基于改進CNN-SVM的井下鉆頭磨損狀態評估研究

李玉梅 鄧楊林 李基偉 李乾 楊磊 于麗維

現有鉆頭磨損評估方法中，存在人工特征提取過程可能無法完全提取正確分類所需的信號動態特征，及需要對各個統計量進行大量計算等問題。為此，提出了一種新的基于改進卷積神經網絡支持向量機（CNN-SVM）的鉆頭磨損程度評估算法。該算法將采集的近鉆頭原始振動數據導入CNN-Softmax模型，通過訓練好的CNN模型從近鉆頭數據中提取主要的特征參數，將提取的稀疏特征向量輸入SVM并進行故障分類，利用遺傳算法實現SVM參數的優化選擇，最后應用t分布隨機鄰域法近鄰嵌入，使其故障特征學習過程可視化，以評估其特征提取能力。采用該算法對鉆頭磨損的現場試驗數據進行了分析。分析結果表明：基于改進CNN-SVM的井下鉆頭磨損狀態評估算法準確率高達98.33%。所得結論可為實現鉆頭磨損狀態的進一步監測提供理論支撐。

鉆頭磨損狀態評估；卷積神經網絡；支持向量機；特征提取可視化；平均池化采樣

Evaluation of Downhole Bit Wear Status Based on Improved CNN-SVM

The existing bit wear evaluation methods have the problems such as the inability of fully extracting the dynamic feature of signals needed by correct classification in the manual feature extraction process and the need for massive calculation of various statistics.Therefore，a new bit wear rate evaluation algorithm based on improved CNN-SVM was proposed in the paper.This algorithm imported the collected near-bit raw vibration data into the CNN-Softmax model，extracted the main feature parameters from the near-bit data through the trained CNN model，input the extracted sparse feature vectors into SVM for fault classification，used genetic algorithm to achieve optimization selection of SVM parameters，and finally used t-distribution stochastic neighborhood method to conduct near neighbor embedding to visualize the fault feature learning process and evaluate its feature extraction ability.In addition，this algorithm was used to analyze the field test data of bit wear.The analysis results show that the accuracy of the downhole bit wear status evaluation algorithm based on CNN-SVM is as high as 98.33%.The conclusions provide theoretical support for realizing further monitoring of bit wear status.

bit wear status evaluation；convolutional neural networks （CNN）；support vector machine （SVM）；feature extraction visualization；mean pooling sampling

0 引 言

在鉆井過程中，鉆頭是破巖的主要工具，所鉆油井質量、鉆進速度以及鉆井成本都與鉆頭工作性能直接相關［1］。若鉆頭因磨損過于嚴重而不能工作，或因判斷不準確沒有起鉆，將易引發事故，如牙輪卡死、掉牙輪等，并對鉆井效率產生嚴重影響。為了保證鉆井作業順利進行且減少成本，需要提前科學、準確地判斷井下鉆頭磨損狀態［2］。

近年來，人工智能算法和鉆井數據采集技術在油氣領域得到了廣泛的應用，為解決智能鉆頭磨損評估提供了新的方法。鉆井過程中能夠產生大量與鉆頭磨損相關的振動數據，如何有效利用這些振動數據成為關鍵。因此，國內外學者在鉆頭磨損方面進行了大量研究，提出了多種診斷方法［3～4］。B.RASHIDI等［5～7］提出了以機械比能量為基礎的Rashidi模型及改進模型。LIU Z.等［8］建立了基于PDC鉆頭的單齒磨損分析的Liu模型。S.G.I.NAGANAWA［9］依據牙輪鉆頭軸向振動功率譜峰值隨著齒面磨損的加深而向更高頻率移動這一結果，提出了一種用于定量評價鉆頭切削齒磨損的軸向振動動力學模型。上述模型的建立都基于理想條件，但井下振動是一個復雜的過程，使用數據驅動的評估模型更具有現實意義。C.E.AGOSTINI等［10］提出了一種機器學習系統，利用概率神經網絡（PNN）和貝葉斯定理，結合表面扭矩圖像的功率譜密度（PSD）和深度卷積自編碼器（DCAE）的特征提取，來幫助實時操作的鉆頭進行磨損評估。劉奕呈等［11］利用近鉆頭測量工具所測振動數據，提出了一種深度學習方法，利用完全集合經驗模態分解（CEEMDAN）和卷積神經網絡（CNN）相結合，實現對鉆頭磨損的評估。SHI Y.C.等［12］首先通過小波分解，對鉆頭在鉆井過程中的鉆削力、振動和聲發射信號進行處理，從中提取鉆頭磨損狀態信號；其次，選取具有較高狀態相關度的小波能量系數作為判別鉆頭磨損狀況的主要特征參數，最后采用噪聲輔助局部均值分解（LMD）和BP神經網絡相結合的方法訓練特征參數。但上述評估中存在的人工特征提取過程會導致2個問題［13］：第一，可能無法完全提取正確分類所需的信號動態特征；第二，需要對各個統計量進行大量計算。

