CN117647392B - 一种基于数据分析的井下钻井仪器报废监测预警系统 - Google Patents
一种基于数据分析的井下钻井仪器报废监测预警系统 Download PDFInfo
- Publication number
- CN117647392B CN117647392B CN202410125562.2A CN202410125562A CN117647392B CN 117647392 B CN117647392 B CN 117647392B CN 202410125562 A CN202410125562 A CN 202410125562A CN 117647392 B CN117647392 B CN 117647392B
- Authority
- CN
- China
- Prior art keywords
- frequency
- value
- phase
- amplitude
- vector
- 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
- 238000005553 drilling Methods 0.000 title claims abstract description 62
- 238000012544 monitoring process Methods 0.000 title claims abstract description 27
- 238000007405 data analysis Methods 0.000 title claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 207
- 238000012545 processing Methods 0.000 claims description 36
- 230000005856 abnormality Effects 0.000 claims description 33
- 230000002159 abnormal effect Effects 0.000 claims description 28
- 238000000819 phase cycle Methods 0.000 claims description 28
- 238000000605 extraction Methods 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 230000009286 beneficial effect Effects 0.000 description 7
- 230000002708 enhancing effect Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000000034 method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于数据分析的井下钻井仪器报废监测预警系统,属于钻井仪器报废监测技术领域,本发明从振动信号出发,通过振动信号的频域信号的幅值特征向量、相位特征向量和频率特征向量,反映井下钻井仪器的状态情况,再通过幅值差距系数向量、相位差距系数向量和频率差距系数向量,反映钻井仪器的当前状态情况与标准状态情况的差距,从而通过三通道报废监测单元,得到钻井仪器的报废程度值,根据钻井仪器的报废程度值,反映钻井仪器的报废情况,提供一种基于单一传感信号的井下钻井仪器报废监测预警技术方案。
Description
技术领域
本发明涉及钻井仪器报废监测技术领域,具体涉及一种基于数据分析的井下钻井仪器报废监测预警系统。
背景技术
在地下资源(例如石油、天然气等)的钻取过程中,会设置多种传感器采集钻井仪器不同位置的传感数据,例如:钻压传感器、钻井压力传感器、钻井速度传感器、扭矩传感器和温度传感器等,这些传感器监控着钻井仪器每个局部位置,测量每个局部位置的工作状态,因此,这些传感器较难全面评估钻井仪器的整体情况,而振动传感器可以用于对钻井仪器振动情况的测量,钻井仪器的振动情况是整体上各个工作部件工作振动信号的融合,反映的是整体的工作状态。但是现有在采用振动传感器时,仅判断振动信号是否超过阈值,来确定当前钻井仪器是否在正常工作状态,缺乏一种根据振动信号来预测井下钻井仪器报废的技术方案。
发明内容
针对现有技术中的上述不足,本发明提供的一种基于数据分析的井下钻井仪器报废监测预警系统解决了现有缺乏一种根据振动信号来预测井下钻井仪器报废的技术方案的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种基于数据分析的井下钻井仪器报废监测预警系统,包括:振动传感器、时频转换单元、频域特征提取单元、频域差距系数提取单元、三通道报废监测单元和预警单元;
