基于PSO的隨機(jī)共振鉆井返出液信號(hào)處理方法

針對(duì)鉆井作業(yè)中復(fù)雜噪聲干擾了鉆井返出液回波信號(hào)的準(zhǔn)確提取和旅行時(shí)間計(jì)算、降低了鉆井返出液液面檢測(cè)精度的問題，提出了一種基于粒子群（Particle Swarm Optimization， PSO）的隨機(jī)共振鉆井返出液信號(hào)處理算法。通過(guò)引入非線性慣性權(quán)重及新的個(gè)體最優(yōu)值，對(duì)標(biāo)準(zhǔn)PSO算法進(jìn)行優(yōu)化，克服其易陷入局部極值缺陷的問題，獲得實(shí)現(xiàn)原始信號(hào)共振效應(yīng)的最佳非線性項(xiàng)系數(shù)，采用4階龍格-庫(kù)塔算法對(duì)隨機(jī)共振進(jìn)行求解，從而獲得最佳輸出信號(hào)。對(duì)不同井況的鉆井返出液信號(hào)進(jìn)行仿真和測(cè)試。測(cè)試結(jié)果表明：基于PSO的隨機(jī)共振方法在有效濾除噪聲的同時(shí)保留了信號(hào)的原始特征；處理后的信號(hào)一致性良好，表現(xiàn)出平滑穩(wěn)定的特性。該方法提高了鉆井返出液液面檢測(cè)的精度，可為鉆井返出液檢測(cè)信號(hào)的處理提供一種高效可行的方法。

鉆井作業(yè)；鉆井返出液回波信號(hào)；回波旅行時(shí)間；隨機(jī)共振；粒子群；數(shù)據(jù)采集處理

TE28A

202403032

A PSO-Based Stochastic Resonance Method for

Returned Drilling Fluid Signal Processing

Ren Xuhu"Wang Wenqian"Liu Tong"Yan Yuqing"Wu Pengyu

（College of Oceanography and Space Informatics， China University of Petroleum （East China））

Complex noises in drilling operations interfere the accurate echo signal extraction and echo travel time calculation for returned drilling fluid， and reduce the accuracy of returned drilling fluid level detection. This paper presents a stochastic resonance method for returned drilling fluid signal processing based on particle swarm optimization （PSO）. The standard PSO algorithm is optimized by introducing nonlinear inertia weights and new individual optimal values to address the defect that it may easily run into local extreme， so that the optimal nonlinear term coefficients enabling the resonance effect of original signals are obtained. Then， the stochastic resonance is solved by using the fourth-order Lunger-Kutta algorithm， so as to obtain the optimal output signals. The returned drilling fluid signals under different well conditions were simulated and tested. The results indicate that the PSO-based stochastic resonance method effectively filters out the noise while retaining the original features of the signals. The processed signals are well consistent and show smooth and stable characteristics. The processed PSO-based stochastic resonance method improves the accuracy of returned drilling liquid level detection， and provides an efficient and feasible option for the processing of returned drilling liquid signals.

drilling operation; echo signal of returned drilling fluid; echo travel time; stochastic resonance; PSO; data acquisition and processing

0"引"言

在石油鉆探過(guò)程中，對(duì)鉆井返出液液面連續(xù)監(jiān)測(cè)，可以及時(shí)預(yù)防井涌井漏事故的發(fā)生^［1］。目前，聲波法檢測(cè)鉆井返出液液面技術(shù)使用次聲波作為傳輸介質(zhì)被廣泛應(yīng)用^［2］。該方法利用次聲波在鉆桿與套筒空中傳播，遇到接箍和鉆井返出液液面發(fā)生反射的原理來(lái)計(jì)算返出液液面位置，其關(guān)鍵技術(shù)之一就在于準(zhǔn)確識(shí)別鉆井返出液回波信號(hào)，測(cè)定其突變時(shí)與激勵(lì)信號(hào)的時(shí)間差。

