CN116380124A - 一种随钻测量系统中惯性传感器标定方法 - Google Patents
一种随钻测量系统中惯性传感器标定方法 Download PDFInfo
- Publication number
- CN116380124A CN116380124A CN202310244950.8A CN202310244950A CN116380124A CN 116380124 A CN116380124 A CN 116380124A CN 202310244950 A CN202310244950 A CN 202310244950A CN 116380124 A CN116380124 A CN 116380124A
- Authority
- CN
- China
- Prior art keywords
- error
- calibration
- formula
- accelerometer
- optimization algorithm
- 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
- 238000005259 measurement Methods 0.000 title claims abstract description 70
- 238000005553 drilling Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000005457 optimization Methods 0.000 claims abstract description 95
- 230000003068 static effect Effects 0.000 claims abstract description 82
- 230000006872 improvement Effects 0.000 claims abstract description 61
- 241000587213 Litsea coreana Species 0.000 claims abstract description 32
- 238000004880 explosion Methods 0.000 claims abstract description 13
- 230000000739 chaotic effect Effects 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 29
- 239000013598 vector Substances 0.000 claims description 28
- 230000001133 acceleration Effects 0.000 claims description 13
- 240000002262 Litsea cubeba Species 0.000 claims description 12
- 235000012854 Litsea cubeba Nutrition 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 12
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 230000002708 enhancing effect Effects 0.000 claims description 9
- 230000005484 gravity Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 3
- 125000003275 alpha amino acid group Chemical group 0.000 claims 8
- 150000001875 compounds Chemical class 0.000 claims 7
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims 2
- 150000001413 amino acids Chemical class 0.000 claims 1
- 230000008859 change Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000006399 behavior Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 239000003245 coal Substances 0.000 description 4
- 241000272189 Accipiter gentilis Species 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
- G01C25/005—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass initial alignment, calibration or starting-up of inertial devices
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/18—Stabilised platforms, e.g. by gyroscope
