基于CEEMDAN-CNN的鉆頭磨損狀態監測研究*

劉奕呈 李玉梅 張 濤 李 超

(1.北京信息科技大學高動態導航技術北京市重點實驗室 2.渤海鉆探第二鉆井分公司)

0 引 言

對于鉆頭磨損狀態的準確監測，能有效預防井下復雜狀況、優化鉆井參數、提高機械鉆速。國內外對鉆頭磨損的研究主要以機械比能理論為基礎[1-2]，并由鉆頭鈍化趨勢的定性分析逐漸發展為結合錄井數據的定量計算[3-4]。

隨著人工智能算法和井下近鉆頭工程參數測量技術的發展，為解決鉆頭磨損監測問題提供了新的思路。近鉆頭工程參數中包含大量與鉆頭磨損狀態相關的特征，因此提取數據中的鉆頭磨損信息成為關鍵。文獻[5]針對輪齒振動信號識別診斷困難的問題，提出以CEEMDAN(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise)排列熵為敏感特征量，通過支持向量機進行模式識別，實現螺旋錐齒輪故障辨識的方法。文獻[6]提出了一種基于CEEMDAN多尺度熵與SSA-SVM相結合的故障診斷方法，用麻雀搜索算法(SSA)對SVM參數進行了優化，提高了參數尋優速度以及軸承的故障分類準確率。

筆者依據北京信息科技大學智能鉆井實驗室自主研發的井下工程參數測量工具所測8類井下工程參數源數據開展研究。以冀東油田某井實測數據為例，首先利用CEEMDAN算法和小波閾值對近鉆頭振動信號進行降噪處理并完成信號重構，對重構后的信號提取代表鉆頭磨損信息的8個特征量，輸入卷積神經網絡中進行模型訓練并進行鉆頭磨損狀態識別與監測，取得了比較滿意的效果。

1 算法原理

1.1 CEEMDAN算法

由于井下為高溫高壓環境，測量工具測得的近鉆頭數據存在大量干擾信號，本文首先采用CEEMDAN算法對近鉆頭振動信號進行去噪處理，得到IMF(Intrinsic Mode Function)分量，CEEMDAN對信號的分解步驟如下[7]：

(1)為近鉆頭振動信號添加自適應白噪聲，表達式如下：

xi(t)=x(t)+wi(t)

(1)

式中：wi(t)(i=1,2,3,…,I)為高斯白噪聲；I為進行CEEMDAN分解的振動信號的總量。

(2)

(3)假設用Ei(?)代表第i階IMF分量，εi為與高斯白噪聲能量相關的參數。計算1階殘差量、2階IMF分量，表達式為：

(3)

(4)

(4)計算m(m=2,3,4,…,M)階殘差，m+1階IMF分量，表達式為：

(5)

(6)

(5)重復上一步驟，直至殘差的極值點個數不超過2個，若殘差滿足

(7)

則近鉆頭振動信號經過CEEMDAN分解后為：

(8)

1.2 小波閾值

對CEEMDAN分解得到的IMF分量進行小波閾值去噪[8]，可以進一步降低重構信號的噪聲。小波閾值降噪的步驟為：

(1)對信號進行小波分解處理并求取小波的系數dj,k；

(2)設置閾值λ，高于λ的系數完整保留或者做“收縮處理”，低于λ被視為噪聲并去除；

閾值和閾值函數的選擇對信號的去噪效果有著決定性的影響。

閾值的表達式如下：

(9)

式中：σ為噪聲標準方差；N為信號長度。

常用的閾值函數包括硬閾值函數和軟閾值函數等。硬閾值函數為：

(10)

軟閾值函數為：

(11)

本文在對CEEMDAN分解后得到的IMF分量進行小波閾值去噪的過程中，選取sym8小波基函數，使用軟閾值函數取得了較為理想的振動信號去噪效果。

1.3 鉆頭磨損狀態特征量

1.3.1 時域特征

時域特征量可以在一定程度上分辨出信號的變化情況，而這些變化可以較好地反映出鉆頭磨損的狀態，因此時域特征被廣泛應用于故障信號的特征提取。

時域特征指標包括有量綱指標和無量綱指標。相對于有量綱指標來說，無量綱指標無需考慮相對標準值，不受信號絕對水平的影響，并在故障診斷中表現出較好的效果。

本文首先對去噪后的近鉆頭振動信號提取6個時域無量綱特征指標，如表1所示。

表1 無量綱指標Table 1 Dimensionless indexes

1.3.2 熵特征

熵是代表系統不確定性程度的一種評價方法，已逐漸應用于故障診斷問題。本文考慮不同鉆頭磨損狀態下的能量特征以及近鉆頭振動信號的復雜性與混亂程度，決定使用能量熵、排列熵[9-10]作為鉆頭磨損程度的特征量。