所述振动传感器设置于钻井仪器上,采集井下钻井仪器的振动信号;
所述时频转换单元用于对振动信号进行时频转换,得到频域信号;
所述频域特征提取单元用于对频域信号进行特征提取,得到幅值特征向量、相位特征向量和频率特征向量;
所述频域差距系数提取单元用于根据幅值特征向量、相位特征向量和频率特征向量,得到幅值差距系数向量、相位差距系数向量和频率差距系数向量;
所述三通道报废监测单元用于根据幅值特征向量、相位特征向量和频率特征向量,并基于幅值差距系数向量、相位差距系数向量和频率差距系数向量,得到钻井仪器的报废程度值;
所述预警单元用于在报废程度值大于报废阈值时,预测钻井仪器已报废。
本发明的有益效果为:在所有传感器中,振动传感器具备监测井下钻井仪器整体工作情况的功能,因此,本发明从振动信号出发,通过振动信号的频域信号的幅值特征向量、相位特征向量和频率特征向量,反映井下钻井仪器的状态情况,再通过幅值差距系数向量、相位差距系数向量和频率差距系数向量,反映钻井仪器的当前状态情况与标准状态情况的差距,从而通过三通道报废监测单元,得到钻井仪器的报废程度值,根据钻井仪器的报废程度值,反映钻井仪器的报废情况,提供一种基于单一传感信号的井下钻井仪器报废监测预警技术方案。
进一步地,所述频域信号包括:幅值序列、相位序列和频率序列;
所述幅值特征向量为:,其中,X1为幅值特征向量,Amax为幅值序列中的最大值,Amin为幅值序列中的最小值,AC为幅值序列的均值,AE为幅值序列的梯度值,AD为幅值序列的分布值;
所述相位特征向量为:,其中,X2为相位特征向量,Ymax为相位序列中的最大值,Ymin为相位序列中的最小值,YC为相位序列的均值,YE为相位序列的梯度值,YD为相位序列的分布值;
所述频率特征向量为:,其中,X3为频率特征向量,Fmax为频率序列中的最大值,Fmin为频率序列中的最小值,FC为频率序列的均值,FE为频率序列的梯度值,FD为频率序列的分布值。
进一步地,所述梯度值的计算公式为:
,
其中,E为序列的梯度值,序列为幅值序列、相位序列或频率序列,Ei为序列的第i个元素,Ei+1为序列的第i+1个元素,i为正整数,N为序列中元素的数量。
上述进一步地方案的有益效果为:本发明中分别提取了幅值序列、相位序列和频率序列的显著特征,梯度值凸显了相邻元素之间的数据变化情况。
进一步地,所述分布值的计算公式为:
,
其中,D为序列的分布值,序列为幅值序列、相位序列或频率序列,Di为序列的第i个元素,i为正整数,N为序列中元素的数量,| |为绝对值,ln为对数函数,e为自然常数。
上述进一步地方案的有益效果为:本发明中分布值的公式先是通过指数函数和对数函数对元素进行增强处理,再除以序列中元素的波动情况(每个元素与均值相减,并平方处理,反映元素与均值的差距,即波动情况),凸显出每个序列中元素的分布情况。
进一步地,所述幅值差距系数向量为:,其中,Q1为幅值差距系数向量,amax为幅值最大值差距系数,amin为幅值最小值差距系数,ac为幅值均值差距系数,ae为幅值梯度值差距系数,ad为幅值分布值差距系数;
所述相位差距系数向量为:,其中,Q2为相位差距系数向量,ymax为相位最大值差距系数,ymin为相位最小值差距系数,yc为相位均值差距系数,ye为相位梯度值差距系数,yd为相位分布值差距系数;
所述频率差距系数向量为:,其中,Q3为频率差距系数向量,fmax为频率最大值差距系数,fmin为频率最小值差距系数,fc为频率均值差距系数,fe为频率梯度值差距系数,fd为频率分布值差距系数。
进一步地,每个所述差距系数的计算公式为:
,
其中,tanh为双曲正切激活函数,Gk为幅值特征向量、相位特征向量或频率特征向量中第k个元素,k取值范围为1~5的正整数,为幅值特征向量、相位特征向量或频率特征向量中第k个元素对应的标准值,在Gk为幅值特征向量中第k个元素时,gk为幅值差距系数向量中第k个差距系数;在Gk为相位特征向量中第k个元素时,gk为相位差距系数向量中第k个差距系数;在Gk为频率特征向量中第k个元素时,gk为频率差距系数向量中第k个差距系数。
上述进一步地方案的有益效果为:本发明中每个所述差距系数都采用本发明中得到特征与标准值相减,体现出两者差距,同时设置出三次方,保障差距系数正负关系。
进一步地,所述三通道报废监测单元包括:幅值数据处理通道子单元、相位数据处理通道子单元、频率数据处理通道子单元、幅值异常预测子单元、相位异常预测子单元、频率异常预测子单元和报废程度值输出子单元;
所述幅值数据处理通道子单元输入幅值特征向量和幅值差距系数向量,得到幅值增强向量;所述相位数据处理通道子单元输入相位特征向量和相位差距系数向量,得到相位增强向量;所述频率数据处理通道子单元输入频率特征向量和频率差距系数向量,得到频率增强向量;所述幅值异常预测子单元输入幅值增强向量,得到幅值异常值;所述相位异常预测子单元输入相位增强向量,得到相位异常值;所述频率异常预测子单元输入频率增强向量,得到频率异常值;所述报废程度值输出子单元输入幅值异常值、相位异常值和频率异常值,得到钻井仪器的报废程度值。
