CN117189071A - 岩心钻探钻机运行的自动化控制方法 - Google Patents
岩心钻探钻机运行的自动化控制方法 Download PDFInfo
- Publication number
- CN117189071A CN117189071A CN202311467326.0A CN202311467326A CN117189071A CN 117189071 A CN117189071 A CN 117189071A CN 202311467326 A CN202311467326 A CN 202311467326A CN 117189071 A CN117189071 A CN 117189071A
- Authority
- CN
- China
- Prior art keywords
- training
- time sequence
- feature
- autocorrelation
- parameter
- 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
- 238000005553 drilling Methods 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 58
- 239000011159 matrix material Substances 0.000 claims abstract description 44
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 230000002787 reinforcement Effects 0.000 claims abstract description 15
- 238000003062 neural network model Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 107
- 238000005728 strengthening Methods 0.000 claims description 36
- 238000010586 diagram Methods 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 24
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 10
- 230000000750 progressive effect Effects 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000003014 reinforcing effect Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 15
- 238000009826 distribution Methods 0.000 description 11
- 238000011176 pooling Methods 0.000 description 9
- 230000002159 abnormal effect Effects 0.000 description 8
- 230000001174 ascending effect Effects 0.000 description 8
- 239000000284 extract Substances 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000005299 abrasion Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000013021 overheating Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 239000000306 component Substances 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000001012 protector Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Landscapes
- Earth Drilling (AREA)
Abstract
公开了一种岩心钻探钻机运行的自动化控制方法。其首先获取钻头在预定时间段内多个预定时间点的转速值、压力值、温度值和振动幅度值,接着,将所述多个预定时间点的转速值、压力值、温度值和振动幅度值按照时间维度和样本维度排列为多参数时序协同矩阵,然后,通过基于深度神经网络模型的参数协同时序特征提取器对所述多参数时序协同矩阵进行特征提取以得到多参数时序协同特征图,接着,对所述多参数时序协同特征图进行自相关关联强化分析以得到自相关强化多参数时序协同特征,最后,基于所述自相关强化多参数时序协同特征,确定钻头的工作状态是否正常,并确定是否暂停钻孔。这样,可以提升岩心钻探钻机运行的安全性和可靠性。
Description
技术领域
本申请涉及岩心钻探钻机领域,且更为具体地,涉及一种岩心钻探钻机运行的自动化控制方法。
背景技术
岩心钻探钻机是一种用于地质勘探的设备,通过旋转钻头和施加压力来钻取地下岩石样本。然而,传统的钻机操作需要施工人员登高上塔,进行钻具的提升、加减和取心等操作,这种操作方式存在一定的风险,如高空作业可能导致人员坠落,造成严重的伤害甚至生命危险。同时,施工人员需要在高处进行钻具的提升、加减和取心等操作,这些操作繁琐且容易出错,智能化程度较低。并且,操作人员需要身系安全绳、腰挂防坠器等安全设备,增加了工作的复杂性和不便利性,操作人员需要花费大量时间和精力在上下塔和操作过程中,导致施工进度缓慢,影响工程的整体效率。
