CN103792155B - 基于惯性测量参数的钻头磨损预测方法 - Google Patents

Abstract

在钻井、钻探和钻孔中，钻头会有磨损，对钻速和轴压、轴的支撑和密封都会有影响，设计基于惯性测量参数的多维时间序列相似性度量的磨损预测方法：把采集的信号处理后取平均，采用多参数ARMA模型把多维时间序列转为一维时间序列；新钻头信号经过处理后作为第1数据段，计算第数据段与第1段数据的欧氏距离，判断磨损的程度；递推计算第数据段与第

Description

基于惯性测量参数的钻头磨损预测方法

技术领域

本发明涉及惯性随钻测量领域，特别是在钻井、钻探和钻孔中的钻头磨损预测方法。

技术背景

在钻井、钻探和钻孔中，钻头在钻进过程中会磨损，如果钻头均匀磨损，对钻进速度和轴压会有影响，如果不均匀磨损，钻头在转动中有摆动，产生扭转振动加速度和侧向振动加速度，甚至回旋振动加速度，对轴的支撑和密封都会有影响，甚至损坏切削机构，还会导致钻头不平衡和外力矩不平衡，产生进动角速度，加速损坏，直至发生钻井事故，因此要实时预测钻头磨损情况，来决定是否更换钻头。

钻头在磨损的时候自身力不平衡和不规则外力作用下，导致其钻头振动加速度，其振动信号中包括磨损产生的振动加速度、外界激励产生的振动加速度和不同地质因素产生的振动加速度等，信号频率范围宽，持续时间短，具有一定的混沌性和随机性，信号特征没有那么明显，并且属于弱信号，由于每种滤波或分解方法都是有一定使用条件的，很难真实提取由磨损产生的振动信号，因此完全靠振动信号来预测磨损有可能是不准确的。

还有国外提出的采用钻速方程和测井数据计算机械比能、岩石抗压强度及钻头磨损等级和基于可控性钻井参数(钻压、转速、排量、钻头工作时间等)的钻头磨损预测；还有人提出磨损与钻压、转速和轴载之间的关系来确定，这些钻头磨损预测方法有个问题是很多参数无法准确测量，或者无法测量。

随着惯性技术在随钻测量中的应用，设计基于加速度、角速度、速度和进动的多维时间序列相似性度量的磨损预测方法。

发明内容

本发明的目的在于提出一种基于惯性测量参数的钻头磨损预测方法，把惯性导航技术与钻头测量技术结合在一起，对钻头的磨损程度及位置进行预测，实现及时预警。

为了实现上述目的，设计惯性随钻测量***，对陀螺仪输出的角速度和加速度计输出加速度的进行信号处理和解算，得到加速度、角速度、速度信息。钻头磨损时会引起钻进速度、加速度、角速度等一系列的变化，还会导致自身力矩和外力矩会不平衡，造成钻头进动，在充分利用惯性测量单元提供的测量参数，设计基于钻速、加速度、角速度和进动的多维时间序列相似性度量的磨损预测方法。

惯性随钻测量***包括信号采集模块、信号处理与预测模块和传输模块三部分。

信号采集模块包括三轴加速计、三轴陀螺仪、温度传感器和放大部分。考虑钻头所处的环境特别恶劣，需提高抗冲击能力和减小体积，传感器均采用MEMS固态传感器。

三轴加速度计用以测量钻头的三个轴向上的加速度信号，三轴陀螺仪用以测量钻头的三个轴向上的角速度，温度计用于陀螺仪和加速度计的温度补偿。

信号处理与预测模块的功能包括信号处理和磨损预测。

信号处理：钻头的加速度和角速度信号进行温度补偿，进行小波滤波处理，然后通过加速度的积分得到速度信号和位置信号。

所述的磨损预测——基于加速度、角速度、速度和进动的多维时间序列相似性度量的磨损预测方法：把采集到的加速度信号、角速度信号和速度信号，每采集长度数据为一段，取平均，来消除偶然误差。

对信号进行平稳性检验后，考虑加速度、角速度和速度时间序列之间的关联性，建立滑动自回归模型，进行模型参数估计和误差检验，把多维的时间序列转为一维时间序列。

把钻头磨损分为四个程度——新钻头、初期磨损、一般磨损和严重磨损，在钻探开始时采集的信号，即新钻头信号，逐渐可能会出现初期磨损信号，一般磨损信号和严重磨损信号。

把新钻头信号经过平均和模型处理后，作为数据标准段，即第1数据段，后期采集的数据也经过平均和模型处理后，分成不同数据段，计算第数据段与第1段数据的欧氏距离，来判断磨损的程度，如果很小，说明两数据段很相似，即磨损很小；如果很大，相似性差别就越大，说明磨损程度越大。

