浆脉冲信号一起进行识别。

6.根据权利要求5所述的一种基于卷积神经网络的泥浆脉冲信号识别方法，其特征在于，所述采集的邻域时间周期为一个或多个时间槽周期。

7.根据权利要求1所述的一种基于卷积神经网络的泥浆脉冲信号识别方法，其特征在于，步骤S3中，所述损失函数为均方误差损失函数或者交叉熵损失函数中的一种，所述均方差损失函数loss1为：

所述交叉熵损失函数loss2为：

其中B为训练过程中一批数据量的大小，q为信号分类真实值，p为模型预测值。

Images