因此,期望一种岩心钻探钻机运行的自动化控制方案。
发明内容
有鉴于此,本申请提出了一种岩心钻探钻机运行的自动化控制方法,其可以实时监测钻机的工作状态,并根据预设的条件自动停止钻机的运行,从而减少施工人员登高操作的次数,降低安全风险。
根据本申请的一方面,提供了一种岩心钻探钻机运行的自动化控制方法,其包括:获取钻头在预定时间段内多个预定时间点的转速值、压力值、温度值和振动幅度值;将所述多个预定时间点的转速值、压力值、温度值和振动幅度值按照时间维度和样本维度排列为多参数时序协同矩阵;通过基于深度神经网络模型的参数协同时序特征提取器对所述多参数时序协同矩阵进行特征提取以得到多参数时序协同特征图;对所述多参数时序协同特征图进行自相关关联强化分析以得到自相关强化多参数时序协同特征;以及基于所述自相关强化多参数时序协同特征,确定钻头的工作状态是否正常,并确定是否暂停钻孔。
与现有技术相比,本申请提供的一种岩心钻探钻机运行的自动化控制方法,其通过传感器组实时监测采集钻头的工作状态参数数据,并在后端引入数据处理和分析算法来进行这些钻头工作状态参数数据的时序协同分析,以此来进行钻头的工作状态检测,并且当检测到钻头出现异常情况,控制器会自动停止钻头的运行,并发出报警信号。通过这样的方式,能够实时监测钻机的工作状态,并根据预设的条件自动停止钻机的运行,从而减少施工人员登高操作的次数,降低安全风险。
根据下面参考附图对示例性实施例的详细说明,本申请的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本申请的示例性实施例、特征和方面,并且用于解释本申请的原理。
图1示出根据本申请的实施例的岩心钻探钻机运行的自动化控制方法的流程图。
图2示出根据本申请的实施例的岩心钻探钻机运行的自动化控制方法的架构示意图。
图3示出根据本申请的实施例的岩心钻探钻机运行的自动化控制方法的子步骤S150的流程图。
图4示出根据本申请的实施例的岩心钻探钻机运行的自动化控制***的框图。
图5示出根据本申请的实施例的岩心钻探钻机运行的自动化控制方法的应用场景图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本申请的部分实施例,而不是全部的实施例。基于本申请实施例,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,也属于本申请保护的范围。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
以下将参考附图详细说明本申请的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
另外,为了更好的说明本申请,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本申请同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本申请的主旨。
在本申请的技术方案中,提出了一种岩心钻探钻机运行的自动化控制方法,其可以在不需要人员登高的情况下,快速、安全地将钻具从井口拆卸下来。具体来说,该方法包括以下步骤:1. 在井口安装一个可旋转的卡环,该卡环可以固定或释放钻具的上端;2. 将钻具的上端***卡环中,使卡环与钻具紧密连接;3. 启动卡环的旋转机构,使卡环沿着钻具的轴线旋转,从而将钻具的上端拧下来;4. 当钻具的上端完全脱离卡环时,停止卡环的旋转,并将卡环移开;5. 用吊车将钻具的上端吊起,并移至安全区域;6. 重复步骤2-5,直到将所有钻具拆卸完毕。
相应地,考虑到上述方案虽然可以在不需要人员登高的情况下,快速、安全地将钻具从井口自动拆卸下来,以完成岩心钻探钻机的自动化控制,避免传统方案人工登高引起的安全问题,但是钻进过程中还可能会出现一些异常情况,如钻头卡住、过热、磨损等,这些情况可能会导致设备损坏或操作人员受伤。因此,及时检测和处理这些异常情况对于保证钻机的正常运行和操作人员的安全非常重要。但是,传统的人工登高检测的方式存在着诸多问题,不仅效率较低且存在安全隐患,同时难以及时发现钻机的运行异常,使得***的安全性和可靠性难以得到保证。
针对上述技术问题,本申请的技术构思为通过传感器组实时监测采集钻头的工作状态参数数据,例如转速值、压力值、温度值和振动幅度值,并在后端引入数据处理和分析算法来进行这些钻头工作状态参数数据的时序协同分析,以此来进行钻头的工作状态检测,并且当检测到钻头出现异常情况,如钻头卡住、过热、磨损等,控制器会自动停止钻头的运行,并发出报警信号。通过这样的方式,能够实时监测钻机的工作状态,并根据预设的条件自动停止钻机的运行,从而减少施工人员登高操作的次数,降低安全风险。
图1示出根据本申请的实施例的岩心钻探钻机运行的自动化控制方法的流程图。图2示出根据本申请的实施例的岩心钻探钻机运行的自动化控制方法的架构示意图。如图1和图2所示,根据本申请实施例的岩心钻探钻机运行的自动化控制方法,包括步骤:S110,获取钻头在预定时间段内多个预定时间点的转速值、压力值、温度值和振动幅度值;S120,将所述多个预定时间点的转速值、压力值、温度值和振动幅度值按照时间维度和样本维度排列为多参数时序协同矩阵;S130,通过基于深度神经网络模型的参数协同时序特征提取器对所述多参数时序协同矩阵进行特征提取以得到多参数时序协同特征图;S140,对所述多参数时序协同特征图进行自相关关联强化分析以得到自相关强化多参数时序协同特征;以及,S150,基于所述自相关强化多参数时序协同特征,确定钻头的工作状态是否正常,并确定是否暂停钻孔。应可以理解,步骤S110的目的是通过传感器或其他监测设备获取钻头在多个预定时间点上的转速、压力、温度和振动幅度等参数值,这些参数值反映了钻头的工作状态和性能,是后续步骤进行分析和控制的基础数据。