為了解決上述問題，本文提出了一種新的基于改進CNN-SVM的鉆頭磨損程度評估算法，該算法不需要進行時頻域變換，只需對近鉆頭原始數據進行多層卷積池化操作，自適應地從原始信號中逐步提取特征值，最后通過輸入給遺傳算法優化支持向量機來實現鉆頭不同磨損狀態的分類。

1 卷積神經網絡和支持向量機

1.1 卷積層與下采樣層

卷積層的輸入是上一層的輸出，它的輸入和其卷積核進行卷積運算，卷積運算的結果通過激活函數得到輸出：

式中：f（·）為卷積激活函數；Mj為輸入特征圖集；xl-1j為輸入特征圖的第l-1個通道；klij為卷積的權重矩陣；為卷積運算；blj為偏置項。

近年來，由于具有較低的計算量和較快的訓練速度，ReLU（修正線性單元）函數被廣泛應用于激活函數：

在每一個卷積層后都會應用一個下采樣層，下采樣層減少了輸入特性的大小和網絡中的參數數量，不僅提高了準確性，也降低了提取的特征維度，一定程度上防止了過擬合。其數學模型為：

xlj=f（βljdown（xl-1j+blj））（3）

式中：down（·）為下采樣函數；βlj為乘法偏置。下采樣函數可以是最大采樣，也可以是平均采樣，這里采用平均池化采樣。

1.2 全連接層與支持向量機

全連接層是一種傳統的前饋神經網絡，全連接層的目的是從之前的特征圖譜中收集所有的特征來進行分類。輸出層采用Softmax函數作為激活函數，Softmax函數定義如下：

式中：z為整個樣本集合；k為樣本個數，取值為1，2，…，N。

支持向量機（SVM）是典型的兩類模型。它在解決多類、非線性、高維模式識別方面有很好的應用前景［14］。與CNN-Softmax分類方法相比，支持向量機在分類方面表現出了顯著的優勢。因此，使用支持向量機取代了Softmax分類器，并給出了如下的數學模型：

式中：ω為最優平面法向量;C為懲罰因子;ζi為松弛因子;mi為第i個樣本的類別；li表示第i個輸入樣本特征向量;b為分類閾值。

這里使用高斯徑向基（Radial Basis Function，RBF）核函數構造決策函數f（l）：

式中：sgn為符號函數；αi為權重系數；exp為以e為底的指數函數；l為待測樣本特征向量；γ為決策函數f（l）的參數；β為最優閾值。

1.3 遺傳算法優化SVM

支持向量機分類精度和泛化能力受到懲罰因子、核函數的影響，支持向量機參數的確定通常是在交叉思想下使用網格法尋找最優懲罰因子和核函數參數，為了克服網格法在大范圍內尋找最優參數的局限性，采用遺傳算法來搜索最優參數，流程如圖1所示。

1.4 目標函數與訓練算法

監督學習中，目標函數由損失函數（Loss）和L2正則J（f）項組成。這里引入全局損失函數：

采用L2正則化方法對模型復雜度進行衡量，常用的目標函數表達式為：

式中：xi為第i個樣本數據；yi為其正確標簽值；h（xi）為預測標簽值；f為權重，λ為懲罰強度。

Adam訓練與優化計算［15］：與傳統的隨機梯度計算相比較，Adam訓練算法不會保持一個固定的學習效率，它會為不同的參數進行一階矩估計和二階矩估計的梯度計算，從而為不同參數設置自適應學習值。Adam訓練算法更適合于處理含有很高噪聲或稀疏梯度的問題。