进一步地,所述幅值数据处理通道子单元的表达式为:
,
其中,XQ1为幅值增强向量,X1为幅值特征向量,Q1为幅值差距系数向量,为哈达玛积;
所述相位数据处理通道子单元的表达式为:
,
其中,XQ2为相位增强向量,X2为相位特征向量,Q2为相位差距系数向量;
所述频率数据处理通道子单元的表达式为:
,
其中,XQ3为频率增强向量,X3为频率特征向量,Q3为频率差距系数向量。
上述进一步地方案的有益效果为:本发明中幅值差距系数向量用于增强幅值特征向量,相位差距系数向量用于增强相位特征向量,频率差距系数向量用于增强频率特征向量,实现三通道的数据处理,增强各个通道的数据特征,通过三个层面去预测井下钻井仪器的报废情况,提高预测报废的精度。
进一步地,所述异常预测子单元的表达式为:
,
其中,异常预测子单元为幅值异常预测子单元、相位异常预测子单元或频率异常预测子单元;在异常预测子单元为幅值异常预测子单元时,XQ表示幅值异常值,XQn为幅值增强向量XQ1中第n个元素;在异常预测子单元为相位异常预测子单元时,XQ表示相位异常值,XQn为相位增强向量XQ2中第n个元素;在异常预测子单元为频率异常预测子单元时,XQ表示频率异常值,XQn为频率增强向量XQ3中第n个元素;ws,n为XQn的第一权重,wt,n为XQn的第二权重,sigmoid为S型激活函数,tanh为双曲正切激活函数,n为正整数。
上述进一步地方案的有益效果为:本发明中每个异常预测子单元采用两个激活函数分别对输入的增强向量进行赋予不同权重处理,建立更为复杂的映射,更便于灵活调整输出与输入的关系。
进一步地,所述报废程度值输出子单元的表达式为:
,
其中,h为钻井仪器的报废程度值,XQA为幅值异常值,XQY为相位异常值,XQF为频率异常值,wA为XQA的权重值,wY为XQY的权重值,wF为XQF的权重值。
上述进一步地方案的有益效果为:本发明综合三种异常值:幅值异常值、相位异常值和频率异常值,对钻井仪器的报废程度值进行估计,从而提高估计精度。
附图说明
图1为一种基于数据分析的井下钻井仪器报废监测预警系统的系统框图;
图2为三通道报废监测单元的结构示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
在现有技术中,振动信号超过阈值时,可判定井下钻井仪器工作在非正常状态,而无法确定井下钻井仪器是否能达到报废标准,但是井下钻井仪器的质量状态对于井下工作至关重要,抛弃达到报废标准的井下钻井仪器,更利于提高工作效率,因此,本发明提供一种基于数据分析的井下钻井仪器报废监测预警系统,如图1所示,包括:振动传感器、时频转换单元、频域特征提取单元、频域差距系数提取单元、三通道报废监测单元和预警单元;
所述振动传感器设置于钻井仪器上,采集井下钻井仪器的振动信号;所述时频转换单元用于对振动信号进行时频转换,得到频域信号;所述频域特征提取单元用于对频域信号进行特征提取,得到幅值特征向量、相位特征向量和频率特征向量;所述频域差距系数提取单元用于根据幅值特征向量、相位特征向量和频率特征向量,得到幅值差距系数向量、相位差距系数向量和频率差距系数向量;所述三通道报废监测单元用于根据幅值特征向量、相位特征向量和频率特征向量,并基于幅值差距系数向量、相位差距系数向量和频率差距系数向量,得到钻井仪器的报废程度值;所述预警单元用于在报废程度值大于报废阈值时,预测钻井仪器已报废。
所述频域信号包括:幅值序列、相位序列和频率序列;
所述幅值特征向量为:,其中,X1为幅值特征向量,Amax为幅值序列中的最大值,Amin为幅值序列中的最小值,AC为幅值序列的均值,AE为幅值序列的梯度值,AD为幅值序列的分布值;
所述相位特征向量为:,其中,X2为相位特征向量,Ymax为相位序列中的最大值,Ymin为相位序列中的最小值,YC为相位序列的均值,YE为相位序列的梯度值,YD为相位序列的分布值;
所述频率特征向量为:,其中,X3为频率特征向量,Fmax为频率序列中的最大值,Fmin为频率序列中的最小值,FC为频率序列的均值,FE为频率序列的梯度值,FD为频率序列的分布值。
在本发明中,进行频域变换后,得到频域信号,将频域信号中幅值、相位和频率分别构成序列,找到序列中最大值和最小值,以及序列的均值、梯度值和分布值。
在本发明中幅值序列、相位序列和频率序列的梯度值均为以下梯度值的计算公式。
所述梯度值的计算公式为:
,
其中,E为序列的梯度值,序列为幅值序列、相位序列或频率序列,Ei为序列的第i个元素,Ei+1为序列的第i+1个元素,i为正整数,N为序列中元素的数量。
本发明中分别提取了幅值序列、相位序列和频率序列的显著特征,梯度值凸显了相邻元素之间的数据变化情况。
在本发明中幅值序列、相位序列和频率序列的分布值均为以下分布值的计算公式。
所述分布值的计算公式为:
,