步骤S120将从S110中获取的参数值按照时间维度和样本维度进行排列,形成一个多参数时序协同矩阵,这样的排列方式可以保留时序数据的时序关系,并将不同参数的值组合在一起,为后续步骤的特征提取和分析提供输入。步骤S130使用基于深度神经网络模型的参数协同时序特征提取器对多参数时序协同矩阵进行处理,提取出其中的特征信息以得到多参数时序协同特征图,这些特征可以包括时序数据中的模式、趋势和关联等,用于捕捉钻头工作状态的特征表示。步骤S140通过自相关关联强化分析对多参数时序协同特征图进行处理,增强特征之间的相关性并提取时序协同信息,自相关关联强化可以捕捉到特征之间的时序关系和相互影响,提高特征的表达能力和钻头工作状态的判别能力。步骤S150利用经过特征提取和自相关关联强化的多参数时序协同特征来判断钻头的工作状态是否正常,通过设定一定的阈值或使用分类器等方法,可以根据自相关强化多参数时序协同特征图的特征值来判断钻头是否处于正常状态,如果检测到异常或故障,可以触发相应的控制动作,如暂停钻孔操作。
具体地,在本申请的技术方案中,首先,获取钻头在预定时间段内多个预定时间点的转速值、压力值、温度值和振动幅度值。接着,考虑到钻头的运行状态参数,如所述转速值、所述压力值、所述温度值和所述振动幅度值在时间维度上都具有着时序的动态变化规律,并且这些钻头的运行状态参数之间还具有着时序的协同关联关系,这种钻头运行状态参数时序协同关联特征对于钻头的工作状态检测具有重要意义。因此,在本申请的技术方案中,为了能够对于所述转速值、所述压力值、所述温度值和所述振动幅度值进行时序协同分析,需要将所述多个预定时间点的转速值、压力值、温度值和振动幅度值按照时间维度和样本维度排列为多参数时序协同矩阵,以此来整合所述转速值、所述压力值、所述温度值和所述振动幅度值在时间维度和样本维度上的分布信息。
然后,使用在隐含关联特征提取方面具有优异表现性能的基于深度神经网络模型的参数协同时序特征提取器对所述多参数时序协同矩阵进行特征挖掘,以提取出所述多参数时序协同矩阵中有关于所述转速值、所述压力值、所述温度值和所述振动幅度值之间的时序协同关联特征分布信息,有利于后续对于钻头的工作状态进行异常检测。
相应地,在步骤S130中,所述深度神经网络模型为卷积神经网络模型。值得一提的是,卷积神经网络(Convolutional Neural Network,CNN)是一种深度学***均池化(Average Pooling)。4.全连接层(FullyConnected Layer):全连接层将池化层的输出连接到一个或多个神经元上,用于进行最终的分类或回归。全连接层通常是多层感知机(Multilayer Perceptron)结构。在训练CNN时,通常使用反向传播算法来更新网络中的权重,以最小化预测输出与真实标签之间的差距。此外,为了防止过拟合,常常使用正则化技术(如L2正则化)和数据增强(DataAugmentation)来增加训练数据的多样性。总体而言,卷积神经网络通过层层堆叠的卷积操作和池化操作来提取输入数据的特征,并通过全连接层进行最终的分类或回归预测。这种结构使得CNN在处理图像等网格结构数据时具有出色的性能和表达能力。
进一步地,在岩心钻探钻机运行的自动化控制方法中,考虑到钻头的工作状态参数之间具有着一定的关联性,也就是说,所述转速值、所述压力值、所述温度值和所述振动幅度值之间具有着时序的协同关联特征,通过利用这种关联性特征,可以进一步提取出更有意义的钻头工作状态特征信息,从而更好地理解和检测钻头的工作状态异常。因此,为了能够更好地捕捉钻机工作状态的特征模式和变化趋势,在本申请的技术方案中,进一步将所述多参数时序协同特征图通过特征自相关关联强化模块以得到自相关强化多参数时序协同特征图。应可以理解,所述特征自相关关联强化模块能够通过对多参数时序协同特征图进行自相关操作,进一步强化这些钻头工作状态参数时序特征之间的相关性。通过自相关操作,可以突出多参数时序协同特征图中有关于钻头工作过程中相关状态参数的时序重要特征,减少噪声和冗余信息的影响,提高特征的表达能力和区分度,使得异常模式更加明显和可识别。
相应地,在步骤S140中,对所述多参数时序协同特征图进行自相关关联强化分析以得到自相关强化多参数时序协同特征,包括:将所述多参数时序协同特征图通过特征自相关关联强化模块以得到自相关强化多参数时序协同特征图作为所述自相关强化多参数时序协同特征。
值得一提的是,多参数时序协同特征图通过特征自相关关联强化模块以得到自相关强化多参数时序协同特征图这一过程,主要是指通过特征自相关关联强化模块对多参数时序协同特征图进行处理,得到自相关强化多参数时序协同特征图。这个过程的目的是增强特征之间的相关性,并提取更丰富的时序协同信息。通过特征自相关关联,可以捕捉到特征之间的时序关系和相互影响,进而提高模型对时序数据的理解和建模能力。自相关强化多参数时序协同特征图在时序数据分析和建模任务中具有重要的作用。以下是一些应用场景和用途:1.时序数据建模:在时序预测、行为识别、动作识别等任务中,自相关强化多参数时序协同特征图可以提供更准确的特征表示,从而改善模型的预测性能。2.时序数据分析:对于时序数据的分析,自相关强化多参数时序协同特征图可以帮助发现数据中的长期依赖和相关模式,从而提供更深入的洞察和分析。3.时序数据可视化:通过将自相关强化多参数时序协同特征图可视化,可以更直观地展示时序数据中的关联和模式,帮助人们理解数据的演化和变化趋势。换言之,自相关强化多参数时序协同特征图能够提供更丰富的时序关联信息,对于时序数据的建模、分析和可视化具有重要作用。这种特征表示可以帮助改善模型的性能,并提供更深入的数据理解和洞察。
