CN112392458A - 反井钻机刀盘和钻杆振动监测方法及系统 - Google Patents
反井钻机刀盘和钻杆振动监测方法及系统 Download PDFInfo
- Publication number
- CN112392458A CN112392458A CN202010778790.1A CN202010778790A CN112392458A CN 112392458 A CN112392458 A CN 112392458A CN 202010778790 A CN202010778790 A CN 202010778790A CN 112392458 A CN112392458 A CN 112392458A
- Authority
- CN
- China
- Prior art keywords
- drill rod
- vibration
- signal
- boring machine
- drill
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012544 monitoring process Methods 0.000 title claims abstract description 18
- 238000003062 neural network model Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000005284 excitation Effects 0.000 claims description 5
- 238000002939 conjugate gradient method Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 238000007689 inspection Methods 0.000 abstract description 2
- 238000005553 drilling Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 239000011435 rock Substances 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000002945 steepest descent method Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 239000011178 precast concrete Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
Images
Classifications
-
- 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
- E21B44/00—Automatic control systems specially adapted for drilling operations, i.e. self-operating systems which function to carry out or modify a drilling operation without intervention of a human operator, e.g. computer-controlled drilling systems; Systems specially adapted for monitoring a plurality of drilling variables or conditions
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Earth Drilling (AREA)
Abstract
本公开的实施例提供了反井钻机刀盘和钻杆振动监测方法、系统、设备和计算机可读存储介质。所述方法包括采集钻杆振动信号;对所采集的钻杆振动信号进行预处理;提取预处理后的钻杆振动信号的信号特征;将所述信号特征输入预先训练的神经网络模型中,得到输出的对应的分类结果。以此方式,无需通过人工经验判断;消除了实际工程环境下背景噪声的影响;通过多种特征提取,增强了反井钻机不同工况下振动信号的区分度;提高了故障诊断的准确率与可行性,保障了反井钻机工作的安全性,减少了停机检查次数,提高了工作效率。
Description
技术领域
本公开的实施例一般涉及反井钻机故障检测领域,并且更具体地,涉及反井钻机刀盘和钻杆振动监测方法、系统、设备和计算机可读存储介质。
背景技术
反井钻机是通过钻机的电机带动液压马达,液压马达驱动水龙头,并利用液压动力将扭矩传递给钻具系统,带动钻杆及钻头旋转,导孔钻头或扩孔钻头上的滚刀在钻压的作用下,沿井底岩石工作面做纯滚动或微量滑移。同时主机油缸产生的轴向拉、压力,也通过动力头、钻杆作用在导孔钻头或扩孔钻头上,使导孔钻头的滚刀在钻压作用下滚动,产生冲击荷载,使滚刀齿对岩石产生冲击、挤压和剪切作用,破碎岩石。