其中,D为序列的分布值,序列为幅值序列、相位序列或频率序列,Di为序列的第i个元素,i为正整数,N为序列中元素的数量,| |为绝对值,ln为对数函数,e为自然常数。
本发明中分布值的公式先是通过指数函数和对数函数对元素进行增强处理,再除以序列中元素的波动情况(每个元素与均值相减,并平方处理,反映元素与均值的差距,即波动情况),凸显出每个序列中元素的分布情况。
所述幅值差距系数向量为:,其中,Q1为幅值差距系数向量,amax为幅值最大值差距系数,amin为幅值最小值差距系数,ac为幅值均值差距系数,ae为幅值梯度值差距系数,ad为幅值分布值差距系数;
所述相位差距系数向量为:,其中,Q2为相位差距系数向量,ymax为相位最大值差距系数,ymin为相位最小值差距系数,yc为相位均值差距系数,ye为相位梯度值差距系数,yd为相位分布值差距系数;
所述频率差距系数向量为:,其中,Q3为频率差距系数向量,fmax为频率最大值差距系数,fmin为频率最小值差距系数,fc为频率均值差距系数,fe为频率梯度值差距系数,fd为频率分布值差距系数。
本发明中幅值差距系数向量、相位差距系数向量和频率差距系数向量中每个差距系数均为以下差距系数的计算公式。
每个所述差距系数的计算公式为:
,
其中,tanh为双曲正切激活函数,Gk为幅值特征向量、相位特征向量或频率特征向量中第k个元素,k取值范围为1~5的正整数,为幅值特征向量、相位特征向量或频率特征向量中第k个元素对应的标准值,在Gk为幅值特征向量中第k个元素时,gk为幅值差距系数向量中第k个差距系数;在Gk为相位特征向量中第k个元素时,gk为相位差距系数向量中第k个差距系数;在Gk为频率特征向量中第k个元素时,gk为频率差距系数向量中第k个差距系数。
本发明中幅值特征向量、相位特征向量和频率特征向量中元素共有15个,则对应的标准值有15个,标准值为出厂的井下钻井仪器正常工作状态下的幅值、相位和频率特征,例如,在G1为幅值特征向量中第1个元素时,即幅值序列中的最大值,则对应标准值是出厂的井下钻井仪器正常工作状态下的振动信号的频域信号的幅值最大值。
本发明中每个所述差距系数都采用本发明中得到特征与标准值相减,体现出两者差距,同时设置出三次方,保障差距系数正负关系。
如图2所示,所述三通道报废监测单元包括:幅值数据处理通道子单元、相位数据处理通道子单元、频率数据处理通道子单元、幅值异常预测子单元、相位异常预测子单元、频率异常预测子单元和报废程度值输出子单元;
所述幅值数据处理通道子单元输入幅值特征向量和幅值差距系数向量,得到幅值增强向量;所述相位数据处理通道子单元输入相位特征向量和相位差距系数向量,得到相位增强向量;所述频率数据处理通道子单元输入频率特征向量和频率差距系数向量,得到频率增强向量;所述幅值异常预测子单元输入幅值增强向量,得到幅值异常值;所述相位异常预测子单元输入相位增强向量,得到相位异常值;所述频率异常预测子单元输入频率增强向量,得到频率异常值;所述报废程度值输出子单元输入幅值异常值、相位异常值和频率异常值,得到钻井仪器的报废程度值。
所述幅值数据处理通道子单元的表达式为:
,
其中,XQ1为幅值增强向量,X1为幅值特征向量,Q1为幅值差距系数向量,为哈达玛积;
所述相位数据处理通道子单元的表达式为:
,
其中,XQ2为相位增强向量,X2为相位特征向量,Q2为相位差距系数向量;
所述频率数据处理通道子单元的表达式为:
,
其中,XQ3为频率增强向量,X3为频率特征向量,Q3为频率差距系数向量。
本发明中幅值差距系数向量用于增强幅值特征向量,相位差距系数向量用于增强相位特征向量,频率差距系数向量用于增强频率特征向量,实现三通道的数据处理,增强各个通道的数据特征,通过三个层面去预测井下钻井仪器的报废情况,提高预测报废的精度。
所述异常预测子单元的表达式为:
,
其中,异常预测子单元为幅值异常预测子单元、相位异常预测子单元或频率异常预测子单元;在异常预测子单元为幅值异常预测子单元时,XQ表示幅值异常值,XQn为幅值增强向量XQ1中第n个元素;在异常预测子单元为相位异常预测子单元时,XQ表示相位异常值,XQn为相位增强向量XQ2中第n个元素;在异常预测子单元为频率异常预测子单元时,XQ表示频率异常值,XQn为频率增强向量XQ3中第n个元素;ws,n为XQn的第一权重,wt,n为XQn的第二权重,sigmoid为S型激活函数,tanh为双曲正切激活函数,n为正整数。
本发明中每个异常预测子单元采用两个激活函数分别对输入的增强向量进行赋予不同权重处理,建立更为复杂的映射,更便于灵活调整输出与输入的关系。
所述报废程度值输出子单元的表达式为:
,
其中,h为钻井仪器的报废程度值,XQA为幅值异常值,XQY为相位异常值,XQF为频率异常值,wA为XQA的权重值,wY为XQY的权重值,wF为XQF的权重值。
本发明综合三种异常值:幅值异常值、相位异常值和频率异常值,对钻井仪器的报废程度值进行估计,从而提高估计精度。
