基于CEEMDAN-CNN的钻头磨损状态监测研究*

2022-10-13刘奕呈李玉梅

石油机械 2022年9期

刘奕呈李玉梅张涛李超

(1.北京信息科技大学高动态导航技术北京市重点实验室 2.渤海钻探第二钻井分公司)

0 引言

对于钻头磨损状态的准确监测，能有效预防井下复杂状况、优化钻井参数、提高机械钻速。国内外对钻头磨损的研究主要以机械比能理论为基础[1-2]，并由钻头钝化趋势的定性分析逐渐发展为结合录井数据的定量计算[3-4]。

随着人工智能算法和井下近钻头工程参数测量技术的发展，为解决钻头磨损监测问题提供了新的思路。近钻头工程参数中包含大量与钻头磨损状态相关的特征，因此提取数据中的钻头磨损信息成为关键。文献[5]针对轮齿振动信号识别诊断困难的问题，提出以CEEMDAN(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise)排列熵为敏感特征量，通过支持向量机进行模式识别，实现螺旋锥齿轮故障辨识的方法。文献[6]提出了一种基于CEEMDAN多尺度熵与SSA-SVM相结合的故障诊断方法，用麻雀搜索算法(SSA)对SVM参数进行了优化，提高了参数寻优速度以及轴承的故障分类准确率。

笔者依据北京信息科技大学智能钻井实验室自主研发的井下工程参数测量工具所测8类井下工程参数源数据开展研究。以冀东油田某井实测数据为例，首先利用CEEMDAN算法和小波阈值对近钻头振动信号进行降噪处理并完成信号重构，对重构后的信号提取代表钻头磨损信息的8个特征量，输入卷积神经网络中进行模型训练并进行钻头磨损状态识别与监测，取得了比较满意的效果。

1 算法原理

1.1 CEEMDAN算法

由于井下为高温高压环境，测量工具测得的近钻头数据存在大量干扰信号，本文首先采用CEEMDAN算法对近钻头振动信号进行去噪处理，得到IMF(Intrinsic Mode Function)分量，CEEMDAN对信号的分解步骤如下[7]：

(1)为近钻头振动信号添加自适应白噪声，表达式如下：

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

(1)

式中：wi(t)(i=1,2,3,…,I)为高斯白噪声；I为进行CEEMDAN分解的振动信号的总量。

(2)

(3)假设用Ei(•)代表第i阶IMF分量，εi为与高斯白噪声能量相关的参数。计算1阶残差量、2阶IMF分量，表达式为：

(3)

(4)

(4)计算m(m=2,3,4,…,M)阶残差，m+1阶IMF分量，表达式为：

(5)

(6)

(5)重复上一步骤，直至残差的极值点个数不超过2个，若残差满足

(7)

则近钻头振动信号经过CEEMDAN分解后为：

(8)

1.2 小波阈值

对CEEMDAN分解得到的IMF分量进行小波阈值去噪[8]，可以进一步降低重构信号的噪声。小波阈值降噪的步骤为：

(1)对信号进行小波分解处理并求取小波的系数dj,k；

(2)设置阈值λ，高于λ的系数完整保留或者做“收缩处理”，低于λ被视为噪声并去除；

阈值和阈值函数的选择对信号的去噪效果有着决定性的影响。

阈值的表达式如下：

(9)

式中：σ为噪声标准方差；N为信号长度。

常用的阈值函数包括硬阈值函数和软阈值函数等。硬阈值函数为：

(10)

软阈值函数为：

(11)

本文在对CEEMDAN分解后得到的IMF分量进行小波阈值去噪的过程中，选取sym8小波基函数，使用软阈值函数取得了较为理想的振动信号去噪效果。

1.3 钻头磨损状态特征量

1.3.1 时域特征

时域特征量可以在一定程度上分辨出信号的变化情况，而这些变化可以较好地反映出钻头磨损的状态，因此时域特征被广泛应用于故障信号的特征提取。

时域特征指标包括有量纲指标和无量纲指标。相对于有量纲指标来说，无量纲指标无需考虑相对标准值，不受信号绝对水平的影响，并在故障诊断中表现出较好的效果。

本文首先对去噪后的近钻头振动信号提取6个时域无量纲特征指标，如表1所示。

表1 无量纲指标Table 1 Dimensionless indexes

1.3.2 熵特征

熵是代表系统不确定性程度的一种评价方法，已逐渐应用于故障诊断问题。本文考虑不同钻头磨损状态下的能量特征以及近钻头振动信号的复杂性与混乱程度，决定使用能量熵、排列熵[9-10]作为钻头磨损程度的特征量。

能量熵H的计算过程如下：

(12)

(13)

式中：pi为第i个元素在总能量中占比，pi=Ei/E。

排列熵的表达式如下：

(14)

重构符号序列：

(15)

式中：m表示嵌入维数；τ表示延迟参数。

1.4 卷积神经网络

卷积神经网络CNN(Convolutional Neural Networks)是一类包含卷积运算且具有深度结构的前馈神经网络，利用局部感知、权值共享以及汇聚层来简化网络参数，使得网络具有位移、尺度、非线性形变稳定性，近年来在故障诊断领域逐渐得到应用[11-14]。

经典卷积神经网络主要由输入层、卷积层、池化层和输出层4种网络层构成，其中隐含层包括卷积层和池化层，如图1所示。

图1 卷积神经网络Fig.1 Convolutional neural network

输入层将提取的8种钻头磨损状态特征量组成特征矩阵，作为输入数据写入神经单元。卷积层与池化层则需要选择合适的激活函数完成对数据特征的提取及采样，输出层用于结果的输出或特征的可视化。