反井钻机施工主要分四阶段:
(1)准备阶段。具备相应水、电条件后。将反井钻机安装在预先浇筑好的混凝土基础上,连接好各部分液压系统管路和电气线路,进行运转调试。
(2)导孔阶段。驱动钻机,自上而下钻进导向孔。主轴的扭矩和推进缸的轴向进给通过钻杆传递给导孔钻头,形成逐渐加深的导向孔。导向孔直径一般为216~270mm。自钻杆中心而压入的泥浆液,携带破碎的岩渣通过钻杆与导向孔间的环形空间从井口排出。导孔和下部隧洞贯通后,本阶段结束。
(3)扩孔阶段。在下部隧洞拆掉导孔钻头,连接好扩孔钻头,开始自下而上的扩孔钻进工序。扩大后的井筒直径一般为1~2m。扩孔钻进时破碎下来的岩屑靠自重落到下水平,由装载机或其它装载设备运出。
(4)收尾阶段。导孔全部扩透后,经过钻头吊装、主机放倒、清理工作面、井口防护等工作后结束施工。
在扩孔钻进中遇到的异常情况包括:
(1)滚刀失效。扩孔钻头采用镶齿滚刀破岩,滚刀通常会由于滚刀密封失效、轴承失效、壳体或刀轴损坏、刀架断裂等原因失去破岩能力;
(2)钻杆折断。钻杆折断位置多在丝扣根部的应力集中区,钻杆丝扣磨损后发生疲劳损坏,当受到超过承受能力的扭矩及拉力时,易发生钻杆折断。
在反井钻机施工过程中,钻杆及扩孔钻头均在井下,无法直观地对其进行观察、检测;钻机运行状况和维护主要依靠施工人员地经验,依靠传统地听、摸、看等感性手段分析判断,可靠性较差,容易发生误判,尤其是在扩孔施工阶段,容易导致事故的发生。
发明内容
根据本公开的实施例,提供了一种反井钻机刀盘和钻杆振动监测方案。
在本公开的第一方面,提供了一种反井钻机刀盘和钻杆振动监测方法。该方法包括采集钻杆振动信号;对所采集的钻杆振动信号进行预处理;提取预处理后的钻杆振动信号的信号特征;将所述信号特征输入预先训练的神经网络模型中,得到输出的对应的分类结果。
在本公开的第二方面,提供了一种反井钻机刀盘和钻杆振动监测系统,该系统包括采集模块,用于采集钻杆振动信号;预处理模块,用于对所采集的钻杆振动信号进行预处理;特征提取模块,用于提取预处理后的钻杆振动信号的信号特征;识别模块,用于将所述信号特征输入预先训练的神经网络模型中,得到输出的对应的分类结果。在本公开的第三方面,提供了一种电子设备。该电子设备包括:存储器和处理器,所述存储器上存储有计算机程序,所述处理器执行所述程序时实现如以上所述的方法。
在本公开的第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如根据本公开的第一方面的方法。
应当理解,发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征,亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中,相同或相似的附图标记表示相同或相似的元素,其中:
图1示出了能够在其中实现本公开的实施例的反井钻机的示意图。
图2示出了能够在其中实现本公开的实施例的示例性运行环境的示意图。
图3示出了根据本公开的实施例的反井钻机刀盘和钻杆振动监测方法的流程图;
图4示出了根据本公开的实施例的反井钻机刀盘和钻杆振动监测装置的方框图;
图5示出了能够实施本公开的实施例的示例性电子设备的方框图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中的附图,对本公开实施例中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公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例,都属于本公开保护的范围。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A 和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
图1示出了能够在其中实现本公开的实施例的反井钻机100的示意图。
图2示出了能够在其中实现本公开的实施例的示例性运行环境200的示意图。在运行环境200中包括反井钻机100、振动采集仪202和监测系统204。
图3示出了根据本公开实施例的反井钻机刀盘和钻杆振动监测方法300 的流程图。方法300可以由图1中的监测系统204执行。
在框302,采集钻杆振动信号;
在一些实施例中,通过振动采集仪采集反井钻机工作状态下的钻杆振动信号;所述振动采集仪安装在反井钻机的钻杆上或安装在反井钻机的减速箱或反井钻机的机架上。
在一些实施例中,以预设采样频率fs对反井钻机工作状态下的钻杆振动信号进行采集。
在框304,对所采集的钻杆振动信号进行预处理;