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Measuring Volume Flow (AREA)
Abstract
本发明公开了一种随钻测量系统中惯性传感器标定方法，包括通过引入Tent混沌映射产生初始种群以及自适应因子和对数函数，对传统北苍鹰优化算法进行静态改进，从而对惯性传感器进行误差参数静态标定，通过载入所述静态标定误差参数值作为初始先验知识，模拟爆炸现象，对传统北苍鹰优化算法进行动态改进，从而在随钻测量系统工作测点停钻时对惯性传感器进行误差参数动态标定和误差参数更新；本发明分别设计了惯性传感器静态标定步骤以及惯性传感器动态标定步骤，避免了惯性传感器传统方案标定的繁琐步骤，并针对传统北苍鹰优化算法提出了静态改进和动态改进，提高了误差标定的速度和精度。
Description
技术领域
本发明属于惯性导航惯性传感器误差标定技术领域，具体涉及一种随钻测量系统中惯性传感器标定方法。
背景技术
随钻测量(Measurement While Driling,MWD)是煤矿井下定向钻进技术中一项重要的技术分支，主要用于中深孔定向钻孔施工过程中的随钻监测，顾名思义就是在随钻头钻进过程中测量钻孔的各种参数，包括(俯仰角、方位角、横滚角、井深)轨迹参数、(电阻率、自然伽马、孔隙度)地质信息参数以及(钻井底部的扭矩、钻压、温度)工程参数。根据随钻测量短节获取的轴迹信息对钻头进行定位和轨迹绘制，便于施钻人员随时了解钻孔施工情况，并根据测量结果及时调整钻具组合方式和钻进工艺参数，使钻孔尽可能的按照预定方向延伸。该项技术最先由国外发展并应用于油气开采行业，随后逐渐应用于煤炭行业，目前多应用在地质勘探，非开挖等钻孔技术领域。
煤矿井下复杂的工作环境使得其他导航技术难以发挥作用，惯性导航系统因不依赖外部信息、也不向外部辐射能量的特点成为煤矿井下导航的主要手段。然而惯性传感器由于工艺、材料、工作环境等原因，通常需要在使用前进行相关误差参数静态标定，分析动态环境对误差项造成的影响建立动态补偿模型进行传感器测量值的动态补偿。目前惯性传感器标定技术存在以下问题：
(1)大多数惯性传感器标定是在实验室环境下进行误差项标定，且已标定的误差参数在系统工作中不更新；然而由于随钻测量系统工作过程中会收到震动、温度变化等因素影响，这些因素会导致惯性传感器零偏值和比例因子误差改变；因此，单纯依赖初始静态实验室标定是不可靠的。
(2)为了解决上述第一个问题，众多学者研究了震动和温度变化等因素对传感器误差参数的具体影响，通过参数辨识、多项式拟合和神经网络预测等手段建立例如温度与误差参数之间的函数关系，并利用建立的函数关系对误差参数进行实时动态补偿。但因导致误差参数改变的因素有很多且通常补偿步骤复杂，使得动态补偿方案不仅成本较高，且难以补偿所有因素影响。
可以看到，目前惯性传感器静态标定+动态补偿的方案仍有较大的改进空间。
发明内容
为克服现有技术的缺陷，本发明提出一种随钻测量系统中惯性传感器动态标定方法，该方法利用随钻测量系统在测点停钻的特点进行误差项的标定与更新，避免了繁琐的误差项动态补偿步骤，提高了惯性传感器的工作效率。
本发明的目的可以通过以下技术方案来实现：
一种随钻测量系统中惯性传感器标定方法，包括对惯性传感器进行误差参数静态标定，以及在随钻测量系统工作测点停钻时对惯性传感器进行误差参数动态标定和误差参数更新；
所述误差参数静态标定的具体步骤包括：
S111：建立惯性传感器误差模型，包括加速度计误差模型以及陀螺仪误差模型，分别引入重力加速度以及地球自转速度作为标定基准，读取加速度计测量数据、陀螺仪测量数据以及标定基准信息，建立静态标定目标函数；
S112：基于所述目标函数，分析传统北苍鹰优化算法，对传统北苍鹰优化算法进行静态改进，所述静态改进包括：
引入Tent混沌映射产生初始种群的方法，增强静态改进优化算法初始个体在解空间中的多样性；
引入自适应因子和对数函数以平衡静态改进优化算法全局搜索与局部搜索之间的关系，增强静态改进优化算法在误差参数静态标定的速度和精度；
S113：设置静态改进优化算法初始化参数，生成静态改进优化算法初始种群，计算静态改进优化算法初始种群目标函数值；
S114：利用静态改进后的北苍鹰优化算法迭代优化目标函数值，直至目标函数值满足约束条件，输出静态标定误差参数值；
所述误差参数动态标定和误差参数更新的具体步骤包括：
S121：建立惯性传感器误差模型，包括加速度计误差模型以及陀螺仪误差模型，分别引入重力加速度以及地球自转速度作为标定基准，读取加速度计测量数据、陀螺仪测量数据以及标定基准信息，建立动态标定目标函数；
S122：基于所述目标函数，分析传统北苍鹰优化算法，对传统北苍鹰优化算法进行动态改进，所述动态改进包括：
载入所述静态标定误差参数值作为初始先验知识，获取下一次动态标定预测误差参数值；
以所述下一次动态标定预测误差参数值为中心，模拟爆炸现象，在解空间生成动态改进优化算法初始种群，计算动态改进优化算法目标函数值；
引入自适应因子以及对数函数以平衡动态改进优化算法全局搜索与局部搜索之间的关系，增强动态改进优化算法在误差参数动态标定的速度和精度；
S123：设置动态改进优化算法初始化参数，生成动态改进优化算法初始种群，计算动态改进优化算法初始种群目标函数值；
S124：利用动态改进后的北苍鹰优化算法迭代优化目标函数值，直至目标函数值满足约束条件，输出动态标定误差参数值；
S125：利用动态标定误差参数值更新静态标定误差参数值；
