基于钻柱振动信号的粘滑和跳钻异常工况识别方法技术

本发明专利技术提供了一种基于钻柱振动信号的粘滑和跳钻异常工况识别方法，用于识别粘滑和跳钻这两种异常钻具工况。通过分析钻柱振动三维加速度信号正常钻进与发生粘滑、跳钻时信号变化特征，利用经验模态分解得到本征模态函数IMF分量。然后，选取IMF分量及其阈值，将高于阈值的IMF分量系数采用软阈值函数进行处理重构得到去噪信号。对去噪信号进行IMF能量熵与边际谱能量计算，得到用于表征正常钻进、粘滑和跳钻的时频域特征。最后基于已提取的时频域特征，利用支持向量机对这三种工况进行识别。本发明专利技术减少钻进成本，提高粘滑、跳钻工况的识别速度和精度，为地质勘探钻进过程安全性监测与工况识别打下了良好的基础。

Identification method of stick slip and trip abnormal conditions based on vibration signal of drill string

【技术实现步骤摘要】
基于钻柱振动信号的粘滑和跳钻异常工况识别方法
本专利技术涉及地质勘探钻进过程智能控制领域，尤其涉及一种基于钻柱振动信号的粘滑和跳钻异常工况识别方法。
技术介绍
随着国家经济的高速发展，对能源的需求量逐年增加，保障资源能源安全成为实现国家经济可持续发展的关键。深部地质钻进是一个存在大量随机性、模糊性以及不确定性的非常复杂的过程，它无法对井下的工作状况进行直接观察。由于不稳定因素的存在，粘滑与跳钻等异常钻具工况随时可能发生。钻具在井下的工作条件非常复杂,钻柱会承受不同性质的载荷、不同的加载次序和不同的应力状态,且环境和温度恶劣。如果不加以预防及处理就可能造成钻井周期延长,钻井效率下降,进而造成经济上的巨大损失。因此，掌握钻井过程中的关键信息，并及时准确地检测出钻井过程中出现的粘滑、跳钻等异常工况成为钻井研究的重要课题。20世纪60年代，国内外学者已经开始致力于研究利用钻柱振动信号来实现异常钻具工况的预防、识别和监测。Finnie等在方钻杆上进行了振动测量实验，通过对钻柱纵向、扭转振动的时域波形分析，对钻井的工作状态进行了初步研究。Besaisow等介绍了ARCO公司开发的先进钻柱分析测量系统，通过对钻柱顶部安装的加速度传感器获得的钻柱振动信号进行处理和分析真实地提取了井下的工况信息，并对钻柱振动产生机理进行了讨论。Heisig等通过设计井下振动测量工具，通过处理振动传感器采集得到振动加速度信号来诊断井下的工作状态。相比较而言我国利用钻柱振动信号来实现异常钻具工况的预防、识别和监测起步较晚，其水平也远落后于其他国家，目前已成为制约我国发展深部地质资源开发的关键之一。目前钻柱振动信号的处理问题未考虑井场、周围环境所带来的噪声和扰动，其次对于钻具工况的识别大多也是人工经验进行判断，并没有形成一套能自动训练与判断的有效方法，存在效率低、识别率低等问题。因此，通过钻柱振动信号识别粘滑、跳钻异常钻具工况应考虑噪声和扰动带来的影响并提出能实时识别这两种工况的方法。
技术实现思路
有鉴于此，本专利技术提供了基于钻柱振动信号的粘滑和跳钻异常工况识别方法，主要包括以下步骤：S1：通过加速度传感器测量得到的钻柱振动三维加速度信号，通过分析正常钻进与发生粘滑、跳钻时信号变化特征，采用经验模态分解方法对正常钻进、发生粘滑以及跳钻时相应的信号进行分解得到各自本征模态函数IMF分量；S2：将S1分解后高于阈值的IMF分量系数采用软阈值函数进行去噪处理，将去噪后的IMF分量进行叠加得到各自的重构信号；S3：对S2得到的重构信号再次采用经验模态分解方法分解得到IMF分量，对各分量进行IMF能量熵计算与边际谱能量计算，得到用于表征正常钻进、发生粘滑以及跳钻的时频域特征；S4：利用支持向量机SVM训练模型，以S3得到的时频域特征为模型的输入参数，模型输出为三种工况类型；S5：通过S1重新测量钻柱振动三维加速度信号，并采用经验模态分解方法对相应的信号进行分解得到各自本征模态函数IMF分量；重复S2～S3，以S3得到的IMF能量熵与边际谱能量作为S4模型的输入，对三种工况类型进行识别。