钻头磨损状态监测模型的关键是确定卷积层和池化层的结构，本文采用的模型由3个卷积层和3个池化层组成。

2 钻头磨损状态监测

基于近钻头振动数据的钻头磨损状态监测，根据振动信号中包含的钻头磨损特征，对钻头轻度磨损、中度磨损、重度磨损等状态进行监测。以下是钻头磨损状态监测的具体步骤(见图2)。

图2 钻头磨损状态监测流程图Fig.2 Workflow of bit wear monitoring

(1)首先选取不同磨损状态的振动信号，使用CEEMDAN算法进行分解得到IMF分量。

(2)对得到的IMF分量使用小波软阈值去噪，并进行信号重构，形成去除噪声的振动信号。

(3)对去噪后的振动信号提取8个与钻头磨损状态相关的特征量组成磨损特征矩阵。

(4)将特征矩阵作为输入量输入到卷积神经网络中进行模型训练与测试。

3 试验分析

本文采用的数据来自冀东油田某井钻井过程中的实测数据，测量工具为北京信息科技大学自主研发的井下近钻头工程参数测量短节，如图3所示。该工具的数据采样频率为100 Hz，其参数测量范围及测量精度如表2所示。

图3 井下近钻头工程参数测量短节Fig.3 Downhole near-bit engineering parameter measurement nipple

表2 仪器参数测量范围及精度Table 2 Range and accuracy of parameter measurement

试验时钻具组合为：ø215.9 mm PDC(0.33 m)+430/410(1.11 m)+411/410浮阀(0.50 m)+ø172.0 mm无磁钻铤(3 m)+ø208.0 mm扶正器(1.532 m)+井下近钻头工程参数测量短节(3.255 m)+ø165.0 mm无磁钻铤(17.135 m)+411/4A10(1.1 m)+ø165.0 mm无磁钻铤(27.575 m)+411/410(1.13 m)+ø127.0 mm加重钻杆(197.595 m)。

根据录井数据，该井次为正常钻进，使用PDC钻头，实际钻进时间累计78 h。根据 IADC 标准，PDC钻头切削齿磨损程度分为 8个等级，切削齿磨损等级δBG=0表示钻头切削齿无磨损，δBG=8表示钻头切削齿完全磨损，如图4所示。钻井结束时起出钻头观察，钻头磨损等级为6。

图4 PDC钻头切削齿磨损等级示意图Fig.4 Schematic cutter wear grading of PDC bit

为有利于后续磨损状态识别，本文将钻头磨损等级0、1、2定义为轻度磨损，3、4、5定义为中度磨损，6、7、8定义为重度磨损。

观察井下多参数测量短节测得的数据发现，不同钻头磨损状态下的钻压、扭矩、温度、压力、Z轴振动等数据无较大差别，而X、Y轴振动数据有较大区分度。因此本文选取轻度磨损、中度磨损、重度磨损时期的近钻头X轴振动数据各10 000组进行分析。

本文仅对中度磨损振动信号的处理过程进行论述。首先利用CEEMDAN算法对振动信号进行分解，取前7个IMF分量，分解图如图5所示。由图5发现：前4个IMF分量仍包含较多干扰信息，不利于钻头磨损特征提取，故对其进行小波软阈值去噪处理，将处理后的IMF分量与剩余IMF分量进行信号重构，形成去噪后的振动信号。

图5 中度磨损振动信号CEEMDAN分解图Fig.5 CEEMDAN decomposition diagram of moderate wear vibration signal

图6为中度磨损信号去噪效果对比图。由图6b可知，使用CEEMDAN去噪取得了较好的效果，相比原始信号(图6a)已经去掉了大多数无用信号，但仍然存在较多干扰信号；而使用CEEMDAN+小波软阈值去噪(图6c)，虽然在某些峰值处出现失真现象，但总体的去噪效果要明显好于仅使用CEEMDAN去噪的信号。

图6 中度磨损信号去噪效果对比图Fig.6 Denoising effect of moderate wear signals

对使用CEEMDAN+小波软阈值去噪后的振动信号进行特征提取，提取包括6个无量纲的时域指标和2个熵特征在内的8个特征量，输入到卷积神经网络中进行训练与识别。

选取3种磨损状态各10 000个近钻头X轴振动数据组成训练集，另选取其他井次三种磨损状态各5 000个数据组成测试集，模型训练与测试过程如图7所示。

图7 CNN模型训练与测试过程Fig.7 CNN model training and testing process

从图7可以看出，卷积神经网络的拟合情况较好，识别准确率较高。整个训练集训练了200轮次，在第110轮时，模型的精度上升到了0.900；在第150轮时，模型精度达到了0.930；之后保持稳定，总体的模型精度保持在0.923左右。该结果代表使用卷积神经网络训练出来的钻头磨损状态监测模型可以很好地识别钻头磨损的状态。

图8为模型训练数据和测试数据的误差收敛曲线。由图8可以看出，随着训练次数的增加误差开始减小，在训练次数达到110轮时，误差趋于一个较小的值且保持稳定，表明模型已训练至收敛。

图8 模型训练误差收敛曲线Fig.8 Model training error convergence curve

对原始信号、CEEMDAN去噪后的信号以及CEEMDAN+小波软阈值去噪后的信号分别进行特征提取，输入到CNN中训练模型，对比训练后的模型精度，结果如图9所示。由图9可以看出，CEEMDAN+小波软阈值去噪的处理方法相较于CEEMDAN去噪方法，更有利于钻头磨损特征量的提取，从而大幅度提高钻头磨损状态监测模型的精度。