[发明专利]石油钻井钻柱在线监测系统及故障诊断方法

摘要

石油钻井钻柱在线监测系统及故障诊断方法，属于石油钻井监测技术。包括PCB板、上位机以及分别与钻柱连接的扭矩传感器和加速度传感器，扭矩传感器和加速度传感器又分别与PCB板连接，并将采集到的扭矩信号和振动信号输送给PCB板，PCB板将预处理过的数据通过蓝牙模块与上位机进行通讯。本发明专利移植性好，能实时监测钻柱钻进的状态并能准确可靠的对异常情况进行故障诊断，便于钻井工作人员及时采取补救措施，有效防止危险事故的发生。

主权项

一种石油钻井钻柱在线故障诊断方法，其特征是，基于自适应动态克隆选择算法优化RBF神经网络的故障诊断方法，包括石油钻井钻柱在线监测系统，该在线监测系统包括PCB板(7)、上位机(14)以及分别与钻柱连接的扭矩传感器(1)和加速度传感器(3)，扭矩传感器(1)和加速度传感器(3)又分别与PCB板(7)连接，并将采集到的扭矩信号和振动信号输送给PCB板(7)，PCB板(7)将预处理过的数据通过蓝牙模块(12)与上位机(14)进行通讯；具体的故障诊断方法如下：一、自适应动态克隆选择算法优化RBF神经网络中的中心点和宽度参数，最小二乘法确定隐含层和输出层之间的连接权值，具体步骤如下：1:数据归一化处理RBF神经网络要求输入的数据位于区间[0，1]，否则传递函数无法处理，因此将输入的数据进行归一化处理，设节点数据中的最大值为xi max，最小值为xi min，i∈(1,2,…m)，归一化公式如下：x^i=xi-ximinximax-ximin;]]>2:浮点数编码、种群初始化及分解1)浮点数编码将设第g代抗体群Ab(g)＝{ab1,ab2,…abN}为抗体的N元组，抗体abj＝(z1j,z2j,…,zlj)，第j个抗体的第i个基因zij为[0,1]区间内的浮点数，zij与xij的映射关系如下：xij＝ai+zij*(bi‑ai)称zij是xij的编码，xij是zij的解码；2)种群初始化及分解设定隐含层节点的最大数D，群体规模的大小L，进化代数G，网络学习速率ξ,并且ξ∈[0,1]；隐中心c初始为输入样本数据范围内的浮点数，中心宽度初始化为[1，4]区间上的浮点数；种群分解把Ab(g)按抗体与抗原亲和度大小降序排序，其中Ab(g)∈SN*L,将排序后的Ab(g)按照1:6:3的比例分解成三个种群，分别是Abm(g)，Abn(g)，Abr(g)，并且Ab(g)＝Abm(g)∪Abn(g)∪Abr(g)，m+n+r＝N；Abm(g)为亲和度最高的种群，Abn(g)为中等亲和度的种群，Abr(g)为亲和度最低的种群；3:目标函数的建立将解码后的数据信息构建RBF神经网络，计算出整个网络的总误差，总误差越小越好，因此选取期望输出和实际输出二者差值的平方和最少作为目标函数；当目标函数最小时，RBF神经网络训练结束，其表达式为：E=12Σj=1MΣi=1N(y^ji-yji)2]]>其中，M是训练样本数，N是输出层节点数，为第M个样本第N个神经元的期望输出值，yji为第M个样本第N个神经元的实际输出值；4:自适应动态克隆选择操作1)克隆对抗体ab∈Abm(g)∪Abn(g)，按下式进行克隆：C＝∪iCi＝I×ab,i＝1,2,…,nc其中，I为nc维单位行向量，nc为抗体ab的克隆规模，Ci＝ab为ab的一个克隆体；2)进化算子设抗体ab∈Ab(g)的排序为rank(ab)，种群规模为Q，将亲和度标准化，如下式：F(ab)=Q-rank(ab)Q]]>对F(ab)按下式进行尺度变换Tsc(ab)＝η·exp(‑ρ·F2(ab))其中，η和ρ为常数，一般0＜η＜0.5，2≤ρ≤10；可以看出，F(ab)越大Tsc(ab)越小；3)精英克隆变异Tem()高亲和度抗体ab∈Abm(g)位于优化函数f(xi)峰值附近，因此在较小空间搜索其局部最优解；对ab∈Abm(g)的克隆体Ci∈C，按概率pm∈(0,1)进行如下变异操作：Ci'＝Ci+Tsc(ab)·(2δ‑1)其中，δ为l维[0,1]区间的随机数列向量；pm取小值，一般pm＝1/l；4)克隆交叉THm()设ab∈Abn(g)的克隆体Ci∈C，随机选取一个抗体ab'∈Abm(g)，按下式进行交叉操作：Ci'＝Ci×(1‑Tsc(ab)·δ)+ab'×(Tsc(ab)·δ)其中，δ为l维[0,1]区间的随机数列向量；5)克隆选择对ab抗体经过Tem()或THm()操作后的克隆群C'＝∪Ci'进行亲和度评估得{F(C')}＝∪iF(Ci')，若存在F(Ci')＝max F(C')>F(ab)，则ab:＝Ci'，f(ab):＝f(Ci')，从而更新抗体群，实现信息交换；6)动态自适应算法Tsc(ab)除了与抗体亲和度有关之外，同样受η和ρ的影响；对于精英抗体群Abm(g)主要用于搜索局部最优解，因此η取小值，令其为η1；抗体群Abn(g)主要用于开发全局最优解空间，因此η取大值，令其为η2；若最优解在若干代内不变，则η1随机地乘以或者除以1.3,否则η1回到其初始设定值；同理，当Abm(g)∪Abn(g)的平均目标函数值在若干代内基本不变时，则η2随机地乘以或者除以1.3，否则η2回到其初始设定值；其中，1.3为一个很好的自适应参数；ρ值对中等亲和度抗体的搜索范围影响较大，采用如下方式对ρ值进行动态修改：每隔若干代增大ρ值，增大到一定值后返回最初设定值，依次循环进行，如下式所示；ρ(g+1)=γ.ρ(g),ifrem(g,gD)=0ρ0,ifrem(g,gDmax)=0]]>其中，ρ0为初始值，γ>1为调整因子，rem(x,y)为x/y的余数，gD为间隔代数，gD max为最大间隔代数；5:权值计算中心点和宽度确定后，RBF神经网络结构中的径向基函数和隐含层输出值确定，隐含层和输出层之间相差的是矩阵乘积因子，利用最小二乘法求出矩阵中各元素的权值W；1)输入所有训练数据，求出平方误差的平方和：E(n)=1NΣi=1N(yi(n)-yi(n)^)2]]>其中，n表示迭代次数2)对连接权值做出如下调整：wi(n+1)=wi(n)+ξ·∂E(n)∂wi]]>其中，ξ为神经网络中设定的学习速率，ξ∈[0,1]；3)当E小于指定阀值ε时，计算停止，本专利中取ε＝0.0001；6：重复步骤3‑5,训练神经网络，使初始权值不断修正进化，得到全局最优解；二、故障诊断将实时采集的数据输入训练好的神经网络，得出石油钻井在钻进过程中有关钻具的故障诊断结果；其中，神经网络输入节点数为2，分别是输入转盘扭矩和钻柱加速度计算值；输出节点数为3，分别用001代表卡钻、010代表钻具断落、100代表钻具刺漏，无事故用000表示。