在所有传感器中,振动传感器具备监测井下钻井仪器整体工作情况的功能,因此,本发明从振动信号出发,通过振动信号的频域信号的幅值特征向量、相位特征向量和频率特征向量,反映井下钻井仪器的状态情况,再通过幅值差距系数向量、相位差距系数向量和频率差距系数向量,反映钻井仪器的当前状态情况与标准状态情况的差距,从而通过三通道报废监测单元,得到钻井仪器的报废程度值,根据钻井仪器的报废程度值,反映钻井仪器的报废情况,提供一种基于单一传感信号的井下钻井仪器报废监测预警技术方案。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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 (1)
1.一种基于数据分析的井下钻井仪器报废监测预警系统,其特征在于,包括:振动传感器、时频转换单元、频域特征提取单元、频域差距系数提取单元、三通道报废监测单元和预警单元;
所述振动传感器设置于钻井仪器上,采集井下钻井仪器的振动信号;
所述时频转换单元用于对振动信号进行时频转换,得到频域信号;
所述频域特征提取单元用于对频域信号进行特征提取,得到幅值特征向量、相位特征向量和频率特征向量;
所述频域差距系数提取单元用于根据幅值特征向量、相位特征向量和频率特征向量,得到幅值差距系数向量、相位差距系数向量和频率差距系数向量;
所述三通道报废监测单元用于根据幅值特征向量、相位特征向量和频率特征向量,并基于幅值差距系数向量、相位差距系数向量和频率差距系数向量,得到钻井仪器的报废程度值;
所述预警单元用于在报废程度值大于报废阈值时,预测钻井仪器已报废;
所述频域信号包括:幅值序列、相位序列和频率序列;
所述幅值特征向量为:,其中,X1为幅值特征向量,Amax为幅值序列中的最大值,Amin为幅值序列中的最小值,AC为幅值序列的均值,AE为幅值序列的梯度值,AD为幅值序列的分布值;
所述相位特征向量为:,其中,X2为相位特征向量,Ymax为相位序列中的最大值,Ymin为相位序列中的最小值,YC为相位序列的均值,YE为相位序列的梯度值,YD为相位序列的分布值;
所述频率特征向量为:,其中,X3为频率特征向量,Fmax为频率序列中的最大值,Fmin为频率序列中的最小值,FC为频率序列的均值,FE为频率序列的梯度值,FD为频率序列的分布值;
所述梯度值的计算公式为:
,
其中,E为序列的梯度值,序列为幅值序列、相位序列或频率序列,Ei为序列的第i个元素,Ei+1为序列的第i+1个元素,i为正整数,N为序列中元素的数量;
所述分布值的计算公式为:
,
其中,D为序列的分布值,序列为幅值序列、相位序列或频率序列,Di为序列的第i个元素,i为正整数,N为序列中元素的数量,| |为绝对值,ln为对数函数,e为自然常数;
所述幅值差距系数向量为:,其中,Q1为幅值差距系数向量,amax为幅值最大值差距系数,amin为幅值最小值差距系数,ac为幅值均值差距系数,ae为幅值梯度值差距系数,ad为幅值分布值差距系数;
所述相位差距系数向量为:,其中,Q2为相位差距系数向量,ymax为相位最大值差距系数,ymin为相位最小值差距系数,yc为相位均值差距系数,ye为相位梯度值差距系数,yd为相位分布值差距系数;
所述频率差距系数向量为:,其中,Q3为频率差距系数向量,fmax为频率最大值差距系数,fmin为频率最小值差距系数,fc为频率均值差距系数,fe为频率梯度值差距系数,fd为频率分布值差距系数;
每个所述差距系数的计算公式为:
,
其中,tanh为双曲正切激活函数,Gk为幅值特征向量、相位特征向量或频率特征向量中第k个元素,k取值范围为1~5的正整数,为幅值特征向量、相位特征向量或频率特征向量中第k个元素对应的标准值,在Gk为幅值特征向量中第k个元素时,gk为幅值差距系数向量中第k个差距系数;在Gk为相位特征向量中第k个元素时,gk为相位差距系数向量中第k个差距系数;在Gk为频率特征向量中第k个元素时,gk为频率差距系数向量中第k个差距系数;
所述三通道报废监测单元包括:幅值数据处理通道子单元、相位数据处理通道子单元、频率数据处理通道子单元、幅值异常预测子单元、相位异常预测子单元、频率异常预测子单元和报废程度值输出子单元;
所述幅值数据处理通道子单元输入幅值特征向量和幅值差距系数向量,得到幅值增强向量;所述相位数据处理通道子单元输入相位特征向量和相位差距系数向量,得到相位增强向量;所述频率数据处理通道子单元输入频率特征向量和频率差距系数向量,得到频率增强向量;所述幅值异常预测子单元输入幅值增强向量,得到幅值异常值;所述相位异常预测子单元输入相位增强向量,得到相位异常值;所述频率异常预测子单元输入频率增强向量,得到频率异常值;所述报废程度值输出子单元输入幅值异常值、相位异常值和频率异常值,得到钻井仪器的报废程度值;
所述幅值数据处理通道子单元的表达式为:
,
其中,XQ1为幅值增强向量,X1为幅值特征向量,Q1为幅值差距系数向量,为哈达玛积;