进一步地，所述钻柱振动三维加速度信号包括扭转振动信号、纵向振动信号和横向振动信号，其中扭转振动信号用于分析正常钻进和发生粘滑时的变化特征，纵向振动信号用于分析正常钻进和发生跳钻时的变化特征。进一步地，所述步骤S1中，应用经验模态分解方法对钻柱振动三维加速度信号由高频到低频依次分解，分解过后的每个IMF分量都包含信号的部分时频特征。进一步地，所述步骤S2中，选取的阈值如下所示：其中，λ为阈值，MAD表示平均绝对误差，cD表示分解得到的高频系数，估计噪声方差时使用经验模态分解得到的IMF1分量，N指采样长度，k表示IMF分量的序号。进一步地，利用软阈值函数将高于阈值的IMF分量系数进行去噪处理，公式如下：式中IMFk,j为IMF系数，sign(·)为符号函数，λ为阈值，k,j分别表示IMF分量的序号和采样点数。进一步地，所述步骤S3中，采用IMF能量熵来表征正常钻进、发生粘滑和跳钻时的时域特征，IMF能量熵计算公式如下：其中，H为IMF能量熵，pi表示第i个IMF的能量在总能量中的比重，n为IMF的个数，前两个IMF分量IMF1和IMF2包含了正常钻进、粘滑和跳钻的大部分时域信息，因此选取前两个IMF分量的能量熵进行比较，通过数组实验分别得到正常钻进与粘滑时扭转信号的IMF1和IMF2能量熵范围，正常钻进与跳钻时纵向信号的IMF1和IMF2能量熵范围。进一步地，所述步骤S3中，采用边际谱能量反映信号的幅值在整个频率段上随频率的变化情况，边际谱能量的计算公式如下：其中，e为边际谱能量，h(ω)表示信号的边际谱，k代表信号频带的宽度，ω表示信号的频率，n为采样点,T为信号的总长度，RP表示取实部，ai表示信号的幅值，ej表示复数的指数形式，t表示某一时刻，通过数组实验得到正常钻进时扭转信号边际谱能量范围与粘滑时扭转信号的边际谱能量范围，正常钻进时纵向信号的边际谱能量范围与跳钻时纵向信号的边际谱能量范围。进一步地，所述步骤S5中，支持向量机选用高斯核函数进行样本分类，样本类别分为正常工况、粘滑工况和跳钻工况，样本的IMF分量的能量熵和边际谱能量作为输入，最后输出为样本类别即工况类型。本专利技术提供的技术方案带来的有益效果是：减少钻进成本，提高钻进过程粘滑、跳钻工况的识别速度和识别精度，为地质勘探钻进过程安全性监测与工况识别打下了良好的基础。附图说明图1是本专利技术一种基于钻柱振动信号的粘滑和跳钻异常工况识别方法的流程图；图2(a)和图2(b)分别为本专利技术中钻进过程正常钻进和粘滑时的仿真扭转信号图；图3(a)和图3(b)本专利技术中钻进过程正常钻进和跳钻时的仿真纵向信号图；图4(a)和图4(b)本专利技术中钻进过程正常钻进和粘滑时的去噪仿真扭转信号图；图5(a)和图5(b)是本专利技术中钻进过程正常钻进和跳钻时的去噪仿真纵向信号图；图6是本专利技术中钻进过程中工况实际分类与测试分类图。具体实施方式为了对本专利技术的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本专利技术的具体实施方式。本专利技术提供了一种基于钻柱振动信号的粘滑和跳钻异常工况识别方法，请参考图1，具体包括如下步骤：S1：钻柱振动三维加速度信号分析与分解在钻柱振动信号测量中，常采用加速度传感器测量加速度信号来表征振动情况，并且三维振动加速度信号会随着异常钻具工况的出现而发生变化，三维振动加速度的时域和频域成分与异常钻具工况引起的钻柱三维振动的时域和频域成分在发生变化时的趋势也相同。因此，可以将振动加速度信号作为有效的钻柱振动信号来实现异常钻具工况的识别。钻柱振动的三种形式分别为扭转振动、纵向振动和横向振动，其中扭转振动信号用于分析正常钻进与发生粘滑时的变化特征，纵向振动本文档来自技高网...