S126：重复S123～S124，利用动态标定误差参数值更新上一次标定误差参数值，直至发出指令停止。
进一步的，所述加速度计误差模型如式(S-1)所示：
式(S-1)中，
表示加速度计测量值，
表示加速度计真实值，
ba表示加速度计零偏误差，
Aab表示从载体坐标系b变换到加速度计坐标系a的变换矩阵其定义如下：
式(S-2)中，s和t为构建的中间临时坐标系，Sat为比例因子误差矩阵，如式(S-3)所示；
为非正交误差矩阵，如式(S-4)所示；
为非对准误差矩阵，如式(S-5)所示：
式(S-3)中，
分别表示加速度计比例因子误差参数；
式(S-4)中，
分别表示加速度计非正交误差参数；
式(S-5)中，
分别表示载体坐标系与加速度计坐标系之间的非对准误差参数。
进一步的，所述陀螺仪误差模型如式(S-6)所示：
式(S-6)中，
表示陀螺仪测量值，
表示陀螺仪真实值，
bg表示陀螺仪零偏误差，
Agb表示从载体坐标系b变换到陀螺仪坐标系g的变换矩阵，定义如式(S-7)：
式(S-7)中，Sgt为比例因子误差矩阵，如式(S-8)所示，
为非正交误差矩阵，如式(S-9)所示，
为非对准误差矩阵，如式(S-10)所示；
式(S-8)中，
分别表示陀螺仪比例因子误差参数；
式(S-9)中，
分别表示陀螺仪非正交误差参数；
式(S-10)中，
分别表示载体坐标系与陀螺仪坐标系之间的非对准误差参数。
进一步的，所述静态标定目标函数包括加速度计目标函数以及陀螺仪目标函数，所述加速度目标函数如式(S-11)：
式(S-11)～(S-12)中，G表示当地重力加速度矢量，ω表示地球自转速度模值，l表示采集的数据点数，n表示采集的总数据点数；
随钻测量系统工作时，包括第一随钻测量特点和第二随钻测量特点：
第一随钻测量特点包括无磁钻铤钻进一段距离后会进行停钻动作，此时随钻测量系统进行地质测量、钻头姿态估计和钻孔参数测量等工作；
第二随钻测量特点包括无论惯性测量元件处于何种姿态及位置，加速度计测量输出模值恒等于当地重力加速度模值，陀螺仪测量输出模值恒等于地球自转速率。
基于
与
计算分别如式(S-13)和式(S-14)；
根据第二随钻测量特点，所述载体坐标系与加速度计坐标系之间的非对准误差参数、加速度计零偏误差参数、加速度计比例因子误差参数以及加速度计非正交误差参数，构建加速度计静态标定目标函数的解向量，如式(S-15)：
根据将所述载体坐标系与陀螺仪坐标系之间的非对准误差参数、陀螺仪零偏误差参数、陀螺仪比例因子误差参数以及陀螺仪非正交误差参数，构建陀螺仪动态标定目标函数的解向量，如式(S-16)：
基于以上分析，可将惯性传感器误差标定问题转化为求J(a)以及J(g)的最小值问题。通过智能优化算法调整解向量，不断逼近J(a)至0，从而获得传感器误差参数用于补偿传感器测量输出。
传统北苍鹰优化算法如式(S-17)～式(S-24)：
式(S-17)中，X表示北苍鹰种群，Xi表示种群中第i个解，xi,j表示种群中第i个解个体中第j个变量值，N表示种群个体数量，而m表示问题中待优化参数个数；
式(S-18)中，F(X)为目标函数解向量，Fi表示第i个个体的目标函数值，北苍鹰优化算法模拟的狩猎过程可以分为两个阶段，第一阶段为全局搜索猎物阶段，模拟北苍鹰猎物识别与攻击行为；第二阶段为局部搜索阶段，模拟北苍鹰展开攻击并迅速靠近猎物后，猎物试图逃生，北苍鹰进行追逐行为。
全局搜索猎物阶段的详细表述如式(S-19)～式(S-21)所示：
Pi＝Xk,i＝1,2,…,N；k＝1,2,…,i-1,i,i+1,…,N (S-19)
式(S-19)中，Pi是第i个北苍鹰的猎物位置，k是[1,N]之间的随机自然数，表示该猎物位置在初始种群中随机选取；
式(S-20)中，
则表示第i个新解的第j个维度，
是其对应的目标函数值，xi,j表示上次迭代初始种群第i个解的第j个维度，pi,j表示本次选择北苍鹰猎物位置的第j个维度；r是[0,1]之间的随机数，I的值在1或2之间随机选择，r和I用于随机生成NGO行为方式。
式(S-21)中，
表示第i个解的新状态，Fi new,P1表示新状态对应的NGO全局搜索猎物阶段目标函数值，该式描述了北苍鹰优化算法的贪婪策略，即保留当前阶段最优个体。
局部搜索阶段的详细表述如式(S-22)～式(S-24)所示：
式(S-22)中，
表示其第j维的值，R为假定的此次狩猎活动的范围半径；
式(S-23)中，t表示迭代计数器，T表示最大迭代次数。
式(S-24)中，
表示第i个解的新状态，Fi new,P2表示新状态对应的NGO局部搜索阶段目标函数值，该式同样描述了北苍鹰优化算法的贪婪策略。
进一步的，所述引入Tent混沌映射产生初始种群的方法，如式(S-25)：
式(S-25)中，Zk表示第k个混沌值，其初始值Z0∈[0,1]，β∈[0,1]，β的取值影响混沌值的分布；
所述引入自适应因子和对数函数以平衡静态改进优化算法全局搜索与局部搜索之间的关系，如式(S-26)：
式(S-26)中，w表示自适应因子，该值越大，参数R在算法前期衰减越慢，在工程中，应选择合适的自适应因子w的值，使得优化算法加快全局搜索速度，并增强优化算法在局部搜索阶段的精细搜索能力，引入对数函数可以进一步增强算法标定性能；
利用式(S-26)代替北苍鹰优化算法式(S-23)，使得参数R不再以线性函数形式调整，而在算法前期尽可能取较大的值保证算法的全局寻优能力，在算法后期取较小值使算法在较优区域进行更精细搜索，避免算法陷入局部最优。