所述相位数据处理通道子单元的表达式为:
,
其中,XQ2为相位增强向量,X2为相位特征向量,Q2为相位差距系数向量;
所述频率数据处理通道子单元的表达式为:
,
其中,XQ3为频率增强向量,X3为频率特征向量,Q3为频率差距系数向量;
所述异常预测子单元的表达式为:
,
其中,异常预测子单元为幅值异常预测子单元、相位异常预测子单元或频率异常预测子单元;在异常预测子单元为幅值异常预测子单元时,XQ表示幅值异常值,XQn为幅值增强向量XQ1中第n个元素;在异常预测子单元为相位异常预测子单元时,XQ表示相位异常值,XQn为相位增强向量XQ2中第n个元素;在异常预测子单元为频率异常预测子单元时,XQ表示频率异常值,XQn为频率增强向量XQ3中第n个元素;ws,n为XQn的第一权重,wt,n为XQn的第二权重,sigmoid为S型激活函数,tanh为双曲正切激活函数,n为正整数;
所述报废程度值输出子单元的表达式为:
,
其中,h为钻井仪器的报废程度值,XQA为幅值异常值,XQY为相位异常值,XQF为频率异常值,wA为XQA的权重值,wY为XQY的权重值,wF为XQF的权重值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410125562.2A CN117647392B (zh) | 2024-01-30 | 2024-01-30 | 一种基于数据分析的井下钻井仪器报废监测预警系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410125562.2A CN117647392B (zh) | 2024-01-30 | 2024-01-30 | 一种基于数据分析的井下钻井仪器报废监测预警系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117647392A CN117647392A (zh) | 2024-03-05 |
CN117647392B true CN117647392B (zh) | 2024-04-09 |
Family
ID=90045604
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410125562.2A Active CN117647392B (zh) | 2024-01-30 | 2024-01-30 | 一种基于数据分析的井下钻井仪器报废监测预警系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117647392B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005180951A (ja) * | 2003-12-16 | 2005-07-07 | Keepers:Kk | 構造物の健全度評価方法 |
CN102980651A (zh) * | 2012-11-02 | 2013-03-20 | 华锐风电科技(集团)股份有限公司 | 风电机组状态监测方法、装置及系统 |
JP2017024120A (ja) * | 2015-07-22 | 2017-02-02 | オークマ株式会社 | ドリルの余寿命推定装置及び余寿命推定方法 |
CN107843334A (zh) * | 2017-12-07 | 2018-03-27 | 广东省水利水电科学研究院 | 一种软基水闸底板脱空的智能监测系统 |
KR101877544B1 (ko) * | 2018-05-11 | 2018-08-09 | 주식회사 아이씨티솔루션스 | 송풍기 노후화 예측 및 진단을 통한 에너지 최적화 제어 시스템 |
JP2019074060A (ja) * | 2017-10-19 | 2019-05-16 | 日本精工株式会社 | 風力発電用風車の状態監視装置、状態監視方法、及び状態監視システム |
CN110929677A (zh) * | 2019-12-04 | 2020-03-27 | 华北科技学院 | 一种振动数据在线监测分析系统 |
CN111611744A (zh) * | 2020-03-31 | 2020-09-01 | 华电电力科学研究院有限公司 | 基于循环卷积网络及变分推理的滚动轴承寿命预测方法 |
WO2020253950A1 (en) * | 2019-06-18 | 2020-12-24 | Framatome Gmbh | Monitoring method, predicting method, monitoring system and computer program |
CN213456100U (zh) * | 2020-11-26 | 2021-06-15 | 成都三一能源环保技术有限公司 | 一种轴承耐老化检测装置 |