以直径214mm钻杆为例,存在50m、80m、120m、150m、180m、220m 等共6种钻杠长度,根据需要对反井钻机的钻杆进行拆卸更换。因此,本实施例中采用安装在反井钻机的减速箱上的固定式振动采集仪采集钻杆振动信号;相对于安装在反井钻机的钻杆上的无线临时式振动采集仪所直接采集到的钻杆振动信号,其采集的钻杆振动信号会存在衰减和杂音。其中,所述衰减为钻杆振动信号通过减速箱、机架到达固定式振动采集仪的过程中的幅度衰减;所述杂音为现场环境噪声。所述环境噪声包括反井钻机本身液压动力系统的噪声,周围其他施工设备的长期噪声,以及附近移动设备产生的临时噪声。
在一些实施例中,需要校正所采集的钻杆振动信号中的衰减和环境噪声。
对于所述衰减,由于信号衰减与信号传输的介质、距离相关;因此,通过预先测量不同工况(钻进前钻机空转、正常工况)下,安装在减速箱上的振动采集仪与安装在钻杆上的振动采集仪所采集的钻杆振动信号的衰减幅度。对不同频率的噪声,其衰减幅度不同,因此,需要分别测量其衰减幅度,并对安装在减速箱上的振动采集仪采集的钻杆振动信号中不同频率的振动信号分别进行校正。
对于所述噪声,在钻机附近,例如20m距离上,设置振动采集仪,采集周边环境背景噪声,通过反向叠加,消除钻进过程中安装在减速箱上的振动采集仪采集到的环境噪声。
在一些实施例中,在进行衰减和环境噪声的校正后,由于环境噪声的法相叠加无法完全消除其影响,还需要对钻杆振动信号进行进一步的消噪处理,消除环境噪声影响。采用小波变化等方式进行消噪处理。由于钻杆通常会以相同的频率进行能量的传递,所以各部分会以相同的相位发生振动,这些振动噪声中会具有相同的特征频率,而其他设备的辐射噪声通过介质传播到振动采集器时即成为干扰信号,需要进行小波去噪。对于钻杆振动信号的处理,需要设定相应阈值去除环境噪声,通常采用软阈值和硬阈值结合的测量使小信号的小波系数变为0,把具有较大阈值的小波系数降低,从而消除环境噪声的影响。硬阈值主要保留低频信号,散失了信号中的高频成分,失真大,故选用软阈值处理。
在框306,提取预处理后的钻杆振动信号的信号特征;
在一些实施例中,通过对所述预处理后的钻杆振动信号进行傅里叶变换,将时域信号转换为频域信号,提取其中的频域频谱信息,作为信号特征。
在一些实施例中,利用短时傅里叶变换方法提取所述预处理后的钻杆振动信号的时频特征,作为信号特征。
在一些实施例中,采用EEMD方法将所述预处理后的钻杆振动信号分解为n个IMF分量,通过构造能量函数计算本征模态函数的能量特征,同时,对IMF分量组成的矩阵进行奇异值分解分别获取奇异值特征,将时域、频域、能量、奇异值四种特征依次组合起来,作为信号特征。
在一些实施例中,通过对所述预处理后的钻杆振动信号进行小波分解,提取其小波系数,作为信号特征。
在一些实施例中,利用所提取的信号特征绘制伪彩色图,作为神经网络模型的输入。
在一些实施例中,由于不同型号的反井钻机、不同的钻杆直径、不同的钻杆长度都会带来钻杆固有频率,即振动信号的变化,因此,为了适应复杂的实际工程环境,需要将上述特征也作为钻杠振动信号的信号特征之一。
在框308,将所述信号特征输入预先训练的神经网络模型中,得到输出的对应的分类结果。
在一些实施例中,所述神经网络模型为自适应性神经网络模型,包括一个输入层、一个输出层、一个或者多个隐含层。隐含层每一层网络中都包含多个神经元,对每个神经元的输入都是由上一层输出的加权和。隐含层的激励函数为包含了可变参数的激励函数,即非线性函数。输入层的神经元数量由选取的特征的个数决定,输出层神经元个数由类别个数决定,隐含层神经元的输入是输入层各个神经元输出的加权和,并采用了自适应性的激励函数对隐含层的输入进行计算,计算结果通过加权求和作为输出层的输入。输出层采用S型激励函数。所述神经网络模型也可以是其他类型的神经网络模型,例如深度卷积神经网络模型,在此不做具体限定。
所述自适应性神经网络模型是通过以下步骤训练得到的:
采集反井钻机的历史钻杆振动信号,包括正常工况下的钻杆振动信号、钻杆故障下的振动信号、滚刀刀盘故障下的振动信号,进行预处理并获取其信号特征;对所述信号特征进行标注,所述标注类型包括正常工况、钻杆故障、滚刀断齿等,作为训练样本集。具体的采集过程如下:
首先通过安装在反井钻机的减速箱上的固定式振动采集仪,采集并记录钻进正常情况下的钻杆振动信号作为基础信号;在反井钻机工作过程中,若采集到的钻杆振动信号与所述基础信号存在差异,则停钻检查原因,并记录对应的钻杆和/或滚刀故障。通过以预设采样频率fs对反井钻机工作状态下的钻杆振动信号进行采集,获得了不同工况下足够的样本数量。
在一些实施例中,还可以将滚刀断齿细分为滚刀断齿率。
在一些实施例中,还需要记录反井钻机型号、钻杆直径、钻杆长度等参数,作为钻杠振动信号的信号特征之一。
在一些实施例中,将所述训练样本集分为训练集和测试集;
将训练集导入原始自适应性神经网络模型,利用神经网络结构模型提取输入数据的卷积特征和池化特征,训练网络模型结构参数利用共轭梯度法作为训练算法的收敛过程,训练到loss收敛,即不断调整权重值,使神经网络模型的输出值与理论上的输出值之间的误差最小;即训练得到神经网络模型。共轭梯度法是介于最速下降法与牛顿法之间的一个方法,它仅需利用一阶导数信息,但克服了最速下降法收敛慢的缺点,又避免了牛顿法需要存储和计算Hesse矩阵并求逆的缺点,学习率选为1.2。训练中,网络的权重初始化采用Normal初始化,偏置均以0为初始化。采用最小二乘误差MSE作为loss。