把进行归一化处理，设置磨损程度区间范围。

磨损规律的预测：递推计算第数据段与第数据段的欧氏距离，进行度量磨损的相似性，采用指数函数，最小二乘法估计参数，拟合磨损程度变化曲线，进而推出磨损规律。

如果变化很微小，自动加大两数据段的间距，即，递推计算第数据段与第数据段的欧氏距离，进行度量磨损的相似性，采用指数函数进行数据拟合变化曲线，进而推出磨损变化规律。

结合位置信号和磨损变化，可预测那些地方磨损钻头厉害。

钻头的磨损有两种情况，一种是均匀磨损，一种不均匀磨损。

钻头不均匀磨损，自身力矩和外力矩都是不平衡的，根据旋转的钻头具有陀螺的特性——进动性，钻头产生进动，根据进动角速度计算磨损的角位置。

以钻头纵轴轴向方向为X轴，Y轴垂直齿平面，Z方向按右手法则确定，建立钻头坐标系。

设置惯性随钻测量***的坐标***与钻头坐标系一致，在不发生进动的时候，钻头转速即为绕X轴的角速度；在不均匀磨损时，磨损的地方质量减少，虽然造成自身平衡不大，但会引起外力矩不平衡，产生绕Y轴和Z轴的角速度和，根据进度角速度计算磨损的角位置，设与Y轴的角度，，即。

将原始数据和预处理数据送到光纤传输接口。

最后通过传输模块传输。

本发明的优点在于，⑴考虑加速度、角速度、速度和进动参数，要比单采用振动加速度信号预测磨损要好；⑵利用了磨损时的钻头进动特性，可测量磨损的角位置；⑶该方法简单易于实现；⑷不用附加其他传感器，惯性随钻测量***提供全部需要的参数。

附图说明

图1为本发明的惯性随钻测量***结构图；

图2为本发明的钻头坐标系；

图3为本发明的磨损预测方法流程图。

具体实施方式

以下结合附图说明本发明的具体实施方式。

如图1所示，惯性随钻测量***包括信号采集模块、信号处理与预测模块和传输模块。

信号采集模块采用集成模块GY-9150，芯片内置16bitAD转换器，16位数据输出(磁场13位)，直接数字IIC接口，陀螺仪测量范围可调：±250、±500、±1000和±2000^ｏ/s，加速度测量范围：±2、±4、±8、±16g。加速度计最大测量精度为0.06mg，陀螺仪最大测量精度为0.008^ｏ/s，磁强计测量精度为0.02uT，内置了MEMS温度传感器，很高的热稳定性(易于温度补偿)和紧密的偏移量容限，可抗10000g的冲击抗振(避免钻头钻到岩石等坚硬的物体上使传感器损坏)，噪声非常低(测量的信号为真实的信号)、价格低，功耗低和体积小(4mm×4mm×1.5mm)。

数据处理预测模块采用基于TMS320C6713核心处理芯片，实现惯性随钻测量***的信号处理和钻头磨损预测。

对信号采集模块和信号处理与预测模块喷上一层隔热材涂料，降低环境温度对陀螺仪和加速度计的影响；另外使用黏合剂加固采集模块和处理与预测模块电路，提高抗振能力和可靠性。

传输模块采用耐温光纤双向通信。

对于信号处理，首先***初始化，包括钻头运动数据(速度、位置和方位角)、设置惯性坐标系和钻头动坐标系；通过加速度计实时测量钻头的运动加速度，采用内置的温度计输出的温度进行数据温度补偿，采用小波变换去除常值偏差；通过加速度积分得到速度和位置。

由加速度、角速度和速度构成时间序列数据本身具有高维性、复杂性、动态性、高噪声以及容易达到大规模的特性，而且只能使用数据矩阵来表达一个多维时间序列，不能使用一个向量表示在空间中，计算量十分巨大，难以实现。如果分别采用加速度、角度和速度的单个维度上进行时间序列的相似性累加，来测量其相似性，这样就忽略了加速度、角速度和速度它们之间的相关性，会导致相似性不准。基于这些因素考虑，设计一种预测方法，如图3。

把采集的加速度信号、角速度信号、速度信号，每采集长度数据为一段，取平均，，，，其中，为第数据段加速度信号，为第数据段角速度信号，为第数据段速度信号，消除偶然误差。

对信号进行平稳性检验后，考虑加速度、角速度和速度时间序列之间的关联性，根据滑动自回归模型建立，进行模型参数估计和误差检验，把多维的时间序列转为一维时间序列，其中为转化后的一维时间序列，表示为第数据段，为第数据段的第1，第2，第个数据，其通过ARMA模型把多维时间序列转为一维时间序列的步骤为：

1)根据时间序列的自相关函数和偏自相关函数对序列的平稳性进行识别，如果数据序列是非平稳的，对数据进行差分处理，直到处理后的数据的自相关函数值和偏相关函数值无显著地异于零；

2)根据时间序列模型的识别规则，建立模型：钻头在钻进过程中加速度、角速度和速度时间序列之间的关联性，转化为一维时间序列：把加速度、角速度和速度乘以相应的系数，为了便于说明转换步骤，在公式先不乘以系数，则

其中为多维时间序列数据，为模型参数，为误差项；3)辨识模型阶数采用准则，计算函数为：，其中为模型的阶数，，为残差方差；取不同的值代入公式计算，可得出一组函数值，使函数值取极小时的值，即为ARMA模型的最优阶数；4)确定阶数后进行数据拟合，获得参数和；5)最后进行模型适用性检验，即模型的值较小是合理的。