更具体地,将所述多参数时序协同特征图通过特征自相关关联强化模块以得到自相关强化多参数时序协同特征图作为所述自相关强化多参数时序协同特征,包括:对所述多参数时序协同特征图通过所述特征自相关关联强化模块的第一卷积层以得到第一特征图;将所述第一特征图通过所述特征自相关关联强化模块的第二卷积层以得到第二特征图;将所述第二特征图沿通道维度的各个特征矩阵展开为特征向量以得到第一特征向量的序列;计算所述第一特征向量的序列中的任意两个第一特征向量之间的余弦相似度以得到余弦相似性特征图;将所述余弦相似性特征图通过Softmax函数进行归一化处理以得到归一化余弦相似性特征图;将所述归一化余弦相似性特征图与所述余弦相似性特征图进行按位置点乘以得到相似度映射优化特征图;将所述相似度映射优化特征图通过所述特征自相关关联强化模块的第一反卷积层以得到第一反卷积特征图;计算所述第一反卷积特征图和所述第一特征图的逐元素和以得到第一融合特征图;将所述第一融合特征图通过所述特征自相关关联强化模块的第二反卷积层以得到第二反卷积特征图;以及,计算所述第二反卷积特征图和所述多参数时序协同特征图的逐元素和以得到所述自相关强化多参数时序协同特征图。
继而,再将所述自相关强化多参数时序协同特征图通过分类器以得到分类结果,所述分类结果用于表示钻头的工作状态是否正常。也就是说,通过自相关关联特征强化后的有关于所述钻头的工作状态多参数时序协同关联特征信息来进行分类处理,从而对于钻头的工作状态进行检测,并且当检测到钻头出现异常情况,如钻头卡住、过热、磨损等,控制器会自动停止钻头的运行,并发出报警信号。通过这样的方式,能够实时监测钻机的工作状态,并根据预设的条件自动停止钻机的运行,从而减少施工人员登高操作的次数,降低安全风险。
相应地,如图3所示,基于所述自相关强化多参数时序协同特征,确定钻头的工作状态是否正常,并确定是否暂停钻孔,包括:S151,将所述自相关强化多参数时序协同特征图通过分类器以得到分类结果,所述分类结果用于表示钻头的工作状态是否正常;以及,S152,基于所述分类结果,确定是否暂停钻孔。
应可以理解,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类。逻辑回归、支持向量机等常用于解决二分类问题,对于多分类问题(multi-class classification),同样也可以用逻辑回归或支持向量机,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
进一步地,在本申请的技术方案中,所述的岩心钻探钻机运行的自动化控制方法,其还包括训练步骤:用于对所述基于深度神经网络模型的参数协同时序特征提取器、所述特征自相关关联强化模块和所述分类器进行训练。应可以理解,在岩心钻探钻机运行的自动化控制方法中,训练步骤的目的是对基于卷积神经网络模型的参数进行训练,包括参数协同时序特征提取器、特征自相关关联强化模块和分类器。这些训练步骤的作用如下:1.参数协同时序特征提取器训练:参数协同时序特征提取器是用于从岩心钻探钻机的传感器数据中提取特征的模块。训练参数协同时序特征提取器的目的是通过学习数据中的特征模式,使其能够准确地提取与钻探过程相关的特征。训练可以通过使用已标记的数据样本来进行监督学习,或者使用无监督学习方法进行特征学习。2.特征自相关关联强化模块训练:特征自相关关联强化模块是用于增强特征之间的相关性和提取时序协同信息的模块。训练特征自相关关联强化模块的目的是通过学习特征之间的相关性模式,使其能够更好地捕捉时序数据中的时序关系和相互影响。训练可以通过使用已标记的数据样本来进行监督学习,或者使用无监督学习方法进行特征关联学习。3.分类器训练:分类器是用于对岩心钻探钻机的状态或行为进行分类的模块。训练分类器的目的是通过学习已标记的数据样本,使其能够准确地将输入特征映射到相应的类别或标签。分类器的训练可以使用监督学习方法,通过最小化预测输出与真实标签之间的差距来更新分类器的权重。通过对这些模块进行训练,岩心钻探钻机的自动化控制***可以学习到从传感器数据中提取有用特征、增强特征相关性以及进行准确分类的能力。这样的训练过程可以提高***的性能和鲁棒性,使其能够更好地应对不同的钻探场景和条件,实现更精确和可靠的自动化控制。
在一个示例中,所述训练步骤,包括:获取训练数据,所述训练数据包括钻头在预定时间段内多个预定时间点的训练转速值、训练压力值、训练温度值和训练振动幅度值,以及,所述钻头的工作状态是否正常的真实值;将所述多个预定时间点的训练转速值、训练压力值、训练温度值和训练振动幅度值按照时间维度和样本维度排列为训练多参数时序协同矩阵;将所述训练多参数时序协同矩阵通过所述基于深度神经网络模型的参数协同时序特征提取器以得到训练多参数时序协同特征图;将所述训练多参数时序协同特征图通过所述特征自相关关联强化模块以得到训练自相关强化多参数时序协同特征图;将所述训练自相关强化多参数时序协同特征图通过所述分类器以得到分类损失函数值;以及,基于所述分类损失函数值并通过梯度下降的方向传播来对所述基于深度神经网络模型的参数协同时序特征提取器、所述特征自相关关联强化模块和所述分类器进行训练,其中,在所述训练的每次权重矩阵迭代时,基于所述训练自相关强化多参数时序协同特征图展开后得到的训练自相关强化多参数时序协同特征向量进行权重矩阵的渐进优化。
其中,将所述训练自相关强化多参数时序协同特征图通过所述分类器以得到分类损失函数值,包括:所述分类器以如下训练分类公式对所述训练自相关强化多参数时序协同特征图进行处理以生成训练分类结果;其中,所述训练分类公式为:其中,/>表示将所述训练自相关强化多参数时序协同特征图投影为向量,/>至/>为各层全连接层的权重矩阵,/>至/>表示各层全连接层的偏置矩阵;以及,计算所述训练分类结果与所述真实值之间的交叉熵值作为所述分类损失函数值。