训练结束后,将测试集导入训练完成的模型中,测试集分类准确率。
将所述信号特征输入预先训练的神经网络模型中,得到输出的对应的分类结果。
在一些实施例中,所述方法还包括框310,将所述分类结果显示给反井钻机操作人员,以便操作人员根据所述分类结果确定是否需要停机更换钻杆、滚刀等;或,若所述分类结果为钻杆损伤或滚刀断齿,则即时停钻,提醒操作人员更换钻杆、滚刀等。
根据本公开的实施例,实现了以下技术效果:
无需通过人工经验判断;消除了实际工程环境下背景噪声的影响;通过多种特征提取,增强了反井钻机不同工况下振动信号的区分度;提高了故障诊断的准确率与可行性,保障了反井钻机工作的安全性,减少了停机检查次数,提高了工作效率。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本公开并不受所描述的动作顺序的限制,因为依据本公开,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作和模块并不一定是本公开所必须的。
以上是关于方法实施例的介绍,以下通过系统实施例,对本公开所述方案进行进一步说明。
图4示出了根据本公开的实施例的反井钻机刀盘和钻杆振动监测系统 400的方框图。系统400可以被包括在图2的监测系统204中或者被实现为监测系统204。如图4所示,系统400包括:
采集模块402,用于采集钻杆振动信号;
预处理模块404,用于对所采集的钻杆振动信号进行预处理;
特征提取模块406,用于提取预处理后的钻杆振动信号的信号特征;
识别模块408,用于将所述信号特征输入预先训练的神经网络模型中,得到输出的对应的分类结果。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,所述描述的模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
图5示出了可以用来实施本公开的实施例的电子设备500的示意性框图。设备500可以用于实现图2的监测系统204。如图所示,设备500包括中央处理单元(CPU)501,其可以根据存储在只读存储器(ROM)502中的计算机程序指令或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序指令,来执行各种适当的动作和处理。在RAM 503中,还可以存储设备500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505,包括:输入单元506,例如键盘、鼠标等;输出单元507,例如各种类型的显示器、扬声器等;存储单元 508,例如磁盘、光盘等;以及通信单元509,例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/ 或各种电信网络与其他设备交换信息/数据。
处理单元501执行上文所描述的各个方法和处理,例如方法300。例如,在一些实施例中,方法300可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元508。在一些实施例中,计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由CPU 501执行时,可以执行上文描述的方法300的一个或多个步骤。备选地,在其他实施例中,CPU 501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法300。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)等等。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器 (CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
此外,虽然采用特定次序描绘了各操作,但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行,或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地,在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (10)
1.一种反井钻机刀盘和钻杆振动监测方法,其特征在于,包括:
采集钻杆振动信号;
对所采集的钻杆振动信号进行预处理;
提取预处理后的钻杆振动信号的信号特征;
将所述信号特征输入预先训练的神经网络模型中,得到输出的对应的分类结果。
2.根据权利要求1所述的方法,其特征在于,所述采集钻杆振动信号包括:
通过安装在反井钻机的减速箱上的固定式振动采集仪采集钻杆振动信号。
3.根据权利要求2所述的方法,其特征在于,所述预处理包括:
对所采集的钻杆振动信号的衰减和环境噪声进行校正。
4.根据权利要求3所述的方法,其特征在于,所述预处理还包括:
通过小波变换进一步消除环境噪声。
5.根据权利要求1所述的方法,其特征在于,所述提取预处理后的钻杆振动信号的信号特征包括:
对所述预处理后的钻杆振动信号进行傅里叶变换,提取其中的频域频谱信息,作为信号特征;或,
利用短时傅里叶变换方法提取所述预处理后的钻杆振动信号的时频特征,作为信号特征;或,
提取所述预处理后的钻杆振动信号的时域、频域、能量、奇异值特征,作为信号特征。
6.根据权利要求5所述的方法,其特征在于,所述提取预处理后的钻杆振动信号的信号特征还包括:
反井钻机的型号、钻杆直径、钻杆长度。
7.根据权利要求5所述的方法,其特征在于,
所述神经网络模型为自适应性神经网络模型,包括一个输入层、一个输出层、一个或者多个隐含层;隐含层的激励函数为非线性函数;所述自适应性神经网络模型通过以下步骤训练得到:
根据历史钻杆振动信号进行故障标注生成训练样本;
利用共轭梯度法对原始神经网络模型进行训练,直到loss收敛。
8.一种反井钻机刀盘和钻杆振动监测系统,其特征在于,包括:
采集模块,用于采集钻杆振动信号;
预处理模块,用于对所采集的钻杆振动信号进行预处理;
特征提取模块,用于提取预处理后的钻杆振动信号的信号特征;
识别模块,用于将所述信号特征输入预先训练的神经网络模型中,得到输出的对应的分类结果。
9.一种电子设备,包括存储器和处理器,所述存储器上存储有计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1~7中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1~7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010778790.1A CN112392458A (zh) | 2020-08-05 | 2020-08-05 | 反井钻机刀盘和钻杆振动监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010778790.1A CN112392458A (zh) | 2020-08-05 | 2020-08-05 | 反井钻机刀盘和钻杆振动监测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112392458A true CN112392458A (zh) | 2021-02-23 |
Family
ID=74603046
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010778790.1A Pending CN112392458A (zh) | 2020-08-05 | 2020-08-05 | 反井钻机刀盘和钻杆振动监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112392458A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113958262A (zh) * | 2021-10-20 | 2022-01-21 | 煤炭科学研究总院 | 一种通过超声波检测实时调节反井钻机运行参数系统装置 |
CN115875009A (zh) * | 2023-02-06 | 2023-03-31 | 中建隧道装备制造有限公司 | 硬岩钻进用超前钻机控制方法 |
CN117090554A (zh) * | 2023-09-13 | 2023-11-21 | 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 |
---|---|---|---|---|
CN109145032A (zh) * | 2018-08-27 | 2019-01-04 | 北京奥金达农业科技发展有限公司 | 一种蜜蜂养殖智能监测方法与系统 |
CN111322082A (zh) * | 2020-03-09 | 2020-06-23 | 西南交通大学 | 一种tbm滚刀状态监测及故障诊断方法、系统 |
CN111379550A (zh) * | 2018-12-11 | 2020-07-07 | 中国石油化工股份有限公司 | 一种用于监测井下动态参数的系统 |
-
2020
- 2020-08-05 CN CN202010778790.1A patent/CN112392458A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145032A (zh) * | 2018-08-27 | 2019-01-04 | 北京奥金达农业科技发展有限公司 | 一种蜜蜂养殖智能监测方法与系统 |
CN111379550A (zh) * | 2018-12-11 | 2020-07-07 | 中国石油化工股份有限公司 | 一种用于监测井下动态参数的系统 |
