一种随钻测井仪器电路工作状态在线监测方法技术

本发明专利技术公开了一种随钻测井仪器电路工作状态在线监测方法，包括如下步骤：设计基于嵌入式处理器的信号采集与数据处理电路，对随钻测井仪器的EMI信号进行采集和运算处理，不同的电路接口产生的EMI信号均不同，可用作电路状态监测的关键特征。现有的仪器设备工作状态检测方式耗用芯片较多，而且数据上传时会占用大量总线带宽。本发明专利技术以电源EMI信号检测为基础，在测井仪器涡发电源的干线上仅仅部署一块电路板来采集井下多块数字电路板的EMI信号，能够有效检测和识别随钻测井仪器的电源EMI信号的瞬态变化，实现对随钻测井仪器电路板工作状态的识别，免去了以上缺点。免去了以上缺点。免去了以上缺点。

【技术实现步骤摘要】
一种随钻测井仪器电路工作状态在线监测方法


[0001]本专利技术涉及一种随钻测井仪器电路工作状态在线监测方法，属于电源质量监测领域。

技术介绍

[0002]石油作为现代工业发展的重要能源基础与技术和时代的发展息息相关，随钻测井技术在钻井的过程中同时完成测井任务。随着井深的增加，测井仪器用电设备的工作环境呈现多样化和复杂化，保障电子设备的可靠运行变得越来越困难。
[0003]测井仪器电源的供电质量直接关系到井下作业的安全和测井仪器设备的正常工作。当测井仪器电源设备出现突发状况或持续不正常运行，会影响到电路的实时工作状态，无法对此类情况进行异常的定位分析。
[0004]然而，传统的仪器设备工作状态监测方法是将电压、电流传感器部署至仪器的多块数字电路板上，然后将监测数据传输至地面系统，再进行后续处理。此种方法易于实现，但是其耗用芯片较多，成本增加，每块电路板都需要预留出本就紧缩的PCB面积来放置电压、电流传感器芯片。同时，采集到的实时数据也会大量占用总线带宽。由于测井仪器数据传输的带宽较小，此种方法并不适用。
[0005]现有的仪器设备监测与识别技术应用领域主要有：(1)对航空航天机载电源的供电质量进行在线监测；(2)对医疗装备的供电系统进行在线检测与异常定位；(3)对电力系统的电能输出进行实时监测。应用(1)的技术实现可通过搭建机载电源监测系统，对机载电压和电流进行实时采集与录波；应用(2)通过远程控制与监测，对医学装备供电电源质量进行在线检测和异常报警；应用(3)可以基于嵌入式系统，安装电能质量监测硬件对电能输出进行实时监测。
[0006]在随钻测井仪器方面，还未有相关电路工作状态监测管理的技术研究，这极大影响实际科研或生产过程中的安全测试需求。

