一种基于卷积神经网络的泥浆脉冲信号识别方法技术

本发明专利技术公开了一种基于卷积神经网络的泥浆脉冲信号识别方法，包括以下步骤：S1、数据处理：滤波与去基值、归一化、欠采样、多周期切片；S2、建立神经网络模型：输入层、卷积层、池化层、全连接层和输出层；S3、模型训练：将训练数据拆分为训练集与验证集，使用训练集进行模型训练，直到在验证集上得到准确率最优的结果；S4、信号识别：将待识别信号按时间顺序输入神经网络模型，对网络输出进行阈值判断，将得到的二进制序列结果经过解码得到随钻测量数据。本发明专利技术通过训练数据对神经网络模型进行训练，使其获得自动抓取信号波形上关键特征的能力，并通过这些特征对信号进行分类，从而提升识别泥浆脉冲信号的准确率。

A method of mud pulse signal recognition based on convolution neural network

【技术实现步骤摘要】
一种基于卷积神经网络的泥浆脉冲信号识别方法
本专利技术涉及钻井工程中的随钻测量
，具体涉及一种基于卷积神经网络的泥浆脉冲信号识别方法。
技术介绍
在石油钻井工程中，地面平台为了能够实时的了解井下信息,同时控制井下钻井装置的工作状态，通常采用泥浆脉冲的方式进行地面与井下设备的通讯。但是由于泥浆泵冲噪声、井下钻井动力噪声、泥浆气泡、脉冲信号反射等因素的影响，泥浆信道质量较差，经压力传感器接收到的泥浆脉冲信号中充斥着干扰信号，这给信号的识别带来了很大困难。准确的识别泥浆脉冲信号有利于地面平台控制钻井过程并了解地层深处的信息与当前钻井工作状态，对于提升石油钻井效率有至关重要的作用。提升泥浆脉冲信号识别的准确率能够降低噪声的影响，减少发生误码的概率，提高泥浆脉冲的通信质量。传统的泥浆脉冲信号识别通常利用阈值、波峰、上升沿和下降沿进行，即利用波形的简单特征进行识别(泥浆脉冲信号的识别是将信号波形上的有效脉冲分类为信号1，其它波形分类为信号0)。这种识别方法因为利用的信号特征过于简单，不能有效避免噪声带来的影响，所以识别准确率不高。...

【技术保护点】
1.一种基于卷积神经网络的泥浆脉冲信号识别方法，其特征在于，包括以下步骤：/nS1、数据处理阶段，包括滤波与去基值、归一化、欠采样、多周期切片四个步骤；/nS2、建立神经网络模型，所述神经网络模型包括输入层、卷积层、池化层、全连接层和输出层构成；/nS3、模型训练：将训练数据拆分为训练集与验证集，设置损失函数并使用训练集进行模型训练；设置输出阈值T，直到在验证集上得到准确率最优的结果；/nS4、信号识别：将M个时间周期的泥浆脉冲信号经过数据处理后，得到的M个时间周期的待识别信号按时间顺序输入神经网络模型，对网络输出进行阈值判断，将得到的二进制序列结果经过解码得到随钻测量数据。/n

【技术特征摘要】
1.一种基于卷积神经网络的泥浆脉冲信号识别方法，其特征在于，包括以下步骤：
S1、数据处理阶段，包括滤波与去基值、归一化、欠采样、多周期切片四个步骤；
S2、建立神经网络模型，所述神经网络模型包括输入层、卷积层、池化层、全连接层和输出层构成；
S3、模型训练：将训练数据拆分为训练集与验证集，设置损失函数并使用训练集进行模型训练；设置输出阈值T，直到在验证集上得到准确率最优的结果；
S4、信号识别：将M个时间周期的泥浆脉冲信号经过数据处理后，得到的M个时间周期的待识别信号按时间顺序输入神经网络模型，对网络输出进行阈值判断，将得到的二进制序列结果经过解码得到随钻测量数据。


2.根据权利要求1所述的一种基于卷积神经网络的泥浆脉冲信号识别方法，其特征在于，步骤S1中，所述滤波与去基值为：对泥浆脉冲信号进行滤波、去基值处理，滤波、去基值的计算公式如下：






其中，r(n)为
式中，S1(t)为信号S(t)滤波输出信号；S2(t)为S1(t)去基值后的输出信号，N为滤波器阶数；t为时间，无量纲；W为函数r(n)宽度；n为整数。


3.根据权利要求1所述的一种基于卷积神经网络的泥浆...

【专利技术属性】
技术研发人员：张镇，胡陈飞，邱林，宋波，
申请(专利权)人：成都深地领航能源科技有限公司，
类型：发明
国别省市：四川;51