能量熵H的計算過程如下：

(12)

(13)

式中：pi為第i個元素在總能量中占比，pi=Ei/E。

排列熵的表達式如下：

(14)

重構符號序列：

(15)

式中：m表示嵌入維數；τ表示延遲參數。

1.4 卷積神經網絡

卷積神經網絡CNN(Convolutional Neural Networks)是一類包含卷積運算且具有深度結構的前饋神經網絡，利用局部感知、權值共享以及匯聚層來簡化網絡參數，使得網絡具有位移、尺度、非線性形變穩定性，近年來在故障診斷領域逐漸得到應用[11-14]。

經典卷積神經網絡主要由輸入層、卷積層、池化層和輸出層4種網絡層構成，其中隱含層包括卷積層和池化層，如圖1所示。

圖1 卷積神經網絡Fig.1 Convolutional neural network

輸入層將提取的8種鉆頭磨損狀態特征量組成特征矩陣，作為輸入數據寫入神經單元。卷積層與池化層則需要選擇合適的激活函數完成對數據特征的提取及采樣，輸出層用于結果的輸出或特征的可視化。

鉆頭磨損狀態監測模型的關鍵是確定卷積層和池化層的結構，本文采用的模型由3個卷積層和3個池化層組成。

2 鉆頭磨損狀態監測

基于近鉆頭振動數據的鉆頭磨損狀態監測，根據振動信號中包含的鉆頭磨損特征，對鉆頭輕度磨損、中度磨損、重度磨損等狀態進行監測。以下是鉆頭磨損狀態監測的具體步驟(見圖2)。

圖2 鉆頭磨損狀態監測流程圖Fig.2 Workflow of bit wear monitoring

(1)首先選取不同磨損狀態的振動信號，使用CEEMDAN算法進行分解得到IMF分量。

(2)對得到的IMF分量使用小波軟閾值去噪，并進行信號重構，形成去除噪聲的振動信號。

(3)對去噪后的振動信號提取8個與鉆頭磨損狀態相關的特征量組成磨損特征矩陣。

(4)將特征矩陣作為輸入量輸入到卷積神經網絡中進行模型訓練與測試。

3 試驗分析

本文采用的數據來自冀東油田某井鉆井過程中的實測數據，測量工具為北京信息科技大學自主研發的井下近鉆頭工程參數測量短節，如圖3所示。該工具的數據采樣頻率為100 Hz，其參數測量范圍及測量精度如表2所示。

圖3 井下近鉆頭工程參數測量短節Fig.3 Downhole near-bit engineering parameter measurement nipple

表2 儀器參數測量范圍及精度Table 2 Range and accuracy of parameter measurement

試驗時鉆具組合為：?215.9 mm PDC(0.33 m)+430/410(1.11 m)+411/410浮閥(0.50 m)+?172.0 mm無磁鉆鋌(3 m)+?208.0 mm扶正器(1.532 m)+井下近鉆頭工程參數測量短節(3.255 m)+?165.0 mm無磁鉆鋌(17.135 m)+411/4A10(1.1 m)+?165.0 mm無磁鉆鋌(27.575 m)+411/410(1.13 m)+?127.0 mm加重鉆桿(197.595 m)。

根據錄井數據，該井次為正常鉆進，使用PDC鉆頭，實際鉆進時間累計78 h。根據 IADC 標準，PDC鉆頭切削齒磨損程度分為 8個等級，切削齒磨損等級δBG=0表示鉆頭切削齒無磨損，δBG=8表示鉆頭切削齒完全磨損，如圖4所示。鉆井結束時起出鉆頭觀察，鉆頭磨損等級為6。