特别地,在本申请的技术方案中,所述训练多参数时序协同特征图的每个特征矩阵表达训练转速值、训练压力值、训练温度值和训练振动幅度值的时序-样本交叉维度局部关联特征,而其各个特征矩阵之间符合所述卷积神经网络模型的通道分布,由此,在进一步通过特征自相关关联强化模块后,可以对于所述训练多参数时序协同特征图的沿通道的特征向量基于时序-样本交叉维度局部关联特征在特征矩阵空间维度上的分布来进行自相关关联强化,从而提升所述训练自相关强化多参数时序协同特征图在通道维度上的特征整体空间分布关联效果,也就是,提升了所述训练自相关强化多参数时序协同特征图的通道维度上的表达效果。
但同时,这也使得所述训练自相关强化多参数时序协同特征图在整体的特征图分布维度上,在特征矩阵内的交叉维度局部关联特征空间分布和特征矩阵间的特征通道分布上均具有分布维度关联密集的特征表示,导致在所述训练自相关强化多参数时序协同特征图通过分类器进行分类回归训练时,所述分类器的权重矩阵的训练效率降低。
基于此,本申请的申请人在将所述训练自相关强化多参数时序协同特征图通过分类器进行分类回归的训练时,基于所述训练自相关强化多参数时序协同特征图展开后得到的训练自相关强化多参数时序协同特征向量进行权重矩阵的渐进优化。
具体地,在一个示例中,在所述训练的每次权重矩阵迭代时,以如下优化公式对基于所述训练自相关强化多参数时序协同特征图展开后得到的训练自相关强化多参数时序协同特征向量进行权重矩阵的渐进优化以得到优化训练自相关强化多参数时序协同特征图;其中,所述优化公式为:其中,/>和/>分别是上次和本次迭代的权重矩阵,其中在首次迭代时,采用不同的初始化策略设置/>和,(例如,/>设置为单位矩阵而/>设置为待分类特征向量的均值对角矩阵),/>是待分类的训练自相关强化多参数时序协同特征向量,/>和/>分别表示特征向量/>和/>的全局均值,且/>是偏置矩阵,例如初始设置为单位矩阵,向量以列向量形式,/>表示向量乘法,/>表示矩阵加法,/>表示按位置点乘,/>表示转置操作,/>表示最大值函数,/>表示所述优化训练自相关强化多参数时序协同特征图展开后得到的优化训练自相关强化多参数时序协同特征矩阵。
也就是,考虑到在进行基于待分类的训练自相关强化多参数时序协同特征向量的密集预测任务时,需要将权重矩阵的高分辨率表示与待分类的训练自相关强化多参数时序协同特征向量/>的特征多维度分布关联上下文进行集成,因此通过在迭代过程中最大化权重空间的分布边界,来基于迭代关联表示资源认知地(resource-aware)实现渐进集成(progressive integrity),从而提高权重矩阵的训练效果,提升模型整体的训练效率。这样,能够自动化进行钻头的工作状态检测,并且当检测到钻头出现异常情况,如钻头卡住、过热、磨损等,控制器会自动停止钻头的运行,并发出报警信号,通过这样的方式,能够实时监测钻机的工作状态,并根据预设的条件自动停止钻机的运行,从而减少施工人员登高操作的次数,降低安全风险。
综上,基于本申请实施例的岩心钻探钻机运行的自动化控制方法,其可以实时监测钻机的工作状态,并根据预设的条件自动停止钻机的运行,从而减少施工人员登高操作的次数,降低安全风险。
图4示出根据本申请的实施例的岩心钻探钻机运行的自动化控制***100的框图。如图4所示,根据本申请实施例的岩心钻探钻机运行的自动化控制***100,包括:数据获取模块110,用于获取钻头在预定时间段内多个预定时间点的转速值、压力值、温度值和振动幅度值;矩阵化模块120,用于将所述多个预定时间点的转速值、压力值、温度值和振动幅度值按照时间维度和样本维度排列为多参数时序协同矩阵;参数协同时序特征提取模块130,用于通过基于深度神经网络模型的参数协同时序特征提取器对所述多参数时序协同矩阵进行特征提取以得到多参数时序协同特征图;强化分析模块140,用于对所述多参数时序协同特征图进行自相关关联强化分析以得到自相关强化多参数时序协同特征;以及,工作状态分析模块150,用于基于所述自相关强化多参数时序协同特征,确定钻头的工作状态是否正常,并确定是否暂停钻孔。
在一种可能的实现方式中,所述深度神经网络模型为卷积神经网络模型。
这里,本领域技术人员可以理解,上述岩心钻探钻机运行的自动化控制***100中的各个单元和模块的具体功能和操作已经在上面参考图1到图3的岩心钻探钻机运行的自动化控制方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的岩心钻探钻机运行的自动化控制***100可以实现在各种无线终端中,例如具有岩心钻探钻机运行的自动化控制算法的服务器等。在一种可能的实现方式中,根据本申请实施例的岩心钻探钻机运行的自动化控制***100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该岩心钻探钻机运行的自动化控制***100可以是该无线终端的操作***中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该岩心钻探钻机运行的自动化控制***100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该岩心钻探钻机运行的自动化控制***100与该无线终端也可以是分立的设备,并且该岩心钻探钻机运行的自动化控制***100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
图5示出根据本申请的实施例的岩心钻探钻机运行的自动化控制方法的应用场景图。如图5所示,在该应用场景中,首先,获取钻头在预定时间段内多个预定时间点的转速值(例如,图5中所示意的D1)、压力值(例如,图5中所示意的D2)、温度值(例如,图5中所示意的D3)和振动幅度值(例如,图5中所示意的D4),然后,将所述多个预定时间点的转速值、压力值、温度值和振动幅度值输入至部署有岩心钻探钻机运行的自动化控制算法的服务器(例如,图5中所示意的S)中,其中,所述服务器能够使用所述岩心钻探钻机运行的自动化控制算法对所述多个预定时间点的转速值、压力值、温度值和振动幅度值进行处理以得到用于表示钻头的工作状态是否正常的分类结果。
