【技術實現步驟摘要】
本專利技術涉及石油鉆探，尤其涉及一種基于深度學習的鐵鉆工石油接箍狀態聲音識別方法及系統。
技術介紹
1、當前，石油鉆探領域的起下鉆接箍過程中，鐵鉆工的自動化及監控識別系統已經取得了顯著進展，通過這些系統可以有效地控制起下鉆接箍的過程，提高作業效率和安全性。接箍操作是石油鉆探過程中關鍵的一環，涉及連接鉆柱的不同部分主要包括公扣和母扣兩種形式。公扣是接箍的一部分，通常位于鉆桿或鉆柱的末端，帶有外螺紋。在接箍過程中，公扣插入母扣內部，并通過旋轉形成緊密的連接。母扣則是帶有內螺紋的部分，通常固定在鉆桿的另一端或管柱上。它與公扣配合，通過旋轉使兩者緊密結合，形成穩固的連接。所以在起下鉆過程中主要分為：起鉆：卸扣操作；下鉆：上扣操作。傳統的接箍狀態監測依賴于物理傳感器收集的數據，如壓力、力矩和旋轉速度等，通過預設的閾值或模式來判斷狀態變化。雖然這些方法在一定程度上有效，但在復雜的作業環境中，如傳感器故障時，其準確性和可靠性會大大降低。
2、現有的基于物理傳感器的監控系統在處理復雜環境和微妙的狀態變化時存在局限性。首先，物理傳感器可能受到環境因素的干擾，導致數據不準確。其次，這些系統往往無法實時處理大量數據，從而無法即時識別故障或狀態變化。最重要的是，當傳感器本身發生故障時，整個監測系統的可靠性將受到影響。現有機器視覺方案，盡管可以得知接箍高度進而進行上卸扣操作，但是由于目標檢測的誤差無法讓鐵鉆工完美地沒有誤差地將公扣母扣完全旋出，或者旋入。
技術實現思路
1、鑒于現有技術的上述缺點
2、為了達到上述目的，本專利技術采用的主要技術方案包括：
3、第一方面，本專利技術實施例提供一種基于深度學習的鐵鉆工石油接箍狀態聲音識別方法，包括：
4、s1、獲取鐵鉆工石油接箍上扣過程或卸扣過程的音頻信號段；
5、s2、針對所述音頻信號段，按照預先設定的分幀邏輯進行分幀，得到多幀音頻信號；
6、s3、基于每幀音頻信號，獲取每幀音頻信號的mfcc特征，并根據所述mfcc特征，確定該幀音頻信號所對應的接箍狀態信息；
7、s4、基于每幀音頻信號所對應的mfcc特征和接箍狀態信息，以及預先得到的與該幀音頻信號所對應的鐵鉆工狀態數據，分別獲取每幀音頻信號所對應的綜合特征向量；
8、s5、基于每幀音頻信號所對應的綜合特征向量和/或預先獲取的第一音頻信號段，獲取預測結果；
9、所述第一音頻信號段為鐵鉆工石油接箍上扣過程或卸扣過程的音頻信號段之前的預先指定時間段的音頻信號。
10、優選地，所述s2具體包括：
11、將所述音頻信號段，按照預先指定幀長，分為多幀音頻信號。
12、優選地，所述s3具體包括：
13、s31、針對每幀音頻信號，進行特征提取處理，分別得到每幀音頻信號的mfcc特征；
14、s32、分別將每幀音頻信號的mfcc特征，輸入至預訓練的接箍狀態檢測模型中，得到每幀音頻信號分別所對應的接箍狀態信息；
15、其中，音頻信號所對應的接箍狀態信息包括：該幀音頻信號所對應的每一狀態標簽的概率值和置信度；
16、采用第一訓練數據集對接箍狀態檢測模型進行訓練，得到預訓練的接箍狀態檢測模型；
17、所述接箍狀態檢測模型為卷積神經網絡模型；
18、所述第一訓練數據集包括：鐵鉆工石油接箍上扣過程和卸扣過程中的多個時段的音頻信號、每一時段的音頻信號所對應的mfcc特征以及每一時段的音頻信號所對應的預先設定的狀態標簽；
19、所述狀態標簽包括：用于表示該時段的音頻信號對應的是接箍中正常操作狀態的第一標簽；用于表示該時段的音頻信號對應的是接箍中背景噪音的第二標簽；用于表示該時段的音頻信號對應的是接箍中在旋緊中狀態的第三標簽；用于表示該時段的音頻信號對應的是接箍中在旋緊完成狀態的第四標簽；用于表示該時段的音頻信號對應的是接箍中在旋緊過渡狀態的第五標簽；用于表示該時段的音頻信號對應的是接箍中在旋開狀態的第六標簽；用于表示該時段的音頻信號對應的是接箍中在旋開完成狀態的第七標簽。
20、優選地，所述s4具體包括：
21、s41、將所述音頻信號進行分幀后得到的多幀音頻信號，進行篩選處理，得到篩選后的多幀音頻信號；
22、s42、針對篩選后的多幀音頻信號進行拼幀處理，得到多個音頻序列；
