CN111191502B - 基于钻柱振动信号的粘滑和跳钻异常工况识别方法 - Google Patents
基于钻柱振动信号的粘滑和跳钻异常工况识别方法 Download PDFInfo
- Publication number
- CN111191502B CN111191502B CN201911154166.8A CN201911154166A CN111191502B CN 111191502 B CN111191502 B CN 111191502B CN 201911154166 A CN201911154166 A CN 201911154166A CN 111191502 B CN111191502 B CN 111191502B
- Authority
- CN
- China
- Prior art keywords
- drilling
- signal
- stick
- slip
- imf
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/22—Source localisation; Inverse modelling
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Earth Drilling (AREA)
Abstract
本发明提供了一种基于钻柱振动信号的粘滑和跳钻异常工况识别方法,用于识别粘滑和跳钻这两种异常钻具工况。通过分析钻柱振动三维加速度信号正常钻进与发生粘滑、跳钻时信号变化特征,利用经验模态分解得到本征模态函数IMF分量。然后,选取IMF分量及其阈值,将高于阈值的IMF分量系数采用软阈值函数进行处理重构得到去噪信号。对去噪信号进行IMF能量熵与边际谱能量计算,得到用于表征正常钻进、粘滑和跳钻的时频域特征。最后基于已提取的时频域特征,利用支持向量机对这三种工况进行识别。本发明减少钻进成本,提高粘滑、跳钻工况的识别速度和精度,为地质勘探钻进过程安全性监测与工况识别打下了良好的基础。
Description
技术领域
本发明涉及地质勘探钻进过程智能控制领域,尤其涉及一种基于钻柱振动 信号的粘滑和跳钻异常工况识别方法。
背景技术
随着国家经济的高速发展,对能源的需求量逐年增加,保障资源能源安全 成为实现国家经济可持续发展的关键。深部地质钻进是一个存在大量随机性、 模糊性以及不确定性的非常复杂的过程,它无法对井下的工作状况进行直接观 察。由于不稳定因素的存在,粘滑与跳钻等异常钻具工况随时可能发生。钻具 在井下的工作条件非常复杂,钻柱会承受不同性质的载荷、不同的加载次序和不 同的应力状态,且环境和温度恶劣。如果不加以预防及处理就可能造成钻井周期延长,钻井效率下降,进而造成经济上的巨大损失。因此,掌握钻井过程中的关 键信息,并及时准确地检测出钻井过程中出现的粘滑、跳钻等异常工况成为钻 井研究的重要课题。
20世纪60年代,国内外学者已经开始致力于研究利用钻柱振动信号来实 现异常钻具工况的预防、识别和监测。Finnie等在方钻杆上进行了振动测量实 验,通过对钻柱纵向、扭转振动的时域波形分析,对钻井的工作状态进行了初 步研究。Besaisow等介绍了ARCO公司开发的先进钻柱分析测量系统,通过 对钻柱顶部安装的加速度传感器获得的钻柱振动信号进行处理和分析真实地提 取了井下的工况信息,并对钻柱振动产生机理进行了讨论。Heisig等通过设计 井下振动测量工具,通过处理振动传感器采集得到振动加速度信号来诊断井下的工作状态。相比较而言我国利用钻柱振动信号来实现异常钻具工况的预防、 识别和监测起步较晚,其水平也远落后于其他国家,目前已成为制约我国发展 深部地质资源开发的关键之一。
目前钻柱振动信号的处理问题未考虑井场、周围环境所带来的噪声和扰动, 其次对于钻具工况的识别大多也是人工经验进行判断,并没有形成一套能自动 训练与判断的有效方法,存在效率低、识别率低等问题。因此,通过钻柱振动 信号识别粘滑、跳钻异常钻具工况应考虑噪声和扰动带来的影响并提出能实时 识别这两种工况的方法。
发明内容
有鉴于此,本发明提供了基于钻柱振动信号的粘滑和跳钻异常工况识别方 法,主要包括以下步骤:
S1:通过加速度传感器测量得到的钻柱振动三维加速度信号,通过分析正 常钻进与发生粘滑、跳钻时信号变化特征,采用经验模态分解方法对正常钻进、 发生粘滑以及跳钻时相应的信号进行分解得到各自本征模态函数IMF分量;
S2:将S1分解后高于阈值的IMF分量系数采用软阈值函数进行去噪处理, 将去噪后的IMF分量进行叠加得到各自的重构信号;
S3:对S2得到的重构信号再次采用经验模态分解方法分解得到IMF分量, 对各分量进行IMF能量熵计算与边际谱能量计算,得到用于表征正常钻进、发 生粘滑以及跳钻的时频域特征;
S4:利用支持向量机SVM训练模型,以S3得到的时频域特征为模型的输 入参数,模型输出为三种工况类型;