应可以理解,本申请的方法及***不需要人员登高,降低了作业风险和劳动强度,提高了退取钻具的效率和质量,减少了作业时间和成本,适用于不同类型和规格的钻具,具有广泛的适用性和通用性。
进一步地,在本申请的另一个示例中,提供了一种岩心钻探钻机运行的自动化控制方法,该方法包括以下步骤:1.通过传感器检测钻机的工作状态,包括钻头的转速、压力、温度、振动等参数,并将数据发送给控制器;2.控制器根据预设的工作模式和参数,对钻机的运行进行实时监控和调节,以保证钻机的安全和效率;3.当控制器检测到钻机出现异常情况,如钻头卡住、过热、磨损等,或者达到预定的钻进深度或时间时,控制器会自动停止钻机的运行,并发出报警信号;4.操作员可以通过显示屏或者远程终端,查看钻机的工作状态和报警信息,并根据需要进行人工干预或者切换工作模式。
附图中的流程图和框图显示了根据本申请的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本申请的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (8)
1.一种岩心钻探钻机运行的自动化控制方法,其特征在于,包括:获取钻头在预定时间段内多个预定时间点的转速值、压力值、温度值和振动幅度值;将所述多个预定时间点的转速值、压力值、温度值和振动幅度值按照时间维度和样本维度排列为多参数时序协同矩阵;通过基于深度神经网络模型的参数协同时序特征提取器对所述多参数时序协同矩阵进行特征提取以得到多参数时序协同特征图;对所述多参数时序协同特征图进行自相关关联强化分析以得到自相关强化多参数时序协同特征;以及基于所述自相关强化多参数时序协同特征,确定钻头的工作状态是否正常,并确定是否暂停钻孔。
2.根据权利要求1所述的岩心钻探钻机运行的自动化控制方法,其特征在于,所述深度神经网络模型为卷积神经网络模型。
3.根据权利要求2所述的岩心钻探钻机运行的自动化控制方法,其特征在于,对所述多参数时序协同特征图进行自相关关联强化分析以得到自相关强化多参数时序协同特征,包括:将所述多参数时序协同特征图通过特征自相关关联强化模块以得到自相关强化多参数时序协同特征图作为所述自相关强化多参数时序协同特征。
4.根据权利要求3所述的岩心钻探钻机运行的自动化控制方法,其特征在于,将所述多参数时序协同特征图通过特征自相关关联强化模块以得到自相关强化多参数时序协同特征图作为所述自相关强化多参数时序协同特征,包括:对所述多参数时序协同特征图通过所述特征自相关关联强化模块的第一卷积层以得到第一特征图;将所述第一特征图通过所述特征自相关关联强化模块的第二卷积层以得到第二特征图;将所述第二特征图沿通道维度的各个特征矩阵展开为特征向量以得到第一特征向量的序列;计算所述第一特征向量的序列中的任意两个第一特征向量之间的余弦相似度以得到余弦相似性特征图;将所述余弦相似性特征图通过Softmax函数进行归一化处理以得到归一化余弦相似性特征图;将所述归一化余弦相似性特征图与所述余弦相似性特征图进行按位置点乘以得到相似度映射优化特征图;将所述相似度映射优化特征图通过所述特征自相关关联强化模块的第一反卷积层以得到第一反卷积特征图;计算所述第一反卷积特征图和所述第一特征图的逐元素和以得到第一融合特征图;将所述第一融合特征图通过所述特征自相关关联强化模块的第二反卷积层以得到第二反卷积特征图;以及计算所述第二反卷积特征图和所述多参数时序协同特征图的逐元素和以得到所述自相关强化多参数时序协同特征图。
5.根据权利要求4所述的岩心钻探钻机运行的自动化控制方法,其特征在于,基于所述自相关强化多参数时序协同特征,确定钻头的工作状态是否正常,并确定是否暂停钻孔,包括:将所述自相关强化多参数时序协同特征图通过分类器以得到分类结果,所述分类结果用于表示钻头的工作状态是否正常;以及基于所述分类结果,确定是否暂停钻孔。
6.根据权利要求5所述的岩心钻探钻机运行的自动化控制方法,其特征在于,还包括训练步骤:用于对所述基于深度神经网络模型的参数协同时序特征提取器、所述特征自相关关联强化模块和所述分类器进行训练。
7.根据权利要求6所述的岩心钻探钻机运行的自动化控制方法,其特征在于,所述训练步骤,包括:获取训练数据,所述训练数据包括钻头在预定时间段内多个预定时间点的训练转速值、训练压力值、训练温度值和训练振动幅度值,以及,所述钻头的工作状态是否正常的真实值;将所述多个预定时间点的训练转速值、训练压力值、训练温度值和训练振动幅度值按照时间维度和样本维度排列为训练多参数时序协同矩阵;将所述训练多参数时序协同矩阵通过所述基于深度神经网络模型的参数协同时序特征提取器以得到训练多参数时序协同特征图;将所述训练多参数时序协同特征图通过所述特征自相关关联强化模块以得到训练自相关强化多参数时序协同特征图;将所述训练自相关强化多参数时序协同特征图通过所述分类器以得到分类损失函数值;以及基于所述分类损失函数值并通过梯度下降的方向传播来对所述基于深度神经网络模型的参数协同时序特征提取器、所述特征自相关关联强化模块和所述分类器进行训练,其中,在所述训练的每次权重矩阵迭代时,基于所述训练自相关强化多参数时序协同特征图展开后得到的训练自相关强化多参数时序协同特征向量进行权重矩阵的渐进优化。