【技术保护点】
1.一种基于钻柱振动信号的粘滑和跳钻异常工况识别方法，其特征在于，包括以下步骤：/nS1：通过加速度传感器测量得到的钻柱振动三维加速度信号，通过分析正常钻进与发生粘滑、跳钻时信号变化特征，采用经验模态分解方法对正常钻进、发生粘滑以及跳钻时相应的信号进行分解得到各自本征模态函数IMF分量；/nS2：将S1分解后高于阈值的IMF分量系数采用软阈值函数进行去噪处理，将去噪后的IMF分量分别进行叠加得到各自的重构信号；/nS3：对S2得到的重构信号再次采用经验模态分解方法分解得到IMF分量，对各分量进行IMF能量熵计算与边际谱能量计算，得到用于表征正常钻进、发生粘滑以及跳钻的时频域特征；/nS4：利用支持向量机SVM训练模型，以S3得到的时频域特征为模型的输入参数，模型输出为三种工况类型；/nS5：通过S1重新测量钻柱振动三维加速度信号，并采用经验模态分解方法对相应的信号进行分解得到各自本征模态函数IMF分量；重复S2～S3，以S3得到的IMF能量熵与边际谱能量作为S4模型的输入，对三种工况类型进行识别。/n

【技术特征摘要】
1.一种基于钻柱振动信号的粘滑和跳钻异常工况识别方法，其特征在于，包括以下步骤：
S1：通过加速度传感器测量得到的钻柱振动三维加速度信号，通过分析正常钻进与发生粘滑、跳钻时信号变化特征，采用经验模态分解方法对正常钻进、发生粘滑以及跳钻时相应的信号进行分解得到各自本征模态函数IMF分量；
S2：将S1分解后高于阈值的IMF分量系数采用软阈值函数进行去噪处理，将去噪后的IMF分量分别进行叠加得到各自的重构信号；
S3：对S2得到的重构信号再次采用经验模态分解方法分解得到IMF分量，对各分量进行IMF能量熵计算与边际谱能量计算，得到用于表征正常钻进、发生粘滑以及跳钻的时频域特征；
S4：利用支持向量机SVM训练模型，以S3得到的时频域特征为模型的输入参数，模型输出为三种工况类型；
S5：通过S1重新测量钻柱振动三维加速度信号，并采用经验模态分解方法对相应的信号进行分解得到各自本征模态函数IMF分量；重复S2～S3，以S3得到的IMF能量熵与边际谱能量作为S4模型的输入，对三种工况类型进行识别。


2.根据权利要求1所述的一种基于钻柱振动信号的粘滑和跳钻异常工况识别方法，其特征在于，所述钻柱振动三维加速度信号包括扭转振动信号、纵向振动信号和横向振动信号，其中扭转振动信号用于分析正常钻进和发生粘滑时的变化特征，纵向振动信号用于分析正常钻进和发生跳钻时的变化特征。


3.根据权利要求1所述的一种基于钻柱振动信号的粘滑和跳钻异常工况识别方法，其特征在于，所述步骤S1中，应用经验模态分解方法对钻柱振动三维加速度信号由高频到低频依次分解，分解过后的每个IMF分量都包含信号的部分时频特征。


4.根据权利要求1所述的一种基于钻柱振动信号的粘滑和跳钻异常工况识别方法，其特征在于，所述步骤S2中，选取的阈值如下所示：



其中，λ为阈值，MAD表示平均绝对误差，cD表示分解得到的高频系数，估计噪声方差时使用经验模态分解得到的IMF1分量，N指采样长度，k表示IMF分量的序...

【专利技术属性】
技术研发人员：曹卫华，张柯，吴敏，甘超，黎育朋，陈略峰，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：湖北;42