进一步的，由于惯性传感器非正交误差和非对准误差经静态标定后已经获得，可以作为已知误差矩阵，且不随时间和环境改变，因此所述误差参数动态标定包括对加速度计零偏误差以及加速度计比例因子误差进行标定；还包括对陀螺仪零偏误差以及陀螺仪比例因子误差进行标定。
进一步的，所述动态标定目标函数与静态标定目标函数一致，如式(S-11)～(S-12)；
利用加速度计零偏误差参数以及加速度计比例因子误差参数构建加速度计动态标定目标函数的解向量，如式(S-27)：
同理，构建陀螺仪动态标定目标函数的解向量，如式(S-28)：
载入所述静态标定误差参数值作为初始先验知识，获取下一次动态标定预测误差参数值，如式(S-29)：
式(S-28)中，
表示前两次标定误差参数值的差分矢量，k表示当前第k次测点动态标定，Xk-1,Best、Xk-2,Best分别表示第k-1次和第k-2次标定的误差参数值；
根据
预测生成第k次标定误差参数值，如式(S-30)所示：
进一步的，以爆炸生成第k次标定算法初始种群来描述所述爆炸现象，如式(S-31)所示：
X＝normrnd(aver,sigma,m,n)(S-31)
式(S-31)中，normrnd函数表示生成一组符合正态分布的随机数，包含4个参数，其中：aver代表正态分布的均值，即预测误差参数值各维度的值，sigma表示正态分布的标准差，该值决定了爆炸的范围，该值越大，则爆炸范围越大，粒子落在远处的几率就大，反之就小，m,n表示产生m×n矩阵。
进一步的，所述约束条件包括收敛精度约束以及最大迭代次数约束。
与现有技术相比，本发明具有以下技术效果：
本发明提出的随钻测量系统中惯性传感器标定方法，分别设计了惯性传感器静态标定步骤以及惯性传感器动态标定步骤，避免了惯性传感器传统方案标定的繁琐步骤，并针对传统北苍鹰优化算法提出了静态改进和动态改进，提高了误差标定的速度和精度。
附图说明
图1是本发明基于静态改进北苍鹰优化算法的标定流程图；
图2是本发明基于动态改进北苍鹰优化算法的标定流程图；
图3是本发明引入自适应因子和对数函数的效果图；
图4是本发明迭代曲线对比图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，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。
一种随钻测量系统中惯性传感器标定方法，包括对惯性传感器进行误差参数静态标定，以及在随钻测量系统工作测点停钻时对惯性传感器进行误差参数动态标定和误差参数更新；
如图1所示，所述误差参数静态标定的具体步骤包括：
S111：建立惯性传感器误差模型，包括加速度计误差模型以及陀螺仪误差模型，分别引入重力加速度以及地球自转速度作为标定基准，读取加速度计测量数据、陀螺仪测量数据以及标定基准信息，建立静态标定目标函数；
S112：基于所述目标函数，分析传统北苍鹰优化算法(Northern GoshawkOptimization algorithm,NGO)，对传统北苍鹰优化算法进行静态改进得到自适应北苍鹰优化算算法(Adaptive Northern Goshawk Optimization algorithm,ANGO)，所述静态改进包括：
引入Tent混沌映射产生初始种群的方法，增强静态改进优化算法初始个体在解空间中的多样性；
引入自适应因子和对数函数以平衡静态改进优化算法全局搜索与局部搜索之间的关系，增强静态改进优化算法在误差参数静态标定的速度和精度；
S113：设置静态改进优化算法初始化参数，生成静态改进优化算法初始种群，计算静态改进优化算法初始种群目标函数值；
S114：利用静态改进后的北苍鹰优化算法迭代优化目标函数值，直至目标函数值满足约束条件，输出静态标定误差参数值；
如图2所示，所述误差参数动态标定和误差参数更新的具体步骤包括：
S121：建立惯性传感器误差模型，包括加速度计误差模型以及陀螺仪误差模型，分别引入重力加速度以及地球自转速度作为标定基准，读取加速度计测量数据、陀螺仪测量数据以及标定基准信息，建立动态标定目标函数；
S122：基于所述目标函数，分析传统北苍鹰优化算法，对传统北苍鹰优化算法进行动态改进得到动态自适应北苍鹰优化算算法(Dynamic Adaptive Northern GoshawkOptimization algorithm,DANGO)，所述动态改进包括：
载入所述静态标定误差参数值作为初始先验知识，获取下一次动态标定预测误差参数值；
以所述下一次动态标定预测误差参数值为中心，模拟爆炸现象，在解空间生成动态改进优化算法初始种群，计算动态改进优化算法目标函数值；
引入自适应因子以及对数函数以平衡动态改进优化算法全局搜索与局部搜索之间的关系，增强动态改进优化算法在误差参数动态标定的速度和精度；
S123：设置动态改进优化算法初始化参数，生成动态改进优化算法初始种群，计算动态改进优化算法初始种群目标函数值；
S124：利用动态改进后的北苍鹰优化算法迭代优化目标函数值，直至目标函数值满足约束条件，输出动态标定误差参数值；
S125：利用动态标定误差参数值更新静态标定误差参数值；
S126：重复S123～S124，利用动态标定误差参数值更新上一次标定误差参数值，直至发出指令停止。
所述加速度计误差模型如式(S-1)所示：
式(S-1)中，
表示加速度计测量值，
表示加速度计真实值，
ba表示加速度计零偏误差，
Aab表示从载体坐标系b变换到加速度计坐标系a的变换矩阵，其定义如下：
式(S-2)中，s和t为构建的中间临时坐标系，Sat为比例因子误差矩阵，如式(S-3)所示；