S5:通过S1重新测量钻柱振动三维加速度信号,并采用经验模态分解方法 对相应的信号进行分解得到各自本征模态函数IMF分量;重复S2~S3,以S3得 到的IMF能量熵与边际谱能量作为S4模型的输入,对三种工况类型进行识别。
进一步地,所述钻柱振动三维加速度信号包括扭转振动信号、纵向振动信 号和横向振动信号,其中扭转振动信号用于分析正常钻进和发生粘滑时的变化 特征,纵向振动信号用于分析正常钻进和发生跳钻时的变化特征。
进一步地,所述步骤S1中,应用经验模态分解方法对钻柱振动三维加速度 信号由高频到低频依次分解,分解过后的每个IMF分量都包含信号的部分时频 特征。
进一步地,所述步骤S2中,选取的阈值如下所示:
其中,λ为阈值,MAD表示平均绝对误差,cD表示分解得到的高频系数, 估计噪声方差时使用经验模态分解得到的IMF1分量,N指采样长度,k表示IMF 分量的序号。
进一步地,利用软阈值函数将高于阈值的IMF分量系数进行去噪处理,公 式如下:
式中IMFk,j为IMF系数,sign(·)为符号函数,λ为阈值,k,j分别表示IMF分 量的序号和采样点数。
进一步地,所述步骤S3中,采用IMF能量熵来表征正常钻进、发生粘滑和 跳钻时的时域特征,IMF能量熵计算公式如下:
其中,H为IMF能量熵,pi表示第i个IMF的能量在总能量中的比重,n 为IMF的个数,前两个IMF分量IMF1和IMF2包含了正常钻进、粘滑和跳钻 的大部分时域信息,因此选取前两个IMF分量的能量熵进行比较,通过数组实 验分别得到正常钻进与粘滑时扭转信号的IMF1和IMF2能量熵范围,正常钻进与跳钻时纵向信号的IMF1和IMF2能量熵范围。
进一步地,所述步骤S3中,采用边际谱能量反映信号的幅值在整个频率段 上随频率的变化情况,边际谱能量的计算公式如下:
其中,e为边际谱能量,h(ω)表示信号的边际谱,k代表信号频带的宽度,ω 表示信号的频率,n为采样点,T为信号的总长度,RP表示取实部,ai表示信号 的幅值,ej表示复数的指数形式,t表示某一时刻,通过数组实验得到正常钻进 时扭转信号边际谱能量范围与粘滑时扭转信号的边际谱能量范围,正常钻进时 纵向信号的边际谱能量范围与跳钻时纵向信号的边际谱能量范围。
进一步地,所述步骤S5中,支持向量机选用高斯核函数进行样本分类,样 本类别分为正常工况、粘滑工况和跳钻工况,样本的IMF分量的能量熵和边际 谱能量作为输入,最后输出为样本类别即工况类型。
本发明提供的技术方案带来的有益效果是:减少钻进成本,提高钻进过程 粘滑、跳钻工况的识别速度和识别精度,为地质勘探钻进过程安全性监测与工况识别打下了良好的基础。
附图说明
图1是本发明一种基于钻柱振动信号的粘滑和跳钻异常工况识别方法的流 程图;
图2(a)和图2(b)分别为本发明中钻进过程正常钻进和粘滑时的仿真扭 转信号图;
图3(a)和图3(b)本发明中钻进过程正常钻进和跳钻时的仿真纵向信号 图;
图4(a)和图4(b)本发明中钻进过程正常钻进和粘滑时的去噪仿真扭转 信号图;
图5(a)和图5(b)是本发明中钻进过程正常钻进和跳钻时的去噪仿真纵 向信号图;
图6是本发明中钻进过程中工况实际分类与测试分类图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详 细说明本发明的具体实施方式。
本发明提供了一种基于钻柱振动信号的粘滑和跳钻异常工况识别方法,请 参考图1,具体包括如下步骤:
S1:钻柱振动三维加速度信号分析与分解
在钻柱振动信号测量中,常采用加速度传感器测量加速度信号来表征振动 情况,并且三维振动加速度信号会随着异常钻具工况的出现而发生变化,三维 振动加速度的时域和频域成分与异常钻具工况引起的钻柱三维振动的时域和频 域成分在发生变化时的趋势也相同。因此,可以将振动加速度信号作为有效的 钻柱振动信号来实现异常钻具工况的识别。钻柱振动的三种形式分别为扭转振 动、纵向振动和横向振动,其中扭转振动信号用于分析正常钻进与发生粘滑时的变化特征,纵向振动信号用于分析正常进与发生跳钻时的变化特征。图2(a) 和图2(b)、图3(a)和图3(b)为本发明中钻进过程正常钻进和粘滑时的仿真扭转信号图和钻进过程正常钻进和跳钻时的仿真扭转信号图。
S2:基于经验模态分解阈值去噪的钻柱振动三维加速度信号
在经验模态分解阈值去噪中,选取的阈值λ为:
式中,MAD表示平均绝对误差,cD表示分解得到的高频系数,N指采样长 度,k表示IMF分量的个数估计噪声方差时使用经验模态分解得到的IMF1分量, 因为分解后的噪声都集中在最先分解出来的分量中,接下来利用阈值函数将高 于阈值的IMF分量系数进行处理,阈值函数为软阈值函数:
式中IMFk,j为IMF系数,sign(·)为符号函数,λ为阈值,k,j分别表示IMF分 量的序号和采样点数,将处理过后的IMF分量进行叠加重构可得到基于经验模 态分解阈值去噪的钻柱振动三维加速度信号;图4(a)和图4(b)为本发明中 钻进过程正常钻进和粘滑时的去噪仿真扭转信号图,图5(a)和图5(b)为本 发明中钻进过程正常钻进和跳钻时的去噪仿真扭转信号图。