2 基于改進CNN-SVM的井下鉆頭磨

損狀態評估模型建立

2.1 模型架構設計

以CNN-SVM為基礎，采用“卷積-池化-卷積-池化-卷積-池化-全連接-優化支持向量機分類器”的結構（見圖2），利用3層卷積和池化方法對原始信號進行特征提取。為了得到大量的感知野［16］，在不需要進行冗余運算的情況下，需要設計合理的卷積核規格和數目，逐步減少的卷積核能夠有效地減少模型的參數。表1為該模型的特定參數表。

2.2 模型訓練

基于近鉆頭的振動數據構建卷積神經網絡和遺傳算法優化支持向量機CNN-GA-SVM模型分為3個階段：數據預處理階段、訓練階段和測試階段。訓練流程如圖3所示。

該模型訓練步驟如下。

（1）在數據預處理階段：①通過仔細分析鉆井報告和觀察鉆井后的鉆頭磨損程度，人工對數據集訓練進行分類。根據實際鉆頭磨損，生成數據集磨損標簽，采用的是國際鉆井承包商協會（IADC）的標準，根據切削齒的磨損高度與切削齒直徑比值的大小，將切削齒的磨損分為8個級別［17］，所采用的磨損標記分類策略為三元分類。②歸一化數據，按照一定比例劃分訓練集和測試集。③通過深度學習算法進行鉆頭磨損等級評估。

（2）在CNN-GA-SVM模型訓練階段：①構建一個基于卷積神經網絡CNN和Softmax輸出層的架構，通過誤差反向傳播算法，計算模型各層的權重和偏置，依據預測結果與實際樣本標簽之間的誤差迭代更新模型參數，確定CNN訓練模型參數;②利用確定的CNN訓練模型自適應提取原始振動數據特征信息;③為了克服網格法在大范圍內尋找支持向量機最優參數的局限性，利用遺傳算法尋找最優懲罰因子和核函數參數，將所抽取的低維特征信息輸入到GA-SVM中以完成訓練。

（3）在CNN-GA-SVM模型的測試階段：①利用卷積神經網絡模型對新的故障數據進行特征抽取，并在此基礎上對新的故障輸入進行低維的特征矢量稀疏處理;②將所抽取的低維特征信息輸入到GA-SVM中進行分類;③將故障的診斷結果自動輸出。

3 試驗分析

3.1 井下試驗數據

試驗采用的數據集來自新疆油田某區塊鉆井過程，測試工具（見圖4）由北京信息科技大學自主研發，該工具可測量三軸加速度、鉆壓、扭矩、壓力等8種參數。在試驗中，選用三軸加速度數據，采樣頻率為400 Hz，誤差為±5%，符合試驗要求。鉆具組合為：215.9 mm MD9431鉆頭×0.33 m+430×410接頭×1.11 m+411×410浮閥×0.50 m+178.0 mm鉆鋌×3 m+208.0 mm扶正器×1.532 m+近鉆頭測量短節×3.255 m+165.0 mm無磁鉆鋌×17.135 m+411×4A10×1.1 m+165.0 mm鉆鋌×27.575 m+4A11×410×1.13 m+127.0 mm加重鉆桿×197.595 m+127.0 mm鉆桿。

根據該井的錄井數據，使用的是PDC鉆頭。通過鉆井結束時對鉆頭狀況的觀察，可準確進行鉆頭磨損情況評估，對鉆頭的磨損狀態進行劃分。PDC鉆頭的磨損等級按IDAC標準可以劃分為8個級別，如圖5所示。其中切削齒磨損級別δBG=0代表鉆頭的切削齒沒有磨損，δBG=8代表鉆頭的切削齒完全磨損。磨損標注的分類策略為三元分類。對于磨損等級為6、7、8（所有切削結構丟失或破損）的鉆頭，將其歸為第3類（嚴重磨損），磨損等級為3、4、5的鉆頭歸為第2類（中度磨損），磨損等級為3以下的歸為第1類（初期磨損）。如表2所示。

通過仔細分析鉆井報告和觀察鉆井后的鉆頭磨損程度，根據鉆頭磨損實際情況，人工對數據集訓練進行分類。針對每口井，分析機械鉆速和實際鉆頭磨損情況（見圖6），生成數據集磨損標簽。將不同磨損程度的鉆頭都單獨看作一類，數據集共包含初期磨損、中度磨損、嚴重磨損3種類型，一個樣本點含有1 024個數據點，共有8 622個試驗樣本。試驗數據集如表3所示。