为非正交误差矩阵，如式(S-4)所示；
为非对准误差矩阵，如式(S-5)所示：
式(S-3)中，
分别表示加速度计比例因子误差参数；
式(S-4)中，
分别表示加速度计非正交误差参数；
式(S-5)中，
分别表示载体坐标系与加速度计坐标系之间的非对准误差参数。
所述陀螺仪误差模型如式(S-6)所示：
式(S-6)中，
表示陀螺仪测量值，
表示陀螺仪真实值，
bg表示陀螺仪零偏误差，
Agb表示从载体坐标系b变换到陀螺仪坐标系g的变换矩阵，定义如式(S-7)：
式(S-7)中，Sgt为比例因子误差矩阵，如式(S-8)所示，
为非正交误差矩阵，如式(S-9)所示，
为非对准误差矩阵，如式(S-10)所示；
式(S-8)中，
分别表示陀螺仪比例因子误差参数；
式(S-9)中，
分别表示陀螺仪非正交误差参数；
式(S-10)中，
分别表示载体坐标系与陀螺仪坐标系之间的非对准误差参数。
所述静态标定目标函数包括加速度计目标函数以及陀螺仪目标函数，所述加速度目标函数如式(S-11)：
式(S-11)～(S-12)中，G表示当地重力加速度矢量，ω表示地球自转速度模值，l表示采集的数据点数，n表示采集的总数据点数；
随钻测量系统工作时，包括第一随钻测量特点和第二随钻测量特点：
第一随钻测量特点包括无磁钻铤钻进一段距离后会进行停钻动作，此时随钻测量系统进行地质测量、钻头姿态估计和钻孔参数测量等工作；
第二随钻测量特点包括无论惯性测量元件处于何种姿态及位置，加速度计测量输出模值恒等于当地重力加速度模值，陀螺仪测量输出模值恒等于地球自转速率。
基于
与
计算分别如式(S-13)和式(S-14)；
根据第二随钻测量特点，所述载体坐标系与加速度计坐标系之间的非对准误差参数、加速度计零偏误差参数、加速度计比例因子误差参数以及加速度计非正交误差参数，构建加速度计静态标定目标函数的解向量，如式(S-15)：
根据将所述载体坐标系与陀螺仪坐标系之间的非对准误差参数、陀螺仪零偏误差参数、陀螺仪比例因子误差参数以及陀螺仪非正交误差参数，构建陀螺仪动态标定目标函数的解向量，如式(S-16)：
基于以上分析，可将惯性传感器误差标定问题转化为求J(a)以及J(g)的最小值问题。通过智能优化算法调整解向量，不断逼近J(a)至0，从而获得传感器误差参数用于补偿传感器测量输出。
传统北苍鹰优化算法如式(S-17)～式(S-24)：
式(S-17)中，X表示北苍鹰种群，Xi表示种群中第i个解，xi,j表示种群中第i个解个体中第j个变量值，N表示种群个体数量，而m表示问题中待优化参数个数；
式(S-18)中，F(X)为目标函数解向量，Fi表示第i个个体的目标函数值，北苍鹰优化算法模拟的狩猎过程可以分为两个阶段，第一阶段为全局搜索猎物阶段，模拟北苍鹰猎物识别与攻击行为；第二阶段为局部搜索阶段，模拟北苍鹰展开攻击并迅速靠近猎物后，猎物试图逃生，北苍鹰进行追逐行为。
全局搜索猎物阶段的详细表述如式(S-19)～式(S-21)所示：
Pi＝Xk,i＝1,2,…,N；k＝1,2,…,i-1,i,i+1,…,N (S-19)
式(S-19)中，Pi是第i个北苍鹰的猎物位置，k是[1,N]之间的随机自然数，表示该猎物位置在初始种群中随机选取；
式(S-20)中，
则表示第i个新解的第j个维度，
是其对应的目标函数值，xi,j表示上次迭代初始种群第i个解的第j个维度，pi,j表示本次选择北苍鹰猎物位置的第j个维度；r是[0,1]之间的随机数，I的值在1或2之间随机选择，r和I用于随机生成NGO行为方式。
式(S-21)中，
表示第i个解的新状态，Fi new,P1表示新状态对应的NGO全局搜索猎物阶段目标函数值，该式描述了北苍鹰优化算法的贪婪策略，即保留当前阶段最优个体。
局部搜索阶段的详细表述如式(S-22)～式(S-24)所示：
式(S-22)中，
表示其第j维的值，R为假定的此次狩猎活动的范围半径；
式(S-23)中，t表示迭代计数器，T表示最大迭代次数。
式(S-24)中，
表示第i个解的新状态，Fi new,P2表示新状态对应的NGO局部搜索阶段目标函数值，该式同样描述了北苍鹰优化算法的贪婪策略。
所述引入Tent混沌映射产生初始种群的方法，如式(S-25)：
式(S-25)中，Zk表示第k个混沌值，其初始值Z0∈[0,1]，β∈[0,1]，β的取值影响混沌值的分布；本发明经若干次实验后，优选取β＝0.4；
所述引入自适应因子和对数函数以平衡静态改进优化算法全局搜索与局部搜索之间的关系，如式(S-26)：
式(S-26)中，w表示自适应因子，该值越大，参数R在算法前期衰减越慢，在工程中，应选择合适的自适应因子w的值，使得优化算法加快全局搜索速度，并增强优化算法在局部搜索阶段的精细搜索能力，引入对数函数可以进一步增强算法标定性能；经若干次实验后，优选取w＝1.2；
本发明采用Matlab_R2021b软件，以加速度计静态标定和动态标定为例，以S111和S121建立的加速度计误差模型为对象，进行仿真实验。
首先利用Matlab软件选取单位球体上1000个点作为不同位置下的重力矢量，以此模拟重力加速度，即真实值；并且设定误差参数值如表1所示。
表1加速度计误差参数设置
算法初始参数设置如表2所示。
表2静态标定算法初始参数设置
利用式(S-26)代替北苍鹰优化算法式(S-23)，使得参数R不再以线性函数形式调整，而在算法前期尽可能取较大的值保证算法的全局寻优能力，在算法后期取较小值使算法在较优区域进行更精细搜索，避免算法陷入局部最优。