S3:钻柱振动三维加速度信号的时频域特征提取
采用IMF能量熵来表征正常钻进和发生粘滑、跳钻时的时域特征,IMF能 量熵为通过对钻柱振动三维加速度信号的经验模态分解可以得到n个IMF分量, 相应的可以计算出其各自的能量。假设残余分量可以忽略,由于经验模态分解 具有正交性,n个IMF的能量之和应该恒等于原始振动信号的总能量,其定义 为:
其中pi表示第i个IMF的能量在总能量中的比重,前两个IMF分量IMF1 和IMF2包含了正常钻进、粘滑和跳钻的主要时域信息,因此选取前两个IMF 分量的能量熵进行比较。
边际谱图能反映信号的幅值在整个频率段上随频率的变化情况,通过将分 解过后得到的各IMF分量进行希尔伯特变换可以得到其边际谱图,边际谱中一 个频率点处幅值的大小衡量的是该频率点在整个信号中出现的概率,因此这里 所指能量是统计意义上的能量。根据信号能量的一般定义,我们可以将边际谱 的能量定义如下:
其中h(ω)表示信号的边际谱,k代表信号频带的宽度,ω表示信号的频率, n为采样点,T为信号的总长度,RP表示取实部,ai表示信号的幅值,ej表示复 数的指数形式,t表示某一时刻,采用边际谱能量来表征正常钻进和发生粘滑、 跳钻时的频域特征;表1、表2、表3、表4分别取10次样本数据做统计。
表1正常钻进与粘滑时扭转信号的IMF1和IMF2能量熵
表2正常钻进与跳钻时纵向信号的IMF1和IMF2能量熵
表3正常钻进与粘滑时扭转信号的边际谱能量
表4正常钻进与跳钻时纵向信号的边际谱能量
S4:基于支持向量机的正常钻进、粘滑和跳钻的工况识别
支持向量机是通过一个已经确定的非线性映射,将低维度的样本空间映射 到高维度的空间内,然后建立一个最优分类超平面,实现对输入样本的分类和 识别。为了能够实现对非线性的样本对象正确的识别和分类,在这里我们使用 高斯核函数x为样本,x′为核函数中心,δ为函数的宽度参数, 以输入向量的形式在高维度的特征空间中正确表达,进而模仿最优超平面的原 理,构造出一个能够分类的最优平面。采用“一对多”的方法,构造与样本分 类类型数目相等的二分类分类器,即一种二分器负责分类一种类型,与该分类 器一致的,判定为正,不一致的判定为负,然后针对未能分类的类型样本,即 判定为负的样本通过下一个二分器判定,最终实现多种样本的分类。通过对参数以及样本数据进行预处理和设置,然后确定训练样本和测试样本,通过对训 练样本的学习,产生训练模型,然后运用训练模型测试需要分类的测试样本,输出分类准确率。样本数据包含样本类别数目、样本特征向量和样本类别标签。 在本发明中,样本类别分为正常、粘滑和跳钻共计3种,样本的特征向量由经 过经验模态分解阈值去噪后的去噪信号再经过经验模态分解的IMF分量的能量 熵和边际谱能量作为特征向量。图6为钻进过程中工况实际分类与测试分类图, 类别标签中1代表正常钻进、2代表粘滑、3代表跳钻,该方法下测试集的分类 与预测分类效果良好,能够较为准确区分出三种工况,准确率为95%。
在不冲突的情况下,本文中上述实施例及实施例中的特征可以相互结合。 以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神 和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护 范围之内。
Claims (6)
1.一种基于钻柱振动信号的粘滑和跳钻异常工况识别方法,其特征在于,包括以下步骤:
S1:通过加速度传感器测量得到的钻柱振动三维加速度信号,通过分析正常钻进与发生粘滑、跳钻时信号变化特征,采用经验模态分解方法对正常钻进、发生粘滑以及跳钻时相应的信号进行分解得到各自本征模态函数IMF分量;
S2:将S1分解后高于阈值的IMF分量系数采用软阈值函数进行去噪处理,将去噪后的IMF分量分别进行叠加得到各自的重构信号;
S3:对S2得到的重构信号再次采用经验模态分解方法分解得到IMF分量,对各分量进行IMF能量熵计算与边际谱能量计算,得到用于表征正常钻进、发生粘滑以及跳钻的时频域特征;
S4:利用支持向量机SVM训练模型,以S3得到的时频域特征为模型的输入参数,模型输出为三种工况类型;
S5:通过S1重新测量钻柱振动三维加速度信号,并采用经验模态分解方法对相应的信号进行分解得到各自本征模态函数IMF分量;重复S2~S3,以S3得到的IMF能量熵与边际谱能量作为S4模型的输入,对三种工况类型进行识别;
所述步骤S3中,采用IMF能量熵来表征正常钻进、发生粘滑和跳钻时的时域特征,IMF能量熵计算公式如下:
其中,H为IMF能量熵,pi表示第i个IMF的能量在总能量中的比重,n为IMF的个数,前两个IMF分量IMF1和IMF2包含了正常钻进、粘滑和跳钻的大部分时域信息,因此选取前两个IMF分量的能量熵进行比较,通过数组实验分别得到正常钻进与粘滑时扭转信号的IMF1和IMF2能量熵范围,正常钻进与跳钻时纵向信号的IMF1和IMF2能量熵范围;
所述步骤S3中,采用边际谱能量反映信号的幅值在整个频率段上随频率的变化情况,边际谱能量的计算公式如下:
其中,e为边际谱能量,h(ω)表示信号的边际谱,k代表信号频带的宽度,ω表示信号的频率n为采样点,T为信号的总长度,RP表示取实部,ai表示信号的幅值,ej表示复数的指数形式,t表示某一时刻,通过数组实验得到正常钻进时扭转信号边际谱能量范围与粘滑时扭转信号的边际谱能量范围,正常钻进时纵向信号的边际谱能量范围与跳钻时纵向信号的边际谱能量范围。
2.根据权利要求1所述的一种基于钻柱振动信号的粘滑和跳钻异常工况识别方法,其特征在于,所述钻柱振动三维加速度信号包括扭转振动信号、纵向振动信号和横向振动信号,其中扭转振动信号用于分析正常钻进和发生粘滑时的变化特征,纵向振动信号用于分析正常钻进和发生跳钻时的变化特征。
3.根据权利要求1所述的一种基于钻柱振动信号的粘滑和跳钻异常工况识别方法,其特征在于,所述步骤S1中,应用经验模态分解方法对钻柱振动三维加速度信号由高频到低频依次分解,分解过后的每个IMF分量都包含信号的部分时频特征。
6.根据权利要求1所述的一种基于钻柱振动信号的粘滑和跳钻异常工况识别方法,其特征在于,所述步骤S4中,支持向量机选用高斯核函数进行样本分类,样本类别分为正常工况、粘滑工况和跳钻工况,样本的IMF分量的能量熵和边际谱能量作为输入,最后输出为样本类别即工况类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911154166.8A CN111191502B (zh) | 2019-11-22 | 2019-11-22 | 基于钻柱振动信号的粘滑和跳钻异常工况识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911154166.8A CN111191502B (zh) | 2019-11-22 | 2019-11-22 | 基于钻柱振动信号的粘滑和跳钻异常工况识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111191502A CN111191502A (zh) | 2020-05-22 |
CN111191502B true CN111191502B (zh) | 2023-04-18 |
Family
ID=70709155
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911154166.8A Active CN111191502B (zh) | 2019-11-22 | 2019-11-22 | 基于钻柱振动信号的粘滑和跳钻异常工况识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111191502B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112528784B (zh) * | 2020-12-01 | 2022-06-21 | 中国地质大学(武汉) | 一种面向正常钻柱振动信号的粘滑和跳钻异常识别方法 |
CN117090554B (zh) * | 2023-09-13 | 2024-02-23 | 江苏省无锡探矿机械总厂有限公司 | 钻机负载自适应液压控制系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107917752A (zh) * | 2017-11-24 | 2018-04-17 | 陕西高华知本化工科技有限公司 | 钻柱振动信号采集系统 |
CN109443719A (zh) * | 2018-11-01 | 2019-03-08 | 河南理工大学 | 一种钻头振动信号在线虚拟测试方法及其系统 |
JP2019066456A (ja) * | 2017-09-28 | 2019-04-25 | Ntn株式会社 | 状態監視装置および状態監視システム |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006058006A2 (en) * | 2004-11-22 | 2006-06-01 | Baker Hughes Incorporated | Identification of the channel frequency response using chirps and stepped frequencies |