CN114254454A (zh) * | 2021-12-15 | 2022-03-29 | 中国矿业大学 | 基于cva和rnn的钻机主轴滚动轴承的剩余使用寿命预测方法 |
CN115018181A (zh) * | 2022-06-27 | 2022-09-06 | 安徽农业大学 | 一种轻轨机组减速机齿轮箱在线监测与寿命预测方法 |
CN115422687A (zh) * | 2022-10-17 | 2022-12-02 | 大连交通大学 | 一种滚动轴承的寿命预测方法 |
CN115680635A (zh) * | 2021-07-23 | 2023-02-03 | 中国石油化工集团有限公司 | 针对多分量声波测井数据的井眼校正方法和系统 |
CN116871978A (zh) * | 2023-07-10 | 2023-10-13 | 盐城工学院 | 基于多传感器融合的钻削刀具状态监测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10590760B2 (en) * | 2018-01-03 | 2020-03-17 | Baker Hughes, A Ge Company, Llc | Real-time monitoring of downhole dynamic events |
US11346206B2 (en) * | 2019-03-04 | 2022-05-31 | Schlumberger Technology Corporation | Prognostic health monitoring of downhole tools |
-
2024
- 2024-01-30 CN CN202410125562.2A patent/CN117647392B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005180951A (ja) * | 2003-12-16 | 2005-07-07 | Keepers:Kk | 構造物の健全度評価方法 |
CN102980651A (zh) * | 2012-11-02 | 2013-03-20 | 华锐风电科技(集团)股份有限公司 | 风电机组状态监测方法、装置及系统 |
JP2017024120A (ja) * | 2015-07-22 | 2017-02-02 | オークマ株式会社 | ドリルの余寿命推定装置及び余寿命推定方法 |
JP2019074060A (ja) * | 2017-10-19 | 2019-05-16 | 日本精工株式会社 | 風力発電用風車の状態監視装置、状態監視方法、及び状態監視システム |
CN107843334A (zh) * | 2017-12-07 | 2018-03-27 | 广东省水利水电科学研究院 | 一种软基水闸底板脱空的智能监测系统 |
KR101877544B1 (ko) * | 2018-05-11 | 2018-08-09 | 주식회사 아이씨티솔루션스 | 송풍기 노후화 예측 및 진단을 통한 에너지 최적화 제어 시스템 |
WO2020253950A1 (en) * | 2019-06-18 | 2020-12-24 | Framatome Gmbh | Monitoring method, predicting method, monitoring system and computer program |
CN110929677A (zh) * | 2019-12-04 | 2020-03-27 | 华北科技学院 | 一种振动数据在线监测分析系统 |
CN111611744A (zh) * | 2020-03-31 | 2020-09-01 | 华电电力科学研究院有限公司 | 基于循环卷积网络及变分推理的滚动轴承寿命预测方法 |
CN213456100U (zh) * | 2020-11-26 | 2021-06-15 | 成都三一能源环保技术有限公司 | 一种轴承耐老化检测装置 |
CN115680635A (zh) * | 2021-07-23 | 2023-02-03 | 中国石油化工集团有限公司 | 针对多分量声波测井数据的井眼校正方法和系统 |
CN114254454A (zh) * | 2021-12-15 | 2022-03-29 | 中国矿业大学 | 基于cva和rnn的钻机主轴滚动轴承的剩余使用寿命预测方法 |
CN115018181A (zh) * | 2022-06-27 | 2022-09-06 | 安徽农业大学 | 一种轻轨机组减速机齿轮箱在线监测与寿命预测方法 |
CN115422687A (zh) * | 2022-10-17 | 2022-12-02 | 大连交通大学 | 一种滚动轴承的寿命预测方法 |