3.2 試驗結果分析

選取鉆頭初期磨損、中度磨損、嚴重磨損試驗樣本各2 874組，其中訓練集占70%、測試集占30%。試驗1：參照表2進行CNN模型的設置，使用全連接層分類器；試驗2：基于試驗1，采用優化后支持向量機分類器代替全連接層多分類器，其中超參數包括mini-batch=100，學習率=0.02，Dropout=0.80；試驗3：基于試驗2優化模型，引入目標函數和訓練算法，使用高斯徑向基函數（Radial Basis Function，RBF）代替支持向量機的線性核函數。訓練結果如圖7所示。從圖7可看出，經過20次迭代以后，模型已經完全收斂，并且訓練集和測試集的準確率沒有明顯的變化，Loss值也趨于穩定，CNN模型完成訓練。

利用混淆矩陣可視化模型的性能，每一行的數字表示該類型的實際結果，每一列的數字表示該類型被預測結果。各試驗的混淆矩陣如圖8所示。圖8a所示模型第3類的分類準確率為89%，第3類鉆頭嚴重磨損容易被劃分為第1類初期磨損。圖8b所示模型的第2類分類準確率為94%，有6%的第3類鉆頭中度磨損被錯誤地識別為第2類嚴重磨損。圖8c顯示模型第1、3類鉆頭磨損程度都能被準確分類，第1類鉆頭磨損的分類準確率高達100%。從圖8可以看出，在使用Softmax分類器時，第2類鉆頭中度磨損和第3類鉆頭嚴重磨損的兩類情況容易混淆，分類效果不佳。通過以上3個試驗，可以明顯看出，優化后的支持向量機分類器可以有效地提高模型的收斂性和準確率，在支持向量機的核函數選用高斯徑向基函數時，分類效果更好。模型的整體平均準確率如圖9所示。

3.3 特征提取可視化

為了更好地展示井下鉆頭磨損狀態在CNN-GA-SVM模型各個層次的特征提取及最終的分類效果，我們利用了流形學習中最常見t分布隨機鄰域的方法（t-SNE）［18］，通過將高維特征向量映射到二維空間，采用t-SNE方法降維后得到各層數據特征分布，如圖10所示。從圖10可知，鉆頭的3種磨損狀態原始散點數據特征分布混亂無序，通過對測試數據集下各卷積層的輸出進行降維后特征提取和可視化處理，發現各層的特征提取能力逐漸增強。最后通過支持向量機分類器輸出層處理以后，鉆頭的3種磨損狀態數據被清晰分類，這與圖8混淆矩陣顯示的整體準確率98.33%相一致。

4 結 論

（1）提出的CNN-GA-SVM鉆頭磨損評估模型，在分類器使用支持向量機時比傳統的Softmax有更好的效果，支持向量機的核函數選擇了RBF，使準確率達到了98.33%。

（2）使用GA進行了支持向量機的參數優化，尋找最優的懲罰因子和核函數參數組合以提高SVM模型的泛化能力和性能。

（3）通過引入多類混淆矩陣、t-SNE特征提取可視化的方法，達到了對各故障類型的類別進行量化和可視化的效果。

（4）將該方法應用于鉆頭磨損試驗振動信號數據的診斷時，能夠直接對原始振動數據卷積自適應提取特征值，擺脫了對人工特征提取的依賴，突破了傳統方法依賴專家經驗的局限性。可將其應用于實際鉆井工作中，根據磨損狀態及時調整鉆頭，有效提高鉆井速率，降低鉆井成本。研究結論具有重要的指導意義。

［1］張輝，高德利．鉆頭選型方法綜述［J］．石油鉆采工藝，2005，27（4）：1-5．

ZHANG H，GAO D L.Review on drill bit selection methods［J］.Oil Drilling & Production Technology，2005，27（4）：1-5.

［2］ 趙一帆．HJT517G三牙輪鉆頭故障診斷試驗研究［D］．東營：中國石油大學（華東），2010．

ZHAO Y F.Test research of HJT517G tricone bit fault diagnosis［D］.Dongying：China University of Petroleum （East China），2010.