然而由于鉆井現(xiàn)場(chǎng)條件惡劣，井下環(huán)境復(fù)雜多變，導(dǎo)致采集到的鉆井返出液回波信號(hào)微弱且容易被噪聲信號(hào)掩蓋^［3］，給后續(xù)液面反射波信號(hào)特征提取和深度計(jì)算帶來(lái)困難。鉆井返出液回波信號(hào)預(yù)處理的傳統(tǒng)降噪算法主要有傅里葉變換法^［4］、低通濾波^［5］、譜減法^［6］和卡爾曼濾波^［7］等。以上方法通常用于濾除高頻噪聲成分，其計(jì)算量較小且容易設(shè)計(jì)，但當(dāng)信號(hào)和噪聲共享近似的頻帶時(shí)，則無(wú)法突出有用信息，同時(shí)還會(huì)導(dǎo)致聲波信號(hào)中的一些有用特征信息損失，且在處理高度非線性、非平穩(wěn)數(shù)據(jù)時(shí)，自適應(yīng)能力差，對(duì)于實(shí)際應(yīng)用中廣泛存在的白噪聲去除能力不佳，處理效果并不理想^［8］。因此，一些學(xué)者轉(zhuǎn)而采用了更為靈活的信號(hào)處理方法：王海文等^［9］利用小波變化算法去除環(huán)空中的背景噪聲，將不容易辨識(shí)的液面反射波顯現(xiàn)出來(lái)；WANG Z.W.等^［10］采用了希爾伯特-黃變換處理液面聲波信號(hào)，具有較好的靈活性和適用性；劉彥萍等^［11］將形態(tài)濾波與時(shí)頻峰值檢測(cè)相結(jié)合，在去除背景噪聲的同時(shí)極大程度上保留了有效信號(hào)的形態(tài)；吳進(jìn)峰^［12］使用深度卷積神經(jīng)網(wǎng)絡(luò)，在含有復(fù)雜背景噪聲中提取出反射波信號(hào)。以上方法雖能對(duì)鉆井返出液液面回波信號(hào)進(jìn)行處理，但是在面對(duì)復(fù)雜井況時(shí)，部分算法由于控制參數(shù)的選取不當(dāng)，最終可能導(dǎo)致計(jì)算時(shí)產(chǎn)生更大誤差，從而影響計(jì)算的準(zhǔn)確性。因此，急需一種能夠根據(jù)井況類別對(duì)鉆井返出液液面回波信號(hào)進(jìn)行自適應(yīng)處理的方法。

隨著非線性動(dòng)力學(xué)和統(tǒng)計(jì)物理理論的深入研究，隨機(jī)共振理論得到發(fā)展。師淅雨^［13］使用了級(jí)聯(lián)隨機(jī)共振，解決levy噪聲背景下信號(hào)的提取問題；ZHANG S.等^［14］研究了隨機(jī)共振和自激隨機(jī)共振，在噪聲背景下對(duì)不同程度的軸承故障信號(hào)進(jìn)行處理；MA L.等^［15］將隨機(jī)共振引入到UWOC信號(hào)增強(qiáng)中，驗(yàn)證了隨機(jī)共振系統(tǒng)相對(duì)于低通濾波對(duì)UWOC信號(hào)增強(qiáng)更有優(yōu)勢(shì)；高天琳^［16］針對(duì)井下聲波強(qiáng)干擾問題，提出了奇異值分解與隨機(jī)共振方法融合的信號(hào)濾波算法，并通過(guò)人工魚群算法對(duì)后續(xù)級(jí)聯(lián)隨機(jī)共振進(jìn)行優(yōu)化，完成了強(qiáng)噪聲下的聲波信號(hào)提取。在以上方法的基礎(chǔ)上，筆者提出了一種基于PSO的隨機(jī)共振鉆井返出液信號(hào)的處理方法。該方法具有以下特點(diǎn)：①將隨機(jī)共振原理應(yīng)用在鉆井返出液回波信號(hào)的處理上，增強(qiáng)了對(duì)井下微弱信號(hào)的辨識(shí)能力，提高了返出液面測(cè)量的精度和準(zhǔn)確性；②采用粒子群（Particle Swarm Optimization，PSO）優(yōu)化算法對(duì)二階雙穩(wěn)態(tài)隨機(jī)共振系統(tǒng)的非線性項(xiàng)系數(shù)進(jìn)行參數(shù)尋優(yōu)，并將信噪比定義為優(yōu)化算法的目標(biāo)函數(shù)，使隨機(jī)共振系統(tǒng)輸出最佳的信號(hào)，提高了算法的準(zhǔn)確性、魯棒性和收斂速度。

1"鉆井返出液測(cè)量原理及回波信號(hào)基

本特征

1.1"鉆井返出液檢測(cè)原理

鉆井返出液液面的檢測(cè)通過(guò)一系列地面鉆探設(shè)備和地下鉆井結(jié)構(gòu)來(lái)實(shí)現(xiàn)^［17］。鉆井返出液液面檢測(cè)原理如圖1所示。