8.根据权利要求7所述的岩心钻探钻机运行的自动化控制方法,其特征在于,将所述训练自相关强化多参数时序协同特征图通过所述分类器以得到分类损失函数值,包括:所述分类器以如下训练分类公式对所述训练自相关强化多参数时序协同特征图进行处理以生成训练分类结果;其中,所述训练分类公式为:其中,/>表示将所述训练自相关强化多参数时序协同特征图投影为向量,/>至/>为各层全连接层的权重矩阵,/>至/>表示各层全连接层的偏置矩阵;以及计算所述训练分类结果与所述真实值之间的交叉熵值作为所述分类损失函数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311467326.0A CN117189071A (zh) | 2023-11-07 | 2023-11-07 | 岩心钻探钻机运行的自动化控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311467326.0A CN117189071A (zh) | 2023-11-07 | 2023-11-07 | 岩心钻探钻机运行的自动化控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117189071A true CN117189071A (zh) | 2023-12-08 |
Family
ID=88985410
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311467326.0A Pending CN117189071A (zh) | 2023-11-07 | 2023-11-07 | 岩心钻探钻机运行的自动化控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117189071A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117590223A (zh) * | 2024-01-18 | 2024-02-23 | 南京飞腾电子科技有限公司 | 断路器的在线监测***及其方法 |
CN117780249A (zh) * | 2023-12-27 | 2024-03-29 | 云启勘测设计有限公司 | 一种基于人工智能的勘察现场安全监测***及方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110889813A (zh) * | 2019-11-15 | 2020-03-17 | 安徽大学 | 基于红外信息的低光图像增强方法 |
CN113338894A (zh) * | 2021-07-15 | 2021-09-03 | 西安石油大学 | 一种小型智能钻机的控制方法 |
CN113723838A (zh) * | 2021-09-02 | 2021-11-30 | 西南石油大学 | 基于卷积神经网络的随钻安全风险智能识别方法 |
CN115755768A (zh) * | 2022-11-22 | 2023-03-07 | 黄鹄(浙江)精密机床有限公司 | 五轴联动精密数控机床及其控制方法 |
CN116259168A (zh) * | 2023-05-16 | 2023-06-13 | 陕西天成石油科技有限公司 | 用于油田录井的报警方法和装置 |
CN116638770A (zh) * | 2023-07-10 | 2023-08-25 | 杭州杭燃工程科技有限公司 | Pe管不停输焊接***及其焊接方法 |
CN116644284A (zh) * | 2023-05-30 | 2023-08-25 | 电子科技大学 | 一种地层分类特征因子确定方法、***、电子设备及介质 |
CN116680557A (zh) * | 2023-08-03 | 2023-09-01 | 山东省地质矿产勘查开发局第八地质大队(山东省第八地质矿产勘查院) | 用于煤层气钻井工程的实时监测***及其方法 |
CN116703642A (zh) * | 2023-08-09 | 2023-09-05 | 杭州电子科技大学信息工程学院 | 基于数字孪生技术的产品制造生产线智能管理*** |
CN116844932A (zh) * | 2023-08-30 | 2023-10-03 | 西安天光测控技术有限公司 | 高温SiC离子注入***及其方法 |
CN116975728A (zh) * | 2023-08-07 | 2023-10-31 | 山东省地质矿产勘查开发局第八地质大队(山东省第八地质矿产勘查院) | 用于煤层气钻井工程的安全管理方法及其*** |
CN116966513A (zh) * | 2023-08-22 | 2023-10-31 | 定州市云领域体育用品有限公司 | 健身器材的监控方法及其*** |
-
2023
- 2023-11-07 CN CN202311467326.0A patent/CN117189071A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110889813A (zh) * | 2019-11-15 | 2020-03-17 | 安徽大学 | 基于红外信息的低光图像增强方法 |
CN113338894A (zh) * | 2021-07-15 | 2021-09-03 | 西安石油大学 | 一种小型智能钻机的控制方法 |
CN113723838A (zh) * | 2021-09-02 | 2021-11-30 | 西南石油大学 | 基于卷积神经网络的随钻安全风险智能识别方法 |
CN115755768A (zh) * | 2022-11-22 | 2023-03-07 | 黄鹄(浙江)精密机床有限公司 | 五轴联动精密数控机床及其控制方法 |
CN116259168A (zh) * | 2023-05-16 | 2023-06-13 | 陕西天成石油科技有限公司 | 用于油田录井的报警方法和装置 |
CN116644284A (zh) * | 2023-05-30 | 2023-08-25 | 电子科技大学 | 一种地层分类特征因子确定方法、***、电子设备及介质 |
CN116638770A (zh) * | 2023-07-10 | 2023-08-25 | 杭州杭燃工程科技有限公司 | Pe管不停输焊接***及其焊接方法 |