圖4 PDC鉆頭切削齒磨損等級示意圖Fig.4 Schematic cutter wear grading of PDC bit

為有利于后續磨損狀態識別，本文將鉆頭磨損等級0、1、2定義為輕度磨損，3、4、5定義為中度磨損，6、7、8定義為重度磨損。

觀察井下多參數測量短節測得的數據發現，不同鉆頭磨損狀態下的鉆壓、扭矩、溫度、壓力、Z軸振動等數據無較大差別，而X、Y軸振動數據有較大區分度。因此本文選取輕度磨損、中度磨損、重度磨損時期的近鉆頭X軸振動數據各10 000組進行分析。

本文僅對中度磨損振動信號的處理過程進行論述。首先利用CEEMDAN算法對振動信號進行分解，取前7個IMF分量，分解圖如圖5所示。由圖5發現：前4個IMF分量仍包含較多干擾信息，不利于鉆頭磨損特征提取，故對其進行小波軟閾值去噪處理，將處理后的IMF分量與剩余IMF分量進行信號重構，形成去噪后的振動信號。

圖5 中度磨損振動信號CEEMDAN分解圖Fig.5 CEEMDAN decomposition diagram of moderate wear vibration signal

圖6為中度磨損信號去噪效果對比圖。由圖6b可知，使用CEEMDAN去噪取得了較好的效果，相比原始信號(圖6a)已經去掉了大多數無用信號，但仍然存在較多干擾信號；而使用CEEMDAN+小波軟閾值去噪(圖6c)，雖然在某些峰值處出現失真現象，但總體的去噪效果要明顯好于僅使用CEEMDAN去噪的信號。

圖6 中度磨損信號去噪效果對比圖Fig.6 Denoising effect of moderate wear signals

對使用CEEMDAN+小波軟閾值去噪后的振動信號進行特征提取，提取包括6個無量綱的時域指標和2個熵特征在內的8個特征量，輸入到卷積神經網絡中進行訓練與識別。

選取3種磨損狀態各10 000個近鉆頭X軸振動數據組成訓練集，另選取其他井次三種磨損狀態各5 000個數據組成測試集，模型訓練與測試過程如圖7所示。

圖7 CNN模型訓練與測試過程Fig.7 CNN model training and testing process

從圖7可以看出，卷積神經網絡的擬合情況較好，識別準確率較高。整個訓練集訓練了200輪次，在第110輪時，模型的精度上升到了0.900；在第150輪時，模型精度達到了0.930；之后保持穩定，總體的模型精度保持在0.923左右。該結果代表使用卷積神經網絡訓練出來的鉆頭磨損狀態監測模型可以很好地識別鉆頭磨損的狀態。

圖8為模型訓練數據和測試數據的誤差收斂曲線。由圖8可以看出，隨著訓練次數的增加誤差開始減小，在訓練次數達到110輪時，誤差趨于一個較小的值且保持穩定，表明模型已訓練至收斂。

圖8 模型訓練誤差收斂曲線Fig.8 Model training error convergence curve

對原始信號、CEEMDAN去噪后的信號以及CEEMDAN+小波軟閾值去噪后的信號分別進行特征提取，輸入到CNN中訓練模型，對比訓練后的模型精度，結果如圖9所示。由圖9可以看出，CEEMDAN+小波軟閾值去噪的處理方法相較于CEEMDAN去噪方法，更有利于鉆頭磨損特征量的提取，從而大幅度提高鉆頭磨損狀態監測模型的精度。

圖9 不同去噪方法的模型精度對比Fig.9 Model accuracies of different denoising methods

本文建立的鉆頭磨損狀態監測模型相對于定性分析和定量計算的鉆頭磨損監測方法，較大地降低了監測相對誤差，具有較好的實時性和準確性，為鉆頭磨損狀態監測提供了新的思路。

4 結 論

(1)基于CEEMDAN-CNN的鉆頭磨損狀態監測模型使用小波軟閾值對CEEMDAN算法進行改進，達到了很好地去噪效果，提高了不同磨損狀態樣本之間的特征區分度。

(2)使用卷積神經網絡訓練模型，平均識別準確率達到0.923，可以很好地監測鉆頭磨損狀態。

(3)該模型將近鉆頭數據與機器學習算法相結合，提供了鉆頭磨損狀態監測新思路，從而降低由鉆頭嚴重磨損導致安全事故發生的概率。