劉奕呈 李玉梅 張 濤 李 超

(1.北京信息科技大學(xué)高動(dòng)態(tài)導(dǎo)航技術(shù)北京市重點(diǎn)實(shí)驗(yàn)室 2.渤海鉆探第二鉆井分公司)

0 引 言

對(duì)于鉆頭磨損狀態(tài)的準(zhǔn)確監(jiān)測，能有效預(yù)防井下復(fù)雜狀況、優(yōu)化鉆井參數(shù)、提高機(jī)械鉆速。國內(nèi)外對(duì)鉆頭磨損的研究主要以機(jī)械比能理論為基礎(chǔ)[1-2]，并由鉆頭鈍化趨勢(shì)的定性分析逐漸發(fā)展為結(jié)合錄井?dāng)?shù)據(jù)的定量計(jì)算[3-4]。

隨著人工智能算法和井下近鉆頭工程參數(shù)測量技術(shù)的發(fā)展，為解決鉆頭磨損監(jiān)測問題提供了新的思路。近鉆頭工程參數(shù)中包含大量與鉆頭磨損狀態(tài)相關(guān)的特征，因此提取數(shù)據(jù)中的鉆頭磨損信息成為關(guān)鍵。文獻(xiàn)[5]針對(duì)輪齒振動(dòng)信號(hào)識(shí)別診斷困難的問題，提出以CEEMDAN(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise)排列熵為敏感特征量，通過支持向量機(jī)進(jìn)行模式識(shí)別，實(shí)現(xiàn)螺旋錐齒輪故障辨識(shí)的方法。文獻(xiàn)[6]提出了一種基于CEEMDAN多尺度熵與SSA-SVM相結(jié)合的故障診斷方法，用麻雀搜索算法(SSA)對(duì)SVM參數(shù)進(jìn)行了優(yōu)化，提高了參數(shù)尋優(yōu)速度以及軸承的故障分類準(zhǔn)確率。

筆者依據(jù)北京信息科技大學(xué)智能鉆井實(shí)驗(yàn)室自主研發(fā)的井下工程參數(shù)測量工具所測8類井下工程參數(shù)源數(shù)據(jù)開展研究。以冀東油田某井實(shí)測數(shù)據(jù)為例，首先利用CEEMDAN算法和小波閾值對(duì)近鉆頭振動(dòng)信號(hào)進(jìn)行降噪處理并完成信號(hào)重構(gòu)，對(duì)重構(gòu)后的信號(hào)提取代表鉆頭磨損信息的8個(gè)特征量，輸入卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行模型訓(xùn)練并進(jìn)行鉆頭磨損狀態(tài)識(shí)別與監(jiān)測，取得了比較滿意的效果。

1 算法原理

1.1 CEEMDAN算法

由于井下為高溫高壓環(huán)境，測量工具測得的近鉆頭數(shù)據(jù)存在大量干擾信號(hào)，本文首先采用CEEMDAN算法對(duì)近鉆頭振動(dòng)信號(hào)進(jìn)行去噪處理，得到IMF(Intrinsic Mode Function)分量，CEEMDAN對(duì)信號(hào)的分解步驟如下[7]：

(1)為近鉆頭振動(dòng)信號(hào)添加自適應(yīng)白噪聲，表達(dá)式如下：

xi(t)=x(t)+wi(t)

(1)

式中：wi(t)(i=1,2,3,…,I)為高斯白噪聲；I為進(jìn)行CEEMDAN分解的振動(dòng)信號(hào)的總量。

(2)

(3)假設(shè)用Ei(?)代表第i階IMF分量，εi為與高斯白噪聲能量相關(guān)的參數(shù)。計(jì)算1階殘差量、2階IMF分量，表達(dá)式為：

(3)

(4)

(4)計(jì)算m(m=2,3,4,…,M)階殘差，m+1階IMF分量，表達(dá)式為：

(5)

(6)

(5)重復(fù)上一步驟，直至殘差的極值點(diǎn)個(gè)數(shù)不超過2個(gè)，若殘差滿足

(7)

則近鉆頭振動(dòng)信號(hào)經(jīng)過CEEMDAN分解后為：

(8)

1.2 小波閾值

對(duì)CEEMDAN分解得到的IMF分量進(jìn)行小波閾值去噪[8]，可以進(jìn)一步降低重構(gòu)信號(hào)的噪聲。小波閾值降噪的步驟為：