技术实现思路

[0007]针对现有技术的缺陷和改进需求，本专利技术提出了随钻测井仪器电路工作状态在线监测方法，以电源EMI信号检测为基础，结合非侵入单点分析方法，在嵌入式处理器上部署学习算法，实现高速数据处理和分类，能够有效的解决井下电路板工作状态监测与识别缺失的问题，具备一定的推广性。
[0008]本专利技术提供了基于电源EMI信号特征分析的随钻测井仪器电路工作状态在线监测方法，包括如下步骤：
[0009]S1.基于FPGA和STM32的EMI信号采集与数据处理电路，部署在井下涡发电源干线上获取EMI信号数据并实时处理；
[0010]S2.使用数字信号处理方法和特征提取算法如卡尔曼滤波算法和快速傅里叶变换对采集到的EMI信号进行去噪和特征增强操作；
[0011]S3.使用去直流和归一化处理将频谱分量转换为无量纲表达；
[0012]S4.使用不同电路板类型的电源EMI信号采集数据组成训练数据集和测试数据集，根据电路板是否在线来对数据打上标签。训练数据集作为轻量化卷积神经网络模型的输入，训练得到电源识别模型；对神经网络模型进行压缩，使之能够装载到STM32芯片内部的RAM和FLASH中。
[0013]S5.使用嵌入式处理器部署上述轻量化的深度学习模型，如使用 STM32Cube.AI在STM32嵌入式平台上部署训练好的轻量化卷积神经网络分类模型；
[0014]S6.将实际数据输入电源分类模型进行电路板状态分类，模型的输出为各个电路板是否在线；再将此分类结果通过485总线上传至中控系统，中控系统再使用泥浆脉冲将其发送至地面系统，当井下电路板出现离线状况时发出警报。
[0015]进一步地，EMI信号采集与数据处理电路包括信号采集和信号处理两部分，信号采集部分用于对所述EMI信号进行滤波、模数转换处理，信号处理部分包含时序控制模块和运算处理模块，用于对所述EMI信号进行数据预处理和分类。
[0016]进一步地，以卡尔曼滤波和快速傅里叶变换方法为例：基于EMI信号卡尔曼滤波过程表示为：计算Kalman增益由观测值y(t)
k
更新估计值更新估计值计算估计后的误差协方差矩阵将该估计状态转移至下一时刻，进行滤波迭代；快速傅里叶变换过程表示为：对离散EMI信号x(n)，求FFT变换X(k)，示为：对离散EMI信号x(n)，求FFT变换X(k)，
[0017]进一步地，去噪后的EMI信号，去直流信号过程表示为：进一步地，去噪后的EMI信号，去直流信号过程表示为：归一化处理过程表示为：
[0018]进一步地，采用Tensorflow全整型量化将预训练的卷积神经网络模型进行模型压缩和运算加速处理，并转换为STM32 MCU的优化代码。
[0019]总而言之，通过本专利技术所构思的技术方案，其技术效果体现在：
[0020](1)与现有技术相比，本专利技术无需在井下每块电路板上都安装电压、电流传感器，节省了芯片成本，减小了井下电路板的PCB面积。将EMI 信号采集电路部署至涡发电源的干线上，仅需占用极少量的井下数据传输总线带宽，具有非侵入式、单点测量等优点。
[0021](2)利用井下各电路板的EMI信号频谱特征的固有特性，使用基于大数据驱动的卷积神经网络分类算法提高了电路板工作状态的分类精度。
[0022](3)将轻量化模型部署至STM32上，并且在FPGA上实现快速傅里叶变换和归一化等预处理操作，使得整个处理过程具有较强的实时性。
附图说明
[0023]图1为本专利技术所述的电源EMI信号单点监测位置示意图；
[0024]图2为本专利技术所述的电源EMI信号采集与数据处理电路系统框图；
[0025]图3为本专利技术所述的电源EMI信号局部频谱图；
[0026]图4为本专利技术所述的电路EMI信号数据采集流程图；
[0027]图5为本专利技术所述的电路板状态识别结果图；
[0028]图6为本专利技术所述的模型轻量化处理前后的井下电路板状态识别测试结果图；
具体实施方式
[0029]下面结合附图及具体实施方式对本专利技术进行详细说明。但本专利技术的实施范围并不局限于此。
[0030]以下为实施例。
[0031]实施例1：
[0032]井下EMI信号单点监测位置示意图如图1所示，EMI信号检测点位于电源切换控制电路之后的干线上，采集井下各电路板反射到干线上的EMI 混合信号。
[0033]基于FPGA和STM32的EMI信号采集与数据处理电路其系统框图如图2所示。信号采集与数据处理电路主要由信号采集和信号处理两部分组成。为避免EMI信号淹没在供电系统产生的直流大电压中，同时去除掉无用的高频信号，信号采集部分具备一阶RC高通滤波器和八阶巴特沃斯低通滤波器。使用同向放大器将微弱的EMI信号放大100倍，至mV级别。该电路中的模数转换模块完成12位模拟信号到并行数字信号输出的转换，为抑制共模干扰产生，AD转换器的输入端口具备差分驱动电路。通过上述设计，即可采集到具有较高信噪比的原始EMI信号。
[0034]EMI信号在频域上呈现为多个不同频率和幅值的波峰，根据实验可知，井下电路板的频谱分布在10MHz本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种随钻测井仪器电路工作状态在线监测方法，其特征在于，包括如下步骤：S1.基于FPGA和STM32的EMI信号采集与数据处理电路，部署在井下涡发电源干线上获取EMI信号数据并实时处理；S2.使用数字信号处理方法和特征提取算法如卡尔曼滤波算法和快速傅里叶变换对采集到的EMI信号进行去噪和特征增强操作；S3.使用去直流和归一化处理将频谱分量转换为无量纲表达；S4.使用不同电路板类型的电源EMI信号采集数据组成训练数据集和测试数据集，根据电路板是否在线来对数据打上标签。训练数据集作为轻量化卷积神经网络模型的输入，训练得到电源识别模型；对神经网络模型进行压缩，使之能够装载到STM32芯片内部的RAM和FLASH中。S5.使用嵌入式处理器部署上述轻量化的深度学习模型，如使用STM32Cube.AI在STM32嵌入式平台上部署训练好的轻量化卷积神经网络分类模型；S6.将实际数据输入电源分类模型进行电路板状态识别，模型的输出为各个电路板是否在线；再将此分类结果通过485总线上传至中控系统，中控系统再使用泥浆脉冲将其发送至地面系统，当井下电路板出现离线状况时发出警报。2.根据权利要...

【专利技术属性】
技术研发人员：张朴，程晶晶，刘垚，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：