US8958604B2 (en) * | 2013-03-25 | 2015-02-17 | Schlumberger Technology Corporation | LWD real-time borehole image transmission |
-
2019
- 2019-11-22 CN CN201911154166.8A patent/CN111191502B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019066456A (ja) * | 2017-09-28 | 2019-04-25 | Ntn株式会社 | 状態監視装置および状態監視システム |
CN107917752A (zh) * | 2017-11-24 | 2018-04-17 | 陕西高华知本化工科技有限公司 | 钻柱振动信号采集系统 |
CN109443719A (zh) * | 2018-11-01 | 2019-03-08 | 河南理工大学 | 一种钻头振动信号在线虚拟测试方法及其系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111191502A (zh) | 2020-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yu et al. | A bearing fault diagnosis technique based on singular values of EEMD spatial condition matrix and Gath-Geva clustering | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN112528564A (zh) | 一种基于稀疏贝叶斯学习的桥梁结构损伤识别方法 | |
CN105069309B (zh) | 一种识别水文时间序列非线性趋势的方法 | |
CN104596780B (zh) | 一种动车组制动系统传感器故障的诊断方法 | |
CN111191502B (zh) | 基于钻柱振动信号的粘滑和跳钻异常工况识别方法 | |
CN108897975A (zh) | 基于深度信念网络的煤层气测井含气量预测方法 | |
CN107632010B (zh) | 一种结合激光诱导击穿光谱对钢铁样品的定量方法 | |
CN113687433A (zh) | 一种基于Bi-LSTM的大地电磁信号去噪方法及系统 | |
CN112070073B (zh) | 一种基于马尔可夫链转移概率矩阵特征值分类与支持向量机的测井曲线异常判别方法 | |
Miao et al. | A New Fault Diagnosis Method for Rotating Machinery Based on SCA‐FastICA | |
CN116008114B (zh) | 一种基于传感器信号的骨材料钻削过程刀具磨损检测方法 | |
CN114237046A (zh) | 一种基于sift数据特征提取算法与bp神经网络模型的局部放电模式识别方法 | |
Zunino et al. | Characterization of Gaussian self-similar stochastic processes using wavelet-based informational tools | |
CN113050189B (zh) | 一种测井曲线的重构方法、装置、设备及存储介质 | |
CN103335840A (zh) | 一种矿用钻机变速箱故障智能诊断方法 | |
CN114991757A (zh) | 一种随钻地层压力测录一体化监测方法及系统 | |
CN115688864A (zh) | 一种盾构机刀盘健康评估方法、系统、介质、设备及终端 | |
CN110222386A (zh) | 一种行星齿轮退化状态识别方法 | |
CN112860658B (zh) | 基于数据挖掘的高速列车电磁发射预测方法 | |
CN110554427A (zh) | 一种基于地震波形正演的岩性组合预测方法 | |
Zhang et al. | Fault Diagnosis for Reducer via Improved LMD and SVM‐RFE‐MRMR | |
Yan et al. | Mutual Information‐Assisted Wavelet Function Selection for Enhanced Rolling Bearing Fault Diagnosis | |
CN116881712A (zh) | 一种混凝土大坝活动裂纹电磁脉冲信号识别方法 | |
CN111125629A (zh) | 一种域自适应的pls回归模型建模方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |