典型文献
基于CEEMDAN-CNN的钻头磨损状态监测研究
文献摘要：
钻头磨损状态的准确监测对于提高钻井效率、规避钻井事故的发生具有重大意义.针对钻井过程中钻头磨损状态监测困难的问题,结合井下近钻头工程参数短节所测数据,提出基于自适应噪声完备经验模态分解(CEEMDAN)、小波阈值以及卷积神经网络(CNN)的钻头磨损监测模型.首先将近钻头工程参数测量短节测得的振动数据进行基于自适应噪声完备经验模态分解,得到一系列本征模态函数分量,再对本征模态函数分量进行小波阈值去噪并完成信号重构,最后根据重构信号提取钻头磨损特征,完成卷积神经网络模型训练和钻头磨损状态识别.研究结果表明,钻头磨损监测模型精度达到92.3％,即该模型能准确识别钻头磨损状态且识别准确率高.研究结果可为及时调整钻井参数、确定更换钻头时机等提供技术支持.
文献关键词：
钻头磨损;自适应噪声完备经验模态分解;小波阈值;卷积神经网络;近钻头工程参数;磨损监测
中图分类号：
作者姓名：
刘奕呈;李玉梅;张涛;李超
作者机构：
北京信息科技大学高动态导航技术北京市重点实验室;渤海钻探第二钻井分公司
文献出处：
引用格式：
[1]刘奕呈;李玉梅;张涛;李超-.基于CEEMDAN-CNN的钻头磨损状态监测研究)[J].石油机械,2022(09):59-65
A类：
钻头磨损状态,近钻头工程参数
B类：
CEEMDAN,状态监测,钻井效率,钻井事故,井下,自适应噪声完备经验模态分解,磨损监测,监测模型,将近,参数测量,本征模态函数,小波阈值去噪,信号重构,重构信号,信号提取,磨损特征,卷积神经网络模型,模型训练,状态识别,模型精度,准确识别,识别准确率,钻井参数
AB值：
0.160046
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