(1)對(duì)信號(hào)進(jìn)行小波分解處理并求取小波的系數(shù)dj,k；

(2)設(shè)置閾值λ，高于λ的系數(shù)完整保留或者做“收縮處理”，低于λ被視為噪聲并去除；

閾值和閾值函數(shù)的選擇對(duì)信號(hào)的去噪效果有著決定性的影響。

閾值的表達(dá)式如下：

(9)

式中：σ為噪聲標(biāo)準(zhǔn)方差；N為信號(hào)長度。

常用的閾值函數(shù)包括硬閾值函數(shù)和軟閾值函數(shù)等。硬閾值函數(shù)為：

(10)

軟閾值函數(shù)為：

(11)

本文在對(duì)CEEMDAN分解后得到的IMF分量進(jìn)行小波閾值去噪的過程中，選取sym8小波基函數(shù)，使用軟閾值函數(shù)取得了較為理想的振動(dòng)信號(hào)去噪效果。

1.3 鉆頭磨損狀態(tài)特征量

1.3.1 時(shí)域特征

時(shí)域特征量可以在一定程度上分辨出信號(hào)的變化情況，而這些變化可以較好地反映出鉆頭磨損的狀態(tài)，因此時(shí)域特征被廣泛應(yīng)用于故障信號(hào)的特征提取。

時(shí)域特征指標(biāo)包括有量綱指標(biāo)和無量綱指標(biāo)。相對(duì)于有量綱指標(biāo)來說，無量綱指標(biāo)無需考慮相對(duì)標(biāo)準(zhǔn)值，不受信號(hào)絕對(duì)水平的影響，并在故障診斷中表現(xiàn)出較好的效果。

本文首先對(duì)去噪后的近鉆頭振動(dòng)信號(hào)提取6個(gè)時(shí)域無量綱特征指標(biāo)，如表1所示。

表1 無量綱指標(biāo)Table 1 Dimensionless indexes

1.3.2 熵特征

熵是代表系統(tǒng)不確定性程度的一種評(píng)價(jià)方法，已逐漸應(yīng)用于故障診斷問題。本文考慮不同鉆頭磨損狀態(tài)下的能量特征以及近鉆頭振動(dòng)信號(hào)的復(fù)雜性與混亂程度，決定使用能量熵、排列熵[9-10]作為鉆頭磨損程度的特征量。

能量熵H的計(jì)算過程如下：

(12)

(13)

式中：pi為第i個(gè)元素在總能量中占比，pi=Ei/E。

排列熵的表達(dá)式如下：

(14)

重構(gòu)符號(hào)序列：

(15)

式中：m表示嵌入維數(shù)；τ表示延遲參數(shù)。

1.4 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)CNN(Convolutional Neural Networks)是一類包含卷積運(yùn)算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，利用局部感知、權(quán)值共享以及匯聚層來簡化網(wǎng)絡(luò)參數(shù)，使得網(wǎng)絡(luò)具有位移、尺度、非線性形變穩(wěn)定性，近年來在故障診斷領(lǐng)域逐漸得到應(yīng)用[11-14]。

經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)主要由輸入層、卷積層、池化層和輸出層4種網(wǎng)絡(luò)層構(gòu)成，其中隱含層包括卷積層和池化層，如圖1所示。

圖1 卷積神經(jīng)網(wǎng)絡(luò)Fig.1 Convolutional neural network

輸入層將提取的8種鉆頭磨損狀態(tài)特征量組成特征矩陣，作為輸入數(shù)據(jù)寫入神經(jīng)單元。卷積層與池化層則需要選擇合適的激活函數(shù)完成對(duì)數(shù)據(jù)特征的提取及采樣，輸出層用于結(jié)果的輸出或特征的可視化。

鉆頭磨損狀態(tài)監(jiān)測模型的關(guān)鍵是確定卷積層和池化層的結(jié)構(gòu)，本文采用的模型由3個(gè)卷積層和3個(gè)池化層組成。

2 鉆頭磨損狀態(tài)監(jiān)測

基于近鉆頭振動(dòng)數(shù)據(jù)的鉆頭磨損狀態(tài)監(jiān)測，根據(jù)振動(dòng)信號(hào)中包含的鉆頭磨損特征，對(duì)鉆頭輕度磨損、中度磨損、重度磨損等狀態(tài)進(jìn)行監(jiān)測。以下是鉆頭磨損狀態(tài)監(jiān)測的具體步驟(見圖2)。

圖2 鉆頭磨損狀態(tài)監(jiān)測流程圖Fig.2 Workflow of bit wear monitoring

(1)首先選取不同磨損狀態(tài)的振動(dòng)信號(hào)，使用CEEMDAN算法進(jìn)行分解得到IMF分量。

(2)對(duì)得到的IMF分量使用小波軟閾值去噪，并進(jìn)行信號(hào)重構(gòu)，形成去除噪聲的振動(dòng)信號(hào)。

(3)對(duì)去噪后的振動(dòng)信號(hào)提取8個(gè)與鉆頭磨損狀態(tài)相關(guān)的特征量組成磨損特征矩陣。

(4)將特征矩陣作為輸入量輸入到卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行模型訓(xùn)練與測試。

3 試驗(yàn)分析

本文采用的數(shù)據(jù)來自冀東油田某井鉆井過程中的實(shí)測數(shù)據(jù)，測量工具為北京信息科技大學(xué)自主研發(fā)的井下近鉆頭工程參數(shù)測量短節(jié)，如圖3所示。該工具的數(shù)據(jù)采樣頻率為100 Hz，其參數(shù)測量范圍及測量精度如表2所示。

圖3 井下近鉆頭工程參數(shù)測量短節(jié)Fig.3 Downhole near-bit engineering parameter measurement nipple

表2 儀器參數(shù)測量范圍及精度Table 2 Range and accuracy of parameter measurement

試驗(yàn)時(shí)鉆具組合為：?215.9 mm PDC(0.33 m)+430/410(1.11 m)+411/410浮閥(0.50 m)+?172.0 mm無磁鉆鋌(3 m)+?208.0 mm扶正器(1.532 m)+井下近鉆頭工程參數(shù)測量短節(jié)(3.255 m)+?165.0 mm無磁鉆鋌(17.135 m)+411/4A10(1.1 m)+?165.0 mm無磁鉆鋌(27.575 m)+411/410(1.13 m)+?127.0 mm加重鉆桿(197.595 m)。

根據(jù)錄井?dāng)?shù)據(jù)，該井次為正常鉆進(jìn)，使用PDC鉆頭，實(shí)際鉆進(jìn)時(shí)間累計(jì)78 h。根據(jù) IADC 標(biāo)準(zhǔn)，PDC鉆頭切削齒磨損程度分為 8個(gè)等級(jí)，切削齒磨損等級(jí)δBG=0表示鉆頭切削齒無磨損，δBG=8表示鉆頭切削齒完全磨損，如圖4所示。鉆井結(jié)束時(shí)起出鉆頭觀察，鉆頭磨損等級(jí)為6。

圖4 PDC鉆頭切削齒磨損等級(jí)示意圖Fig.4 Schematic cutter wear grading of PDC bit

為有利于后續(xù)磨損狀態(tài)識(shí)別，本文將鉆頭磨損等級(jí)0、1、2定義為輕度磨損，3、4、5定義為中度磨損，6、7、8定義為重度磨損。

觀察井下多參數(shù)測量短節(jié)測得的數(shù)據(jù)發(fā)現(xiàn)，不同鉆頭磨損狀態(tài)下的鉆壓、扭矩、溫度、壓力、Z軸振動(dòng)等數(shù)據(jù)無較大差別，而X、Y軸振動(dòng)數(shù)據(jù)有較大區(qū)分度。因此本文選取輕度磨損、中度磨損、重度磨損時(shí)期的近鉆頭X軸振動(dòng)數(shù)據(jù)各10 000組進(jìn)行分析。

本文僅對(duì)中度磨損振動(dòng)信號(hào)的處理過程進(jìn)行論述。首先利用CEEMDAN算法對(duì)振動(dòng)信號(hào)進(jìn)行分解，取前7個(gè)IMF分量，分解圖如圖5所示。由圖5發(fā)現(xiàn)：前4個(gè)IMF分量仍包含較多干擾信息，不利于鉆頭磨損特征提取，故對(duì)其進(jìn)行小波軟閾值去噪處理，將處理后的IMF分量與剩余IMF分量進(jìn)行信號(hào)重構(gòu)，形成去噪后的振動(dòng)信號(hào)。

圖5 中度磨損振動(dòng)信號(hào)CEEMDAN分解圖Fig.5 CEEMDAN decomposition diagram of moderate wear vibration signal