地下鉆井結(jié)構(gòu)主要包括表層套管、鉆桿和鉆頭。鉆桿之間使用接箍進(jìn)行連接。而地面鉆探設(shè)備主要由檢測(cè)儀器、閥門、防溢管和節(jié)流管匯等組成^［18］。在鉆井平臺(tái)井口，信號(hào)發(fā)射裝置通過(guò)發(fā)生器產(chǎn)生聲波脈沖信號(hào)。這些聲波脈沖信號(hào)沿著井筒套管和鉆桿之間的環(huán)空向下傳播。在傳播過(guò)程中，當(dāng)聲波信號(hào)遇到鉆桿接箍時(shí)，部分信號(hào)會(huì)被反射回來(lái)，形成接箍波^［19］。當(dāng)聲波信號(hào)遇到鉆井返出液液面時(shí)，會(huì)發(fā)生一個(gè)明顯的反射波，該反射波具有特定的信號(hào)特征。這個(gè)反射波會(huì)被井口的微音器接收，接收到的信號(hào)經(jīng)處理后提取出接箍波和鉆井返出液的液面反射波。由于鉆桿的長(zhǎng)度恒定，假設(shè)鉆桿長(zhǎng)度為L(zhǎng)，求出接箍波的時(shí)間間隔t₁，得到井下聲波的傳播速度v：

v=L/t₁（1）

結(jié)合鉆井返出液液面反射波旅行時(shí)間t₂，即可計(jì)算出鉆套環(huán)空內(nèi)返出液液面的深度H：

H=vt₂/2（2）

1.2"鉆井返出液回波信號(hào)處理流程

鉆井返出液回波信號(hào)處理流程如圖2所示。

在實(shí)際測(cè)量過(guò)程中，噪聲信號(hào)主要出現(xiàn)在高頻部分，設(shè)計(jì)信號(hào)調(diào)理電路對(duì)噪聲信號(hào)進(jìn)行硬件濾波，濾除部分高頻信號(hào)。然而，鉆井返出液回波信號(hào)中夾雜的噪聲信號(hào)較為復(fù)雜，僅通過(guò)硬件濾波難以徹底去除所有噪聲。為了進(jìn)一步降低干擾和誤差，需要采用相關(guān)的降噪算法對(duì)鉆井返出液回波信號(hào)進(jìn)行處理，完整保留回波信號(hào)的特點(diǎn)，以確保鉆井返出液液面深度的計(jì)算和定位的準(zhǔn)確性。

1.3"鉆井返出液回波信號(hào)的基本特征

鉆井返出液回波信號(hào)的特征波由介質(zhì)反射后產(chǎn)生，因此特征波都具有反射波的基本特性。但在實(shí)際現(xiàn)場(chǎng)采集到的波形由于井下結(jié)構(gòu)的復(fù)雜性、機(jī)械設(shè)備震動(dòng)產(chǎn)生的噪聲等影響，導(dǎo)致采集到的回波信號(hào)往往混雜著多種噪聲，難以獲得清晰的反射波形^［20］。圖3是試驗(yàn)井現(xiàn)場(chǎng)采集的鉆井返出液面回波信號(hào)的時(shí)域圖和頻域圖，采樣頻率為10 000 Hz。由圖3可知，井下的聲波信號(hào)具有非平穩(wěn)、非線性的特點(diǎn)，在時(shí)域上是具有直流分量的雙極性信號(hào)，且回波信號(hào)湮沒在噪聲中，無(wú)法準(zhǔn)確識(shí)別出鉆井返出液回波信號(hào)的極值點(diǎn)，嚴(yán)重干擾了檢測(cè)精度；從頻域圖上可以看出各頻帶都存在著大量的干擾噪聲，而鉆井返出液回波信號(hào)主要在20 Hz以內(nèi)分布，因受到噪聲諧波影響，導(dǎo)致鉆井返出液信號(hào)不易被提取。

因此要想提取鉆井返出液回波信號(hào)，只能通過(guò)去除噪聲來(lái)實(shí)現(xiàn)。由于噪聲包含的頻率成分與待提取信號(hào)相似，所以傳統(tǒng)的降噪方法無(wú)法有效分離信號(hào)和噪聲。而隨機(jī)共振算法利用非線性動(dòng)力學(xué)系統(tǒng)的特性，通過(guò)引入適當(dāng)?shù)姆蔷€性函數(shù)和隨機(jī)擾動(dòng)，使系統(tǒng)在一定頻率范圍內(nèi)產(chǎn)生共振效應(yīng)，使有用成分被增強(qiáng)，噪聲成分被抑制，因此隨機(jī)共振算法能夠有效地應(yīng)用于鉆井返出液回波信號(hào)的處理過(guò)程。