CN111322082A (zh) * | 2020-03-09 | 2020-06-23 | 西南交通大学 | 一种tbm滚刀状态监测及故障诊断方法、系统 |
Non-Patent Citations (1)
Title |
---|
杜振: "基于EMD原理与BP神经网络的旋挖钻机钻杆故障识别方法", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113958262A (zh) * | 2021-10-20 | 2022-01-21 | 煤炭科学研究总院 | 一种通过超声波检测实时调节反井钻机运行参数系统装置 |
CN115875009A (zh) * | 2023-02-06 | 2023-03-31 | 中建隧道装备制造有限公司 | 硬岩钻进用超前钻机控制方法 |
CN117090554A (zh) * | 2023-09-13 | 2023-11-21 | 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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112392458A (zh) | 反井钻机刀盘和钻杆振动监测方法及系统 | |
CN107796611B (zh) | 一种用于检测风力发电机异常工作的报警系统 | |
CN102269655B (zh) | 一种轴承故障的诊断方法 | |
CN104048825B (zh) | 一种多传感器融合的风电机组齿轮箱故障定位方法 | |
AU2015406995B2 (en) | Tuning predictions of wellbore operation parameters | |
CN105003453A (zh) | 一种矿井风机在线监测与故障诊断系统 | |
US11795814B2 (en) | Early warning and automated detection for lost circulation in wellbore drilling | |
US11834943B2 (en) | Systems, apparatuses, and methods for determining rock-coal transition with a drilling machine | |
Kumar et al. | Damage detection of wind turbine system based on signal processing approach: A critical review | |
CN104677623A (zh) | 一种风力发电机叶片故障在位声学诊断方法及监测系统 | |
CN110160767B (zh) | 基于包络分析的冲击周期自动识别与提取方法及系统 | |
CN104713728A (zh) | 基于多维数据驱动的大型回转支承剩余寿命在线预测方法 | |
CN109236587B (zh) | 一种用于检测风力发电机异常工作的报警系统 | |
CN111832821A (zh) | 一种tbm卡机风险预测方法及系统 | |
CN109542884B (zh) | 采用大数据耦合参数以优化破岩效率的方法和系统 | |
WO2021194521A1 (en) | Use of surface and downhole measurements to identify operational anomalies | |
CN104634566A (zh) | 一种风机传动系统故障特征提取方法 | |
CN116816338A (zh) | 基于三分量电子罗盘振动监测的随钻岩层识别方法 | |
CN104462770B (zh) | 考虑传感器性能退化的信号重构方法 | |
CN110761778B (zh) | 基于声波的压裂裂缝监测方法及系统 | |
CN113447264B (zh) | 一种行星齿轮箱断齿故障在线声学监测诊断方法 | |
US20230323770A1 (en) | Systems, apparatuses, and methods for determining rock mass properties based on blasthole drill performance data including compensated blastability index (cbi) | |
JP7489043B2 (ja) | 抑留予測方法及びシステム | |
WO2018101968A1 (en) | Anomaly detection systems and methods employing a downhole tool with axially-spaced sensor packages | |
CN113153263B (zh) | 一种高噪声背景下井下溢流多普勒气侵监测装置和方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210223 |