圖6為中度磨損信號(hào)去噪效果對(duì)比圖。由圖6b可知，使用CEEMDAN去噪取得了較好的效果，相比原始信號(hào)(圖6a)已經(jīng)去掉了大多數(shù)無用信號(hào)，但仍然存在較多干擾信號(hào)；而使用CEEMDAN+小波軟閾值去噪(圖6c)，雖然在某些峰值處出現(xiàn)失真現(xiàn)象，但總體的去噪效果要明顯好于僅使用CEEMDAN去噪的信號(hào)。

圖6 中度磨損信號(hào)去噪效果對(duì)比圖Fig.6 Denoising effect of moderate wear signals

對(duì)使用CEEMDAN+小波軟閾值去噪后的振動(dòng)信號(hào)進(jìn)行特征提取，提取包括6個(gè)無量綱的時(shí)域指標(biāo)和2個(gè)熵特征在內(nèi)的8個(gè)特征量，輸入到卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練與識(shí)別。

選取3種磨損狀態(tài)各10 000個(gè)近鉆頭X軸振動(dòng)數(shù)據(jù)組成訓(xùn)練集，另選取其他井次三種磨損狀態(tài)各5 000個(gè)數(shù)據(jù)組成測試集，模型訓(xùn)練與測試過程如圖7所示。

圖7 CNN模型訓(xùn)練與測試過程Fig.7 CNN model training and testing process

從圖7可以看出，卷積神經(jīng)網(wǎng)絡(luò)的擬合情況較好，識(shí)別準(zhǔn)確率較高。整個(gè)訓(xùn)練集訓(xùn)練了200輪次，在第110輪時(shí)，模型的精度上升到了0.900；在第150輪時(shí)，模型精度達(dá)到了0.930；之后保持穩(wěn)定，總體的模型精度保持在0.923左右。該結(jié)果代表使用卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練出來的鉆頭磨損狀態(tài)監(jiān)測模型可以很好地識(shí)別鉆頭磨損的狀態(tài)。

圖8為模型訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)的誤差收斂曲線。由圖8可以看出，隨著訓(xùn)練次數(shù)的增加誤差開始減小，在訓(xùn)練次數(shù)達(dá)到110輪時(shí)，誤差趨于一個(gè)較小的值且保持穩(wěn)定，表明模型已訓(xùn)練至收斂。

圖8 模型訓(xùn)練誤差收斂曲線Fig.8 Model training error convergence curve

對(duì)原始信號(hào)、CEEMDAN去噪后的信號(hào)以及CEEMDAN+小波軟閾值去噪后的信號(hào)分別進(jìn)行特征提取，輸入到CNN中訓(xùn)練模型，對(duì)比訓(xùn)練后的模型精度，結(jié)果如圖9所示。由圖9可以看出，CEEMDAN+小波軟閾值去噪的處理方法相較于CEEMDAN去噪方法，更有利于鉆頭磨損特征量的提取，從而大幅度提高鉆頭磨損狀態(tài)監(jiān)測模型的精度。

圖9 不同去噪方法的模型精度對(duì)比Fig.9 Model accuracies of different denoising methods

本文建立的鉆頭磨損狀態(tài)監(jiān)測模型相對(duì)于定性分析和定量計(jì)算的鉆頭磨損監(jiān)測方法，較大地降低了監(jiān)測相對(duì)誤差，具有較好的實(shí)時(shí)性和準(zhǔn)確性，為鉆頭磨損狀態(tài)監(jiān)測提供了新的思路。

4 結(jié) 論

(1)基于CEEMDAN-CNN的鉆頭磨損狀態(tài)監(jiān)測模型使用小波軟閾值對(duì)CEEMDAN算法進(jìn)行改進(jìn)，達(dá)到了很好地去噪效果，提高了不同磨損狀態(tài)樣本之間的特征區(qū)分度。

(2)使用卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型，平均識(shí)別準(zhǔn)確率達(dá)到0.923，可以很好地監(jiān)測鉆頭磨損狀態(tài)。

(3)該模型將近鉆頭數(shù)據(jù)與機(jī)器學(xué)習(xí)算法相結(jié)合，提供了鉆頭磨損狀態(tài)監(jiān)測新思路，從而降低由鉆頭嚴(yán)重磨損導(dǎo)致安全事故發(fā)生的概率。