2"基于PSO的隨機(jī)共振算法的鉆井

返出液信號(hào)處理

2.1"隨機(jī)共振原理

1981年，BENZI等首次提出隨機(jī)共振的概念，用于解釋古氣象冰川演化問題^［21］。隨機(jī)共振是一種利用噪聲來(lái)增強(qiáng)微弱信號(hào)特征的理論，它在雙穩(wěn)態(tài)或多穩(wěn)態(tài)的非線性系統(tǒng)中，通過(guò)滿足系統(tǒng)閾值、被測(cè)信號(hào)和噪聲的匹配條件，實(shí)現(xiàn)對(duì)信號(hào)的增強(qiáng)效果，類似于共振行為的產(chǎn)生^［22］。由朗之萬(wàn)（Langevin）方程表示的二階雙穩(wěn)態(tài)隨機(jī)共振方程如下所示：

dxtdt=axt-bx³t+Acoswt+Dζ_t

（3）

式中：xt為實(shí)測(cè)信號(hào)，V；a、b為實(shí)參數(shù)，決定雙穩(wěn)態(tài)系統(tǒng)的結(jié)構(gòu)，通常agt;0，bgt;0；t為采樣時(shí)刻，s；A代表信號(hào)幅值，dB;ω為信號(hào)的頻率，Hz;ζ_t為零均值的高斯白噪聲；D為噪聲強(qiáng)度，dB。

相應(yīng)的勢(shì)函數(shù)為：

U_x=-12ax²+14bx⁴+Acosωt+Dζ_t（4）

當(dāng)A=0，D=0，則系統(tǒng)的各勢(shì)阱相同，則有：

U_x=-12ax²+14bx⁴（5）

稱δ_yq=±4a³/27b為躍遷閾值，l_yq=2a/b為躍遷寬度。當(dāng)A的值和δ_yq的值接近時(shí)，系統(tǒng)在勢(shì)阱上進(jìn)行周期運(yùn)動(dòng)，達(dá)到隨機(jī)共振狀態(tài)。

激勵(lì)信號(hào)頻率滿足f=R/2＜a/2π。通過(guò)調(diào)節(jié)a、b的數(shù)值，就可以調(diào)整躍遷閾值的大小，實(shí)現(xiàn)不同輸入信號(hào)的隨機(jī)共振^［23］。通過(guò)4階龍格-庫(kù)塔（Runge-Kutta）算法進(jìn)行求解^［24-25］：

k^［1］_n=h×as︿_n-bs︿³_n+r︿_n

k^［2］_n=h×as︿_n+k^［1］_n2-bs︿_n+k^［1］_n23+r︿_n

k^［3］_n=h×as︿_n+k^［2］_n2-bs︿_n+k^［2］_n23+r︿_n

k^［4］_n=h×as︿_n+k^［3］_n2-bs︿_n+k^［3］_n23+r︿_n

s︿_n+1=s︿_n+k^［1］_n+2k^［2］_n+2k^［3］_n+k^［4］_n6

（6）

式中：設(shè)置初始狀態(tài)s︿0=0，s︿_n+1為系統(tǒng)第n+1時(shí)刻輸出值，V；r︿_n為n時(shí)刻濾除隨機(jī)噪聲后的后驗(yàn)估計(jì)值，V；h為采樣步長(zhǎng)，s，其取值為采樣間隔。

盡管隨機(jī)共振算法在鉆井返出液信號(hào)的處理過(guò)程中具有一定的優(yōu)勢(shì)，但是其處理效果很大程度上依賴于參數(shù)的選擇，如果參數(shù)選擇不當(dāng)，可能會(huì)導(dǎo)致共振效應(yīng)的過(guò)度增強(qiáng)或抑制不足，從而影響濾波效果。因此調(diào)節(jié)參數(shù)a和b的值是實(shí)現(xiàn)最佳隨機(jī)共振狀態(tài)的關(guān)鍵之一。通過(guò)合理選擇參數(shù)a和b，可以使隨機(jī)共振系統(tǒng)在受到外界干擾和不確定性時(shí)依然保持穩(wěn)定且具有良好的響應(yīng)性能。采用PSO優(yōu)化隨機(jī)共振算法，實(shí)現(xiàn)非線性項(xiàng)系數(shù)的自適應(yīng)選擇，從而實(shí)現(xiàn)信號(hào)最佳的共振狀態(tài)。

2.2"基于PSO的隨機(jī)共振參數(shù)優(yōu)化

PSO是一種基于仿生群體行為的全局優(yōu)化算法。它模擬了粒子在搜索空間中的迭代和信息交流過(guò)程，通過(guò)個(gè)體歷史最優(yōu)和群體歷史最優(yōu)來(lái)指導(dǎo)粒子的移動(dòng)，從而尋找問題的最優(yōu)解。粒子速度和位置更新公式如下：