［3］ 黃鵬，管鋒，鄭立偉，等．PDC鉆頭在礫巖層中的磨損規律研究［J］．石油機械，2020，48（7）：1-6．

HUANG P，GUAN F，ZHENG L W，et al.Study on the wear law of PDC Bits in conglomerate［J］.China Petroleum Machinery，2020，48（7）：1-6.

［4］ 郝亞龍，葛云華，汪海閣，等．基于鉆速模式的PDC鉆頭切削齒磨損監測新方法［J］．石油機械，2020，48（1）：20-25，32．

HAO Y L，GE Y H，WANG H G，et al.A new method for the Real-Time monitoring of PDC bit cutter wear based on the drilling rate mode［J］.China Petroleum Machinery，2020，48（1）：20-25，32.

［5］ RASHIDI B，HARELAND G，NYGAARD R.Real-Time drill bit wear prediction by combining rock energy and drilling strength concepts［C］∥Abu Dhabi International Petroleum Exhibition and Conference.Abu Dhabi，UAE，2008：SPE 117109-MS.

［6］ RASHIDI B，HARELAND G，TAHMEEN M，et al.Real-time bit wear optimization using the intelligent drilling advisory system［C］∥SPE Russian Oil and Gas Conference and Exhibition.Moscow，Russia，2010：SPE 136006-MS.

［7］ RASHIDI B，HARELAND G，WU Z.New approach in Real-Time bit wear prediction［C］∥Abu Dhabi International Petroleum Exhibition and Conference.Abu Dhabi，UAE，2010：SPE 136008-MS.

［8］ LIU Z，MARLAND C，LI D，et al.An analytical model coupled with data analytics to estimate PDC bit wear［C］∥SPE Latin America and Caribbean Petroleum Engineering Conference.Maracaibo，Venezuela，2014：SPE 169451-MS.

［9］ NAGANAWA S G I.Feasibility study on roller-cone bit wear detection from axial bit vibration［J］.Journal of Petroleum Science and Engineering，2012，82-83：140-150.

［10］ AGOSTINI C E，SAMPAIO M A.Probabilistic neural network with bayesian-based，spectral torque imaging and deep convolutional autoencoder for PDC bit wear monitoring［J］.Journal of Petroleum Science and Engineering，2020，193：107434.

［11］ 劉奕呈，李玉梅，張濤，等．基于CEEMDAN-CNN的鉆頭磨損狀態監測研究［J］．石油機械，2022，50（9）：59-65．

LIU Y C，LI Y M，ZHANG T，et al.Monitoring of bit wear based on CEEMDAN-CNN［J］.China Petroleum Machinery，2022，50（9）：59-65.

［12］ SHI Y C，LIU H Y，ZHANG X C，et al.Wear identification of vibration drilling bit based on improved LMD and BP neural network［J］.Mathematical Problems in Engineering，2020，2020：2386721.

［13］ JANSSENS O，VAN DE WALLE R，LOCCUFIER M，et al.Deep learning for infrared thermal image based machine health monitoring［J］.IEEE-ASME Transactions on Mechatronics，2018，23（1）：151-159.

［14］ Flach P.Machine learning［M］.Cambridge：Cambridge university press，2012.

［15］ KINGMA D P，BA J.Adam：A method for stochastic optimization［EB/OL］.（2014-12-22）［2023-09-13］.https：∥arxiv.org/abs/1412.6980.

［16］ BENGIO Y，LAMBLIN P，POPOVICI D，et al.Greedy layer-wise training of deep networks［C］∥19th International Conference on Neural Information Processing Systems.Canada，2006：153-160.

［17］ 陳暢暢，紀國棟，武強，等.基于地面數據的PDC鉆頭井下工況識別方法［J］.石油機械，2022，50（11）：1-8.

CHEN C C ，JI G D，WU Q，et al.Technique of PDC bit complexity identification while drilling based on surface data［J］.China Petroleum Machinery，2022，50（11）：1-8.

［18］ 曲建嶺，余路，袁濤，等． 基于一維卷積神經網絡的滾動軸承自適應故障診斷算法［J］． 儀器儀表學報，2018，39（7）：134-143．

QU J，YU L，YUAN T，et al.Adaptive fault diagnosis algorithm for rolling bearings based on one-dimensional convolutional neural network［J］.Chinese Journal of Scientific Instrument，2018，39（7）：134-143.