如图3所示，对比引入自适应因子和对数函数时R值变化曲线以及未引入时R值变化曲线，由图可知，R值在迭代初期取值较大且衰减较快，这样有利于扩大优化算法的全局搜索范围，在迭代后期取值较小且衰减速度较慢，这样有利于优化算法在局部搜索时进行更精细的搜索，防止算法陷入局部最优。
通过设置算法初始参数，当算法达到指定收敛精度或者达到迭代次数后停止迭代，如表3和表4所示，比较预设误差参数、北苍鹰优化算法(NGO)静态标定所得误差参数值、自适应北苍鹰优化算法(ANGO)静态标定误差参数值。
表3原算法与所提算法标定误差对比1
表4原算法与所提算法标定误差对比2
可以看到，静态改进后的ANGO相较于NGO标定精度更高，且从图4可以看出ANGO标定速度更快。
由于惯性传感器非正交误差和非对准误差经静态标定后已经获得，可以作为已知误差矩阵，且不随时间和环境改变，因此所述误差参数动态标定包括对加速度计零偏误差以及加速度计比例因子误差进行标定；还包括对陀螺仪零偏误差以及陀螺仪比例因子误差进行标定。
所述动态标定目标函数与静态标定目标函数一致，如式(S-11)～(S-12)；
利用加速度计零偏误差参数以及加速度计比例因子误差参数构建加速度计动态标定目标函数的解向量，如式(S-27)：
同理，构建陀螺仪动态标定目标函数的解向量，如式(S-28)：
载入所述静态标定误差参数值作为初始先验知识，获取下一次动态标定预测误差参数值，如式(S-29)：
式(S-29)中，
表示前两次标定误差参数值的差分矢量，k表示当前第k次测点动态标定，Xk-1,Best、Xk-2,Best分别表示第k-1次和第k-2次标定的误差参数值；
根据
预测生成第k次标定误差参数值，如式(S-30)所示：
以爆炸生成第k次标定算法初始种群来描述所述爆炸现象，如式(S-31)所示：
X＝normrnd(aver,sigma,m,n)(S-31)
式(S-31)中，normrnd函数表示生成一组符合正态分布的随机数，包含4个参数，其中：aver代表正态分布的均值，即预测误差参数值各维度的值，sigma表示正态分布的标准差，该值决定了爆炸的范围，该值越大，则爆炸范围越大，粒子落在远处的几率就大，反之就小，m,n表示产生m×n矩阵；
经若干次实验，优选取值为：sigma＝0.2，m＝1,n＝6。
所述约束条件包括收敛精度约束以及最大迭代次数约束。
保持初始误差参数如表1不变，设定第二次和第三次标定误差参数如表5，表6所示，以模拟动态标定过程。
表5第二个测点加速度计误差参数设置
表6第三个测点加速度计误差参数设置
DANGO相关参数设置如表7所示。
表7DANGO初始参数设置
当动态标定达到与静态标定相同的精度要求后，记录DANGO迭代曲线与ANGO迭代曲线、NGO迭代曲线的结果，如图4所示，NGO曲线表示传统北苍鹰优化算法在静态标定时的迭代曲线；ANGO表示静态改进后北苍鹰优化算法的迭代曲线；DANGO表示动态改进后北苍鹰优化算法的迭代曲线，可以看出，动态改进后算法相较于静态改进后算法和传统算法有较大提升，证明了本发明提出的动态改进北苍鹰优化算法的优越性。
Claims (9)
1.一种随钻测量系统中惯性传感器标定方法，其特征在于，所述标定方法包括对惯性传感器进行误差参数静态标定，以及在随钻测量系统工作测点停钻时对惯性传感器进行误差参数动态标定和误差参数更新；
所述误差参数静态标定的具体步骤包括：
S111：建立惯性传感器误差模型，包括加速度计误差模型以及陀螺仪误差模型，分别引入重力加速度以及地球自转速度作为标定基准，读取加速度计测量数据、陀螺仪测量数据以及标定基准信息，建立静态标定目标函数；
S112：基于所述目标函数，分析传统北苍鹰优化算法，对传统北苍鹰优化算法进行静态改进，所述静态改进包括：
引入Tent混沌映射产生初始种群的方法，增强静态改进优化算法初始个体在解空间中的多样性；
引入自适应因子和对数函数以平衡静态改进优化算法全局搜索与局部搜索之间的关系，增强静态改进优化算法在误差参数静态标定的速度和精度；
S113：设置静态改进优化算法初始化参数，生成静态改进优化算法初始种群，计算静态改进优化算法初始种群目标函数值；
S114：利用静态改进后的北苍鹰优化算法迭代优化目标函数值，直至目标函数值满足约束条件，输出静态标定误差参数值；
所述误差参数动态标定和误差参数更新的具体步骤包括：
S121：建立惯性传感器误差模型，包括加速度计误差模型以及陀螺仪误差模型，分别引入重力加速度以及地球自转速度作为标定基准，读取加速度计测量数据、陀螺仪测量数据以及标定基准信息，建立动态标定目标函数；
S122：基于所述目标函数，分析传统北苍鹰优化算法，对传统北苍鹰优化算法进行动态改进，所述动态改进包括：
载入所述静态标定误差参数值作为初始先验知识，获取下一次动态标定预测误差参数值；
以所述下一次动态标定预测误差参数值为中心，模拟爆炸现象，在解空间生成动态改进优化算法初始种群，计算动态改进优化算法目标函数值；
引入自适应因子以及对数函数以平衡动态改进优化算法全局搜索与局部搜索之间的关系，增强动态改进优化算法在误差参数动态标定的速度和精度；
S123：设置动态改进优化算法初始化参数，生成动态改进优化算法初始种群，计算动态改进优化算法初始种群目标函数值；
S124：利用动态改进后的北苍鹰优化算法迭代优化目标函数值，直至目标函数值满足约束条件，输出动态标定误差参数值；
S125：利用动态标定误差参数值更新静态标定误差参数值；
S126：重复S123～S124，利用动态标定误差参数值更新上一次标定误差参数值，直至发出指令停止。
