基于改进CNN-SVM的井下钻头磨损状态评估研究

现有钻头磨损评估方法中,存在人工特征提取过程可能无法完全提取正确分类所需的信号动态特征,及需要对各个统计量进行大量计算等问题。为此,提出了一种新的基于改进卷积神经网络支持向量机(CNN-SVM)的钻头磨损程度评估算法。该算法将采集的近钻头原始振动数据导入CNN-Softmax模型,通过训练好的CNN模型从近钻头数据中提取主要的特征参数,将提取的稀疏特征向量输入SVM并进行故障分类,利用遗传算法实现SVM参数的优化选择,最后应用t分布随机邻域法近邻嵌入,使其故障特征学习过程可视化,以评估其特征提取能力。采用该算法对钻头磨损的现场试验数据进行了分析。分析结果表明:基于改进CNN-SVM的井下钻头磨损状态评估算法准确率高达98.33%。所得结论可为实现钻头磨损状态的进一步监测提供理论支撑。

基于双信号融合的超声振动钻削钻头磨损状态监测研究

为了监测超声振动钻削过程中钻头的磨损状态,构建了超声振动钻削钻头的振动信号和AE信号的采集系统,通过采集不同磨损状态下钻头的振动信号和AE信号,对其进行小波分解,得到与钻头磨损相关的特征值,将二者融合后作为神经网络的输入,输入至构建的12-10-3的BP神经网络中,进行钻头磨损状态的识别。试验结果表明,所建BP神经网络通过振动和AE的融合信号对钻头的有效识别率为91.7%,可以有效对钻头的磨损状态进行识别。

基于声发射和振动信号的振动钻削钻头故障诊断试验研究

针对钻削过程中钻头状态监测问题,基于声发射采集系统和振动采集系统设计超声轴向振动钻削钻头故障监测装置,分别应用完整钻头和故障钻头进行45钢板的超声振动钻削对比试验,采集不同钻头状态的AE和振动信号,通过时域分析、频域分析和小波分解,分析故障钻头对AE和振动信号的影响。试验结果表明:通过AE和振动信号判别钻头状态,判别结果与实际一致,能够实现钻头的故障诊断。

基于BP神经网络的超声振动钻削钻头磨损状态监测试验研究

搭建了超声轴向振动钻削钻头磨损状态的钻削力和声发射信号采集系统,采集不同磨损状态下钻中区域的钻削力和声发射信号进行小波分解,得到与钻头磨损状态相关的特征量作为识别钻头磨损状态的特征参数,输入到建立的6-13-3的三层BP神经网络模型中进行融合,识别钻头磨损状态。试验结果表明,通过BP神经网络技术将钻削力和声发射信号融合识别钻头磨损的准确率约88.9%,能够有效监测钻头磨损状态。

合理设计岩屑规程 保证正常钻进条件——金刚石钻进技术专题之一

论述了正常钻进的条件,提出了合理岩屑规程是保证正常钻进的关键和设计钻头的主要依据之一,讨论了岩屑规程与金刚石钻头唇面工作状态、孔底表面粗糙度和岩屑粒度的关系,提出了相应的建议。