把钻头磨损分为四个程度：新钻头、初期磨损、一般磨损和严重磨损，在钻探开始时采集到的信号，即新钻头信号，逐渐可能会出现初期磨损信号，一般磨损信号和严重磨损信号。在现实钻探中，钻头可能只会出现初期磨损磨损的程度，也可能会出现一般磨损程度，甚至严重磨损程度。还会出现一种情况，钻头下去就坏了，就不用测量磨损程度了，这时说明根本不适合这种类型的钻头。

把新钻头信号经过平均和模型处理后，作为数据标准段，即第1数据段，后期采集的数据也经过平均和模型处理后，分成不同数据段，计算第数据段与第1段数据的欧氏距离，来判断磨损的程度，如果很小，说明两数据段很相似，即磨损很小；如果很大，相似性差别就越大，说明磨损程度越大。

把进行归一化处理，为初期磨损，为一般磨损，为严重磨损。

磨损规律的预测：递推计算第数据段与第数据段的欧氏距离，进行度量磨损的相似性，采用指数函数，最小二乘法估计参数，拟合磨损程度变化曲线，进而推出磨损的规律。

如果变化很微小，自动加大两数据段的间距，即，递推计算第数据段与第数据段的欧氏距离，进行度量磨损的相似性，采用指数函数进行数据拟合，进而推出磨损变化的规律。

结合位置和磨损变化，可预测那些地方磨损钻头厉害。

钻头的磨损有两种情况，一种是均匀磨损，一种不均匀磨损。

钻头不均匀磨损，自身力矩和外力矩都是不平衡的，根据旋转的钻头具有陀螺的特性——进动性，钻头发生进动，根据进动角速度计算磨损的角位置。

如图2所示，以钻头纵轴轴向方向为X轴，Y轴垂直齿平面，Z方向按右手法则确定，建立钻头坐标系。

设置惯性随钻测量***的坐标***与钻头坐标系一致，在不发生进动的时候，钻头转速即为绕X轴的角速度；在不均匀磨损时，磨损的地方质量减少，虽然造成自身平衡不大，但会引起外力矩不平衡，产生绕Y轴和Z轴的角速度和，根据进度角速度计算磨损的角位置，设与Y轴的角度，，即。

最后说明的是以上实施案例仅用于说明本发明的技术方案而非限制，可以对本发明进行修改或更换，而不脱离本技术方案的范围，其均应涵盖在本发明的权利要求范围当中。

Claims (4)

1.基于惯性测量参数的钻头磨损预测方法，其特征在于所述磨损预测方法包括如下步骤：

1)随钻测量***初始化；

2)采集加速度信号、角速度信号、速度信号，每采集长度数据为一段，取平均来消除偶然误差；

3)根据滑动自回归模型建立，进行模型参数估计和误差检验，把多维的时间序列转为一维时间序列，其中为不同的数据段，为第数据段的第1，第2，第个数据；

4)计算不同数据段与第1段数据的欧氏距离，来判断磨损的程度；

5)递推计算第数据段与第数据段的欧氏距离，进行度量磨损的相似性，采用指数函数推出磨损的规律；

6)结合位置和磨损变化，预测那些地方钻头磨损厉害；

7)钻头不均匀磨损时，自身力矩和外力矩都是不平衡的，根据旋转的钻头具有陀螺的特性——进动性，钻头发生进动，根据进动角速度计算磨损的角位置。

2.根据权利要求1所述的基于惯性测量参数的钻头磨损预测方法，其特征在于所述的步骤4)判断磨损程度的步骤：

a)把钻头磨损分为四个程度：新钻头、初期磨损、一般磨损和严重磨损，在钻探开始时采集到的信号，即新钻头信号，逐渐可能会出现初期磨损信号，一般磨损信号和严重磨损信号；

b)把新钻头信号作为数据标准段，即第1数据段，后期采集的数据也经过平均和模型处理后，分成不同数据段，计算第数据段与第1段数据的欧氏距离，来判断磨损的程度，如果很小，说明两数据段很相似，即磨损很小；如果很大，相似性差别就越大，说明磨损程度越大；

c)把进行归一化处理，为初期磨损，为一般磨损，为严重磨损。

3.根据权利要求1所述的基于惯性测量参数的钻头磨损预测方法，其特征在于所述的步骤5)推出磨损规律的步骤：

a)递推计算第数据段与第数据段的欧氏距离 ，进行度量磨损的相似性，采用指数函数，最小二乘法估计参数，拟合磨损程度变化曲线，进而推出磨损的规律；

b)如果变化很微小，自动加大两数据段的间距，即，递推计算第数据段与第数据段的欧氏距离，进行度量磨损的相似性，采用指数函数进行数据拟合，进而推出磨损变化的规律。

4.根据权利要求1所述的基于惯性测量参数的钻头磨损预测方法，其特征在于所述的步骤7)在不均匀磨损时，磨损的地方质量减少，虽然造成自身平衡不大，但会引起外力矩不平衡，产生绕Y轴和Z轴的角速度和，根据进度角速度计算磨损的角位置，设与Y轴的角度，，即。