CN116680557A (zh) * | 2023-08-03 | 2023-09-01 | 山东省地质矿产勘查开发局第八地质大队(山东省第八地质矿产勘查院) | 用于煤层气钻井工程的实时监测***及其方法 |
CN116975728A (zh) * | 2023-08-07 | 2023-10-31 | 山东省地质矿产勘查开发局第八地质大队(山东省第八地质矿产勘查院) | 用于煤层气钻井工程的安全管理方法及其*** |
CN116703642A (zh) * | 2023-08-09 | 2023-09-05 | 杭州电子科技大学信息工程学院 | 基于数字孪生技术的产品制造生产线智能管理*** |
CN116966513A (zh) * | 2023-08-22 | 2023-10-31 | 定州市云领域体育用品有限公司 | 健身器材的监控方法及其*** |
CN116844932A (zh) * | 2023-08-30 | 2023-10-03 | 西安天光测控技术有限公司 | 高温SiC离子注入***及其方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117780249A (zh) * | 2023-12-27 | 2024-03-29 | 云启勘测设计有限公司 | 一种基于人工智能的勘察现场安全监测***及方法 |
CN117590223A (zh) * | 2024-01-18 | 2024-02-23 | 南京飞腾电子科技有限公司 | 断路器的在线监测***及其方法 |
CN117590223B (zh) * | 2024-01-18 | 2024-04-30 | 南京飞腾电子科技有限公司 | 断路器的在线监测***及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117189071A (zh) | 岩心钻探钻机运行的自动化控制方法 | |
EP3608501B1 (en) | Connection analyzed make-up systems and methods | |
EP3896496B1 (en) | Cuttings imaging for determining geological properties | |
CN109859170B (zh) | 一种基于lbp特征的钢丝绳表面损伤智能监测方法及*** | |
Abdalla et al. | Identification of downhole conditions in sucker rod pumped wells using deep neural networks and genetic algorithms (includes associated discussion) | |
CN112926642B (zh) | 一种多源域自适应智能机械故障诊断方法及*** | |
WO2023043215A1 (ko) | 표준 운용 수준 평가 기반 산업 설비 운용 제어 장치 및 그 동작 방법 | |
CN109019210A (zh) | 基于卷积神经网络的提升***尾绳健康监测***及方法 | |
CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
CN113569682A (zh) | 一种智能捕捉矿井识别要素的视频监测方法及装置 | |
CN114168374A (zh) | 基于集成异常检测器与根因分析结合的异常数据定位方法 | |
CN113553356A (zh) | 一种钻井参数预测方法和*** | |
CN114912678A (zh) | 电网调控异常操作在线自动检测预警方法及*** | |
CN115393789A (zh) | 建筑工地危险区域人群聚集预警方法、***、设备及存储介质 | |
KR102024829B1 (ko) | Cart 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 장치 및 방법 | |
CN112967335A (zh) | 气泡尺寸监测方法及装置 | |
Geekiyanage et al. | Feature selection for kick detection with machine learning using laboratory data | |
CN115165362A (zh) | 一种基于巡检及振动信号的轴承故障智能检测***和方法 | |
Rakshit et al. | Railway Track Fault Detection using Deep Neural Networks | |
Chen et al. | Identification of Wellbore Flow Abnormal Working Conditions Based on Deep Learning | |
CN113327072A (zh) | 一种智能制造装备流程的数据共享方法及*** | |
Aranha et al. | A System to Detect Oilwell Anomalies Using Deep Learning and Decision Diagram Dual Approach | |
CN117975372B (zh) | 一种基于YOLOv8和Transformer编码器相结合的工地安全检测***及方法 | |
CN117723782B (zh) | 用于桥梁结构健康监测的传感器故障识别定位方法及*** | |
CN116383975B (zh) | 一种基于试飞数据的起落架载荷预测方法 |
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 |