2.根据权利要求1所述随钻测量系统中惯性传感器标定方法，其特征在于，所述加速度计误差模型如式(1)所示：
式(1)中，
表示加速度计测量值，
表示加速度计真实值，
ba表示加速度计零偏误差，
Aab表示从载体坐标系b变换到加速度计坐标系a的变换矩阵，其定义如下：
式(2)中，s和t为构建的中间临时坐标系，Sat为比例因子误差矩阵，如式(3)所示；
为非正交误差矩阵，如式(4)所示；
为非对准误差矩阵，如式(5)所示：
式(3)中，
分别表示加速度计比例因子误差参数；
式(4)中，
分别表示加速度计非正交误差参数；
式(5)中，
分别表示载体坐标系与加速度计坐标系之间的非对准误差参数。
3.根据权利要求2所述随钻测量系统中惯性传感器标定方法，其特征在于，所述陀螺仪误差模型如式(6)所示：
式(6)中，
表示陀螺仪测量值，
表示陀螺仪真实值，
bg表示陀螺仪零偏误差，
Agb表示从载体坐标系b变换到陀螺仪坐标系g的变换矩阵，定义如式(7)：
式(7)中，Sgt为比例因子误差矩阵，如式(8)所示，
为非正交误差矩阵，如式(9)所示，
为非对准误差矩阵，如式(10)所示；
式(8)中，
分别表示陀螺仪比例因子误差参数；
式(9)中，
分别表示陀螺仪非正交误差参数；
式(10)中，
分别表示载体坐标系与陀螺仪坐标系之间的非对准误差参数。
4.根据权利要求3所述随钻测量系统中惯性传感器标定方法，其特征在于，所述静态标定目标函数包括加速度计目标函数以及陀螺仪目标函数，所述加速度目标函数如式(11)：
式(11)～(12)中，G表示当地重力加速度矢量，ω表示地球自转速度模值，l表示采集的数据点数，n表示采集的总数据点数，
与
计算分别如式(13)和式(14)；
根据所述载体坐标系与加速度计坐标系之间的非对准误差参数、加速度计零偏误差参数、加速度计比例因子误差参数以及加速度计非正交误差参数，构建加速度计静态标定目标函数的解向量，如式(15)：
根据将所述载体坐标系与陀螺仪坐标系之间的非对准误差参数、陀螺仪零偏误差参数、陀螺仪比例因子误差参数以及陀螺仪非正交误差参数，构建陀螺仪动态标定目标函数的解向量，如式(16)：
5.根据权利要求4所述随钻测量系统中惯性传感器标定方法，其特征在于，所述引入Tent混沌映射产生初始种群的方法，如式(17)：
式(17)中，Zk表示第k个混沌值，其初始值Z0∈[0,1]，β∈[0,1]，β的取值影响混沌值的分布；
所述引入自适应因子和对数函数以平衡静态改进优化算法全局搜索与局部搜索之间的关系，如式(18)：
式(18)中，w表示自适应因子。
6.根据权利要求5所述随钻测量系统中惯性传感器标定方法，其特征在于，所述误差参数动态标定包括对加速度计零偏误差以及加速度计比例因子误差进行标定；还包括对陀螺仪零偏误差以及陀螺仪比例因子误差进行标定。
7.根据权利要求6所述随钻测量系统中惯性传感器标定方法，其特征在于，所述动态标定目标函数与静态标定目标函数一致，如式(11)～(12)；
利用加速度计零偏误差参数以及加速度计比例因子误差参数构建加速度计动态标定目标函数的解向量，如式(19)：
同理，构建陀螺仪动态标定目标函数的解向量，如式(20)：
载入所述静态标定误差参数值作为初始先验知识，获取下一次动态标定预测误差参数值，如式(21)：
式(21)中，
表示前两次标定误差参数值的差分矢量，k表示当前第k次测点动态标定，Xk-1,Best、Xk-2,Best分别表示第k-1次和第k-2次标定的误差参数值；
根据
预测生成第k次标定误差参数值，如式(22)所示：
8.根据权利要求7所述随钻测量系统中惯性传感器标定方法，其特征在于，以爆炸生成第k次标定算法初始种群来描述所述爆炸现象，如式(23)所示：
X＝normrnd(aver,sigma,m,n) (23)
式(23)中，normrnd函数表示生成一组符合正态分布的随机数，包含4个参数，其中：aver代表正态分布的均值，即预测误差参数值各维度的值，sigma表示正态分布的标准差，m,n表示产生m×n矩阵。
9.根据权利要求8所述随钻测量系统中惯性传感器标定方法，其特征在于，所述约束条件包括收敛精度约束以及最大迭代次数约束。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310244950.8A CN116380124A (zh) | 2023-03-14 | 2023-03-14 | 一种随钻测量系统中惯性传感器标定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310244950.8A CN116380124A (zh) | 2023-03-14 | 2023-03-14 | 一种随钻测量系统中惯性传感器标定方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116380124A true CN116380124A (zh) | 2023-07-04 |
Family
ID=86972284
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310244950.8A Pending CN116380124A (zh) | 2023-03-14 | 2023-03-14 | 一种随钻测量系统中惯性传感器标定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116380124A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117110649A (zh) * | 2023-08-02 | 2023-11-24 | 中国科学院自动化研究所 | 一种运动数据的质量增强方法、装置和系统 |