V_idl+1=ωV_idl+c₁r₁p^l_id-X_idl+

c₂r₂p^l_gd-X_idl"d=1，2，…，T（7）

X_idl+1=X_idl+V_idl"d=1，2，…，T

（8）

式中：X_idl為第i枚粒子在第l次迭代中個(gè)體的位置信息；V_idl為第i枚粒子在第l次迭代中個(gè)體的速度信息；ω為慣性權(quán)重；c₁為認(rèn)知學(xué)習(xí)常數(shù)；c₂為社會(huì)學(xué)習(xí)常數(shù)；r₁和r₂為［0，1］區(qū)間的隨機(jī)數(shù)；p^l_id為當(dāng)前粒子的個(gè)體最優(yōu)位置，p^l_gd為全局最優(yōu)解；T為種群迭代總次數(shù)。

由于傳統(tǒng)的粒子群算法易陷入局部最優(yōu)解而無(wú)法充分發(fā)揮全局搜索的能力^［26-28］，所以采用非線性遞減方法來(lái)動(dòng)態(tài)調(diào)整慣性權(quán)重參數(shù)ω，引入粒子質(zhì)量分?jǐn)?shù)評(píng)價(jià)算子評(píng)估粒子的質(zhì)量分?jǐn)?shù)，控制粒子的分布密度，減少算法局部最優(yōu)解的出現(xiàn)，提高全局搜索能力和算法的魯棒性。

ω的非線性遞減公式為：

ωm=ω_max-ω_minexp-km/m_max3+ω_min

（9）

式中：m為該輪迭代次數(shù)；m_max為最大迭代次數(shù)；ω_min為迭代開始的慣性權(quán)重，取值為0；ω_max為迭代結(jié)束時(shí)的慣性權(quán)重，取值為1；k為控制因子。

粒子質(zhì)量分?jǐn)?shù)評(píng)價(jià)算子公式為：

Cdi=1N∑Nj=1xi，j

（10）

xi，j=1"x_i-x_j2＜β

0"x_i-x_j2≥β

（11）

式中：Cdi為第i枚粒子的質(zhì)量分?jǐn)?shù)評(píng)價(jià)算子；xi，j為粒子i和j的密集關(guān)系，0為稀疏，1為密集；N為粒子總數(shù)；x_i、x_j分別為粒子i和j的位置，i、j=1，2，…，N;β為判定2個(gè)粒子密集的最大距離。

在種群的單次迭代中，先計(jì)算每個(gè)粒子的目標(biāo)函數(shù)值，再根據(jù)式（11）計(jì)算出粒子之間的親密關(guān)系，從而計(jì)算出粒子的親密度值，并將每個(gè)粒子的目標(biāo)函數(shù)值與其親密度值的差值作為粒子的新目標(biāo)函數(shù)值，選取其中最小值作為單次迭代最優(yōu)解，進(jìn)入下一次迭代過(guò)程，直到滿足迭代停止條件。

因此為了實(shí)現(xiàn)最佳的隨機(jī)共振狀態(tài)，使用上述優(yōu)化后的PSO算法進(jìn)行非線性項(xiàng)系數(shù)的自適應(yīng)優(yōu)化選擇，將參數(shù)自適應(yīng)優(yōu)化問題轉(zhuǎn)化為多參數(shù)尋找群體最優(yōu)適應(yīng)度的問題，通過(guò)迭代和信息交流來(lái)指導(dǎo)粒子的移動(dòng)，從而達(dá)到最佳的輸出狀態(tài)。在該算法中，將輸出信噪比（S_NR）定義為目標(biāo)函數(shù)，通過(guò)粒子群優(yōu)化來(lái)實(shí)現(xiàn)最優(yōu)化的處理信號(hào)。

優(yōu)化粒子群算法實(shí)現(xiàn)隨機(jī)共振系統(tǒng)參數(shù)自適應(yīng)優(yōu)化的檢測(cè)流程如圖4所示。

3"試驗(yàn)結(jié)果與分析

為了驗(yàn)證提出的基于優(yōu)化粒子群的隨機(jī)共振算法對(duì)鉆井返出液信號(hào)處理的有效性，根據(jù)1.3節(jié)中鉆井返出液信號(hào)特征分析分別構(gòu)建了4種不同情況下的鉆井返出液仿真信號(hào)，仿真信號(hào)是在近似無(wú)噪鉆井返出液信號(hào)中疊加全頻帶白噪聲（-5 dB）等噪聲構(gòu)成。構(gòu)建的鉆井返出液仿真信號(hào)如圖5所示。

使用PSO算法尋找實(shí)現(xiàn)隨機(jī)共振輸出信噪比最大的非線性項(xiàng)系數(shù)的組合。由于PSO算法通常尋找最小目標(biāo)函數(shù)值，所以，將目標(biāo)函數(shù)設(shè)定為-S_NR，以實(shí)現(xiàn)最大化信噪比的目標(biāo)。針對(duì)4種不同類型的鉆井返出液仿真信號(hào)，分別使用優(yōu)化PSO-隨機(jī)共振算法和傳統(tǒng)的隨機(jī)共振算法進(jìn)行處理。傳統(tǒng)隨機(jī)共振的非線性項(xiàng)系數(shù)選用多次試驗(yàn)的

最佳值，處理結(jié)果如圖6所示。

處理結(jié)果表明，優(yōu)化PSO-隨機(jī)共振算法在去除大部分噪聲的同時(shí)，能有效提取出清晰的波形輪廓，并保留了信號(hào)的關(guān)鍵特征。此外，經(jīng)過(guò)處理后的鉆井返出液信號(hào)與原始信號(hào)之間表現(xiàn)出較高的相

為了評(píng)估基于PSO的隨機(jī)共振算法對(duì)信號(hào)處理的效果，選用均方根誤差（E_RMS）、相關(guān)系數(shù)（C_C）和平滑度指標(biāo)（R_RV）來(lái)進(jìn)行評(píng)估。具體的計(jì)算公式如下式所示：

E_RMS=1N∑Ni=1xi-x∧i2（12）

C_C=∑Ni=1xi-x—x∧i-x∧—

∑Ni=1xi-x—2·

∑Ni=1x∧i-x∧—2

（13）

R_RV=

∑N-1i=1x∧i+1-x∧i2

∑N-1i=1xi+1-xi2

（14）

式中：xi為原始信號(hào)，V；x∧i為降噪后的信號(hào)，V；N為信號(hào)長(zhǎng)度，s；x—為原始信號(hào)得均值，V；x∧—為降噪后信號(hào)均值，V。

處理后信號(hào)的均方根誤差越小，表明處理后的信號(hào)與原始信號(hào)的接近程度越高；相關(guān)系數(shù)的值越接近1認(rèn)為處理效果較好，接近0認(rèn)為處理效果較差；平滑度指標(biāo)越小，證明處理后的信號(hào)更加的平滑和穩(wěn)定。

為了驗(yàn)證基于PSO的隨機(jī)共振方法的穩(wěn)定性，選用了4種不同類型的鉆井返出液仿真信號(hào)分別疊加4種不同大小的高斯白噪聲，分別使用基于PSO-隨機(jī)共振算法和標(biāo)準(zhǔn)的隨機(jī)共振算法進(jìn)行處理，結(jié)果如表1～表4所示。

經(jīng)基于優(yōu)化PSO的隨機(jī)共振方法處理的4組信號(hào)的均方根誤差均不超過(guò)0.3，證明該算法處理效果較好，處理后信號(hào)與原始信號(hào)接近程度較高；相關(guān)系數(shù)值均在0.9以上，意味著處理后的信號(hào)與原始信號(hào)有著較高的相似性，能夠很好地保留信號(hào)原始信息；平滑度均在0.1左右，意味著處理后的信號(hào)較為平滑且穩(wěn)定。綜上所述，基于優(yōu)化PSO-隨機(jī)共振算法能夠有效地對(duì)鉆井返出液信號(hào)進(jìn)行降噪處理。

4"實(shí)際信號(hào)處理

為了驗(yàn)證提出的基于PSO的隨機(jī)共振算法在實(shí)際鉆井返出液信號(hào)處理中的適用性，選取了3組在不同井況下采集的鉆井返出液信號(hào)，如圖7所示。基于PSO的隨機(jī)共振鉆井返出液信號(hào)處理方法對(duì)實(shí)際信號(hào)的處理結(jié)果如圖8所示。

由圖8可以看出，隨機(jī)噪聲得到很好的抑制，可以明顯識(shí)別鉆井回波信號(hào)的極值點(diǎn)，為后續(xù)的液位計(jì)算奠定了基礎(chǔ)，提高了鉆井液位測(cè)量的精度。

5"結(jié)"論

（1） 基于PSO的隨機(jī)共振處理方法適用于處理非線性和非平穩(wěn)的鉆井返出液回波信號(hào)，能夠有效剔除隨機(jī)噪聲，同時(shí)突出鉆井返出液特征信號(hào)。

（2） 該方法可以對(duì)不同變化的信號(hào)模型起到修正的作用，提高信號(hào)處理的精度和對(duì)隨機(jī)噪聲的魯棒性，提高鉆井返出液液面回波信號(hào)的質(zhì)量和準(zhǔn)確性，可為鉆井返出液回波信號(hào)的辨識(shí)奠定基礎(chǔ)。

［1］

陳凱楓，楊學(xué)文，宋先知，等．基于工程錄井?dāng)?shù)據(jù)的井漏智能診斷方法［J］．石油機(jī)械，2022，50（11）：16-22．

CHEN K F， YANG X W， SONG X Z， et al.An intelligent diagnosis method for lost circulation based on engineering logging data［J］.China Petroleum Machinery， 2022， 50（11）： 16-22.