23、s43、基于音頻序列以及每幀音頻信號所對應的mfcc特征和接箍狀態信息和與該幀音頻信號所對應的鐵鉆工狀態數據，得到該幀音頻信號的所對應的綜合特征向量。
24、優選地，所述s41具體包括：
25、將所述音頻信號進行分幀后得到的多幀音頻信號中，所對應的置信度小于預先設定值的每幀音頻信號進行去除，得到篩選后的多幀音頻信號。
26、優選地，所述s42具體包括：
27、當n≤m－4時，經過拼幀處理后所得到的第n個音頻序列ptn為：{pn、p(n+2)、p(n+4)}；
28、當m－4＜n≤m－2時，經過拼幀處理后所得到的第n個音頻序列ptn為：{pn、p(n+2)}；
29、當m－2＜n≤m時，經過拼幀處理后所得到的第n個音頻序列ptn為：{pn}；
30、其中，m為得到篩選后的音頻信號的幀數；
31、pn為篩選后的多幀音頻信號中的第n幀音頻信號。
32、優選地，
33、綜合特征向量為asn；
34、asn＝[fn，s[n]，c[n]，sc[n]]；
35、fn就是篩選后的多幀音頻信號中的第n幀音頻信號所對應的置信度；
36、s[n]＝{pn、pn所對應的每一狀態標簽的概率值、pn所對應的每一狀態標簽的置信度}；
37、c[n]包括：第n個音頻序列ptn所對應的置信度曲線；
38、其中，第n個音頻序列ptn所對應的置信度曲線為第n個音頻序列ptn中所包含的每幀音頻信號分別所對應的每一狀態標簽的置信度的連接線；
39、鐵鉆工狀態數據sc[n]為：第一預設數值、第二預設數值以及第三預設數值中的任一數值；
40、其中，第一預設數值表示：鐵鉆工為未知狀態；第二預設數值表示：鐵鉆工為上扣狀態；第三預設數值表示：鐵鉆工為卸扣狀態。
41、優選地，所述s5具體包括：
42、s51、基于每幀音頻信號所對應的綜合特征向量，獲取綜合特征向量序列；
43、asseq＝{as1、as2、as3、...、asm}；
44、其中，asseq為綜合特征向量序列；
45、s52、將所述綜合特征向量序列asseq和/或預先獲取的第一音頻信號段，輸入至預訓練的lstm時序檢測模型，得到預測結果；
46、其中，采用第二訓練數據集訓練ls本文檔來自技高網...
【技術保護點】
1.一種基于深度學習的鐵鉆工石油接箍狀態聲音識別方法，其特征在于，包括：
2.根據權利要求1所述的基于深度學習的鐵鉆工石油接箍狀態聲音識別方法，其特征在于，所述S2具體包括：
3.根據權利要求2所述的基于深度學習的鐵鉆工石油接箍狀態聲音識別方法，其特征在于，所述S3具體包括：
4.根據權利要求3所述的基于深度學習的鐵鉆工石油接箍狀態聲音識別方法，其特征在于，所述S4具體包括：
5.根據權利要求4所述的基于深度學習的鐵鉆工石油接箍狀態聲音識別方法，其特征在于，所述S41具體包括：
6.根據權利要求5所述的基于深度學習的鐵鉆工石油接箍狀態聲音識別方法，其特征在于，所述S42具體包括：
7.根據權利要求6所述的基于深度學習的鐵鉆工石油接箍狀態聲音識別方法，其特征在于，
8.根據權利要求7所述的基于深度學習的鐵鉆工石油接箍狀態聲音識別方法，其特征在于，所述S5具體包括：
9.根據權利要求8所述的基于深度學習的鐵鉆工石油接箍狀態聲音識別方法，其特征在于，
10.一種基于深度學習的鐵鉆
...【技術特征摘要】
1.一種基于深度學習的鐵鉆工石油接箍狀態聲音識別方法，其特征在于，包括：
2.根據權利要求1所述的基于深度學習的鐵鉆工石油接箍狀態聲音識別方法，其特征在于，所述s2具體包括：
3.根據權利要求2所述的基于深度學習的鐵鉆工石油接箍狀態聲音識別方法，其特征在于，所述s3具體包括：
4.根據權利要求3所述的基于深度學習的鐵鉆工石油接箍狀態聲音識別方法，其特征在于，所述s4具體包括：
5.根據權利要求4所述的基于深度學習的鐵鉆工石油接箍狀態聲音識別方法，其特征在于，所述s41...
【專利技術屬性】
技術研發人員：劉秀奇，陳閣，任克營，李弢，
申請(專利權)人：北京捷杰西科技股份有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。