| CN117807356A (zh) * | 2024-02-29 | 2024-04-02 | 齐鲁工业大学(山东省科学院) | 基于改进麻雀算法优化粒子滤波的双矢量水听器定位方法 |
-
2023
- 2023-03-14 CN CN202310244950.8A patent/CN116380124A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117110649A (zh) * | 2023-08-02 | 2023-11-24 | 中国科学院自动化研究所 | 一种运动数据的质量增强方法、装置和系统 |
| CN117807356A (zh) * | 2024-02-29 | 2024-04-02 | 齐鲁工业大学(山东省科学院) | 基于改进麻雀算法优化粒子滤波的双矢量水听器定位方法 |
| CN117807356B (zh) * | 2024-02-29 | 2024-05-10 | 齐鲁工业大学(山东省科学院) | 基于改进麻雀算法优化粒子滤波的双矢量水听器定位方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116380124A (zh) | 一种随钻测量系统中惯性传感器标定方法 | |
| Wolff et al. | Borehole position uncertainty-analysis of measuring methods and derivation of systematic error model | |
| US5321893A (en) | Calibration correction method for magnetic survey tools | |
| US5452518A (en) | Method of correcting for axial error components in magnetometer readings during wellbore survey operations | |
| CN110792430B (zh) | 一种基于多传感器数据融合的随钻测斜方法及装置 | |
| BRPI0508381B1 (pt) | Methods of drilling a well hole and storage medium that can be read in computer ?? | |
| CN109188026B (zh) | 适用于mems加速度计的自动标定的深度学习方法 | |
| CN104881547B (zh) | 一种用于定向井井眼轨迹的误差分析方法 | |
| CN102788578A (zh) | 一种基于局部重力场逼近的匹配导航方法 | |
| CN104968889A (zh) | 用于回接/重叠处理的姿态参考 | |
| EP0387991A2 (en) | Surveying of boreholes | |
| EP1563255A1 (en) | Method for determining a track of a geographical trajectory | |
| US5623407A (en) | Method of correcting axial and transverse error components in magnetometer readings during wellbore survey operations | |
| CN101183004A (zh) | 一种在线实时消除光纤陀螺捷联惯导系统振荡误差的方法 | |
| CN115248038B (zh) | 一种发射系下的sins/bds组合导航工程算法 | |
| US4999920A (en) | Surveying of boreholes | |
| CN110736484A (zh) | 基于陀螺仪及磁传感器融合的背景磁场标定方法 | |
| CN102954804B (zh) | 一种石油钻探测量用传感器正交校准方法 | |
| CN113486591A (zh) | 一种卷积神经网络结果的重力多参量数据密度加权反演方法 | |
| CN114415262B (zh) | 一种基于等效零偏的重力仪测量误差补偿方法 | |
| Ji et al. | An attitude improvement method of FOG-based measurement-while-drilling utilizing backtracking navigation algorithm | |
| CN113137977A (zh) | 一种sins/偏振光组合导航初始对准滤波方法 | |
| CN116774288A (zh) | 浅层地震散射波成像方法及系统 | |
| CN105893687A (zh) | 基于遗传算法的惯导平台系统自标定试验优化设计方法 | |
| CN110733671B (zh) | 一种小天体自旋角速度动力学修正方法 |
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 |