CN116871978A (zh) * | 2023-07-10 | 2023-10-13 | 盐城工学院 | 基于多传感器融合的钻削刀具状态监测方法 |
Non-Patent Citations (1)
Title |
---|
"结合长短期混合特征的均衡风缸控制系统健康状态评估方法";高殿柱;《铁道学报》;20231231;第45卷(第8期);57-67 * |
Also Published As
Publication number | Publication date |
---|---|
CN117647392A (zh) | 2024-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Aliustaoglu et al. | Tool wear condition monitoring using a sensor fusion model based on fuzzy inference system | |
US8410952B2 (en) | Methods for forewarning of critical condition changes in monitoring civil structures | |
CN110895526A (zh) | 一种大气监测系统中数据异常的修正方法 | |
CN109211548A (zh) | 一种机械故障诊断方法 | |
CN108647642B (zh) | 基于模糊融合的多传感器裂纹损伤综合诊断方法 | |
CN107991060A (zh) | 基于自适应和迭代算法的载荷分布式光纤辨识方法 | |
CN111898669A (zh) | 一种基于机器学习的直流矿热炉异常事件预警系统 | |
CN112766182A (zh) | 一种拉削刀具磨损状态识别方法 | |
CN105954695B (zh) | 一种基于同步的同质传感器突变参数识别方法与装置 | |
CN112968931A (zh) | 一种基于多传感器的农作物环境温度数据融合系统及方法 | |
Zheng et al. | Tool wear condition monitoring in milling process based on data fusion enhanced long short-term memory network under different cutting conditions | |
US11941495B2 (en) | Information processing device, information processing method, and recording medium | |
CN117647392B (zh) | 一种基于数据分析的井下钻井仪器报废监测预警系统 | |
Candy et al. | Anomaly detection for a vibrating structure: A subspace identification/tracking approach | |
CN103203670A (zh) | 基于最大信息熵与方向散度的磨削颤振预测方法 | |
CN111256873B (zh) | 基于卡尔曼滤波和迭代学习的分布式光纤温度预测方法 | |
CN110455399B (zh) | 用分布式光纤对建筑结构振动进行全局预警的方法 | |
CN116403663A (zh) | 一种工业环境腐蚀金属安全评估方法 | |
Rad et al. | Online tool wear monitoring and estimation using power signals and S-transform | |
CN111366184B (zh) | 一种盾构机多传感器性能在线监测方法 | |
KR101724151B1 (ko) | 앰비규어티 패턴인식을 이용한 금속 이물질의 충격 위치와 질량 동시추정 방법 | |
CN111108738A (zh) | 数据处理设备、数据分析设备、数据处理系统和用于处理数据的方法 | |
D’Emilia et al. | Measurement uncertainty of contact and non-contact techniques on condition monitoring of complex industrial components | |
CN118090078B (zh) | 一种闭式循环水冷系统渗漏在线监测方法 | |
Sun et al. | New prediction error method based on cyclostationarity for system identification |
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 |