［2］"LIU P， WU H， YANG S， et al.A dual-frequency acoustic measurement method for detecting fluid-filled channels at two boundaries in cased holes［J］.Journal of Petroleum Science and Engineering， 2022， 208： 109295.

［3］"曹繼飛．勝利灘淺海復(fù)雜地層鉆井關(guān)鍵技術(shù)研究與應(yīng)用［J］．石油機(jī)械，2024，52（1）：52-58．

CAO J F.Research and application of key technologies for complex formation drilling in Shengli beach shallow sea［J］.China Petroleum Machinery， 2024， 52（1）： 52-58.

［4］"魏勇，成鋆，王路平，等．動(dòng)液面深度檢測(cè)中2個(gè)關(guān)鍵問題的研究進(jìn)展［J］．科學(xué)技術(shù)與工程，2023，23（20）：8473-8483．

WEI Y， CHENG Y， WANG L P， et al.Review of two key issues in dynamic liquid level depth detection［J］.Science Technology and Engineering， 2023， 23（20）： 8473-8483.

［5］"張朝暉，弓志謙，遲健男，等．采油井動(dòng)態(tài)液面測(cè)量技術(shù)研究［J］．傳感技術(shù)學(xué)報(bào)，2007，20（5）：1180-1183．

ZHANG C H， GONG Z Q， CHI J N， et al.Research on measurement of dynamic level in the oil-well［J］.Chinese Journal of Sensors and Actuators， 2007， 20（5）： 1180-1183.

［6］"王海文，林立星，杜中衛(wèi)，等．基于譜減算法的聲波法測(cè)油井動(dòng)液面的信號(hào)處理［J］．石油天然氣學(xué)報(bào)，2012，34（1）：118-122．

WANG H W， LIN L X， DU Z W， et al.Signal processing based on spectral subtraction algorithm for acoustic wave method to measure dynamic fluid level in oil wells［J］.Journal of Oil and Gas Technology， 2012， 34（1）： 118-122.

［7］"KAPALE S， BHARAKAD S.Liquid level estimation in dynamic condition using kalman filter［J］.Journal of Engineering Research and Application， 2016， 6（8）： 12-16.

［8］"任旭虎，劉通，汪衛(wèi)眾，等．基于次聲波的鉆井返出液液面檢測(cè)系統(tǒng)設(shè)計(jì)［J］．石油機(jī)械，2023，51（11）：108-115．

REN X H， LIU T， WANG W Z， et al.Design of drilling return fluid level detection system based on infrasound wave［J］.China Petroleum Machinery， 2023， 51（11）： 108-115.

［9］"王海文，林立星．基于小波變換的聲波法測(cè)油井動(dòng)液面信號(hào)去噪［J］．工業(yè)儀表與自動(dòng)化裝置，2011（6）：56-58．

WANG H W， LIN L X.Signal denoising in liquid level detection with acoustic method using wavelet transform［J］.Industrial Instrumentation amp; Automation， 2011（6）： 56-58.

［10］"WANG Z W， JINGHUA L， CHONGWANG Y， et al.The filtering characteristics of HHT and its application in acoustic log waveform signal processing［J］.Applied Geophysics， 2009， 6（1）： 8-16.

［11］"劉彥萍，張乃祿，仵杰，等．基于高分辨率時(shí)頻面濾波的動(dòng)液面信號(hào)識(shí)別與提取［J］．蘭州大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，57（5）：675-682．

LIU Y P， ZHANG N L， WU J， et al.Identification and extraction of dynamic liquid level signals based on high resolution time-frequency plane filtering［J］.Journal of Lanzhou University（Natural Sciences）， 2021， 57（5）： 675-682.

［12］"吳進(jìn)峰．油井動(dòng)液面測(cè)量算法研究［D］．洛陽(yáng)：河南科技大學(xué)，2019．

WU J F.Research on the algorithm of oil well dynamic liquid level measurement［D］.Luoyang： Henan University of Science and Technology， 2019.

［13］"師淅雨．基于隨機(jī)共振的低頻弱磁信號(hào)處理［D］．大連：大連交通大學(xué)，2022．

SHI X Y.Low-frequency weak magnetic signal processing based on stochastic resonance［D］.Dalian： Dalian Jiaotong University， 2022.

［14］"ZHANG S， YANG J H， WANG C J， et al.Stochastic resonance and Self-Induced stochastic resonance in bearing fault diagnosis［J］.Fluctuation and Noise Letters， 2021， 20（6）： 2150047.

［15］"MA L， FU M， WANG N， et al.Simulation of stochastic resonance in underwater laser communication［C］∥OCEANS 2017.Aberdeen， UK： IEEE， 2017： 1-5.

［16］"高天琳．井下聲波信號(hào)傳輸與濾波技術(shù)研究［D］．青島：中國(guó)石油大學(xué)（華東），2021．

GAO T L.Downhole acoustic signal transmission and filtering technology［D］.Qingdao： China University of Petroleum （East China）， 2021.

［17］"孟祥卿．石油鉆井平臺(tái)裝備電動(dòng)化進(jìn)程及趨勢(shì)［J］．石油機(jī)械，2024，52（2）：11-16．

MENG X Q.Electrification progress and trend of equipment on oil drilling platform［J］.China Petroleum Machinery， 2024， 52（2）： 11-16.

［18］"王蓉，王定亞，郝和伢，等．海洋超高溫高壓油氣鉆井關(guān)鍵設(shè)備技術(shù)研究［J］．石油機(jī)械，2024，52（1）：76-81．

WANG R， WANG D Y， HAO H Y， et al.Technical research on key equipment for offshore ultra-high temperature and high-pressure oil and gas well drilling［J］.China Petroleum Machinery， 2024， 52（1）： 76-81.

［19］"周一粟，黃中偉，張壯壯，等．帶接箍水平油套環(huán)空流場(chǎng)特性模擬與試驗(yàn)［J］．石油機(jī)械，2023，51（1）：1-8．

ZHOU Y S， HUANG Z W， ZHANG Z Z， et al.Numerical simulation and experiment on flow field in horizontal tubing-casing annulus with a tubing coupling［J］.China Petroleum Machinery， 2023， 51（1）： 1-8.

［20］"韓虎，薛亮，孫樂旺，等．連續(xù)波鉆井液脈沖器邊界反射機(jī)理數(shù)值仿真［J］．石油機(jī)械，2023，51（10）：1-8．

HAN H， XUE L， SUN L W， et al.Numerical simulation on boundary reflection mechanism of continuous wave mud pulser［J］.China Petroleum Machinery， 2023， 51（10）： 1-8.

［21］"CUI L， YANG J， WANG L， et al.Theory and application of weak signal detection based on stochastic resonance mechanism［J］.Security and Communication Networks， 2021： 9.

［22］"FAN X Y， BAI P， LIANG X L， et al.Detection algorithm of BPSK signal of parameter-adjusted bistable stochastic resonance model based on scale change［J］.IEEE Access， 2020， 8： 97643-97657.

［23］"陳大全．基于隨機(jī)共振微弱信號(hào)檢測(cè)方法研究［D］．呼和浩特：內(nèi)蒙古工業(yè)大學(xué)，2021．

CHEN D Q.Research on the detection method of weak signals based on stochastic resonance［D］.Hohhot： Inner Mongolia University of Technology， 2021.

［24］"ATTAULLAH， MANSOUR F， ALYOBI Y， et al.On the comparative performance of fourth order Runge-Kutta and the Galerkin-Petrov time discretization methods for solving nonlinear ordinary differential equations with application to some mathematical models in epidemiology［J］.AIMS Mathematics， 2023， 8（2）： 3699-3729.

［25］"韋昌，樊昱晨，周永清，等.基于龍格庫(kù)塔法的多輸出物理信息神經(jīng)網(wǎng)絡(luò)模型［J］.力學(xué)學(xué)報(bào)，2023，55（10）：2405-2416.

WEI C，F(xiàn)AN Y C，ZHOU Y C，et al.Multi output physical information neural network model based on Runge Kutta method［J］.Chinese Journal of Theoretical and Applied Mechanics，2023，55（10）：2405-2416.

［26］"任永良，孫凱，高勝，等.基于粒子群算法的油田注水管網(wǎng)摩阻系數(shù)反演［J］.石油機(jī)械，2020，48（8）：97-103，122.

REN Y L，SUN K，GAO S，et al.Inversion of friction coefficient of oilfield water injection pipe network based on particle swarm optimization［J］.China Petroleum Machinery，2020，48（8）：97-103，122.

［27］"衛(wèi)偉，趙 弘.基于粒子群算法的瞬變電磁檢測(cè)小車結(jié)構(gòu)優(yōu)化［J］.石油機(jī)械，2024，52（3）：117-125.

WEI W，ZHAO H.Structural optimization of transient electromagnetic detection cart based on particle swarm algorithm［J］.China Petroleum Machinery，2024，52（3）：117-125.

［28］"宋震，何玉明，曹佳，等．全電式水下閥執(zhí)行器多電機(jī)協(xié)同控制策略研究［J］．石油機(jī)械，2024，52（1）：59-67．

SONG Z， HE Y M， CAO J， et al.Multi-motor collaborative control strategy for all-electric subsea valve actuator［J］.China Petroleum Machinery， 2024， 52（1）： 59-67.