【技术实现步骤摘要】
本专利技术涉及石油钻探，尤其涉及一种基于深度学习的铁钻工石油接箍状态声音识别方法及系统。
技术介绍
1、当前，石油钻探领域的起下钻接箍过程中，铁钻工的自动化及监控识别系统已经取得了显著进展，通过这些系统可以有效地控制起下钻接箍的过程，提高作业效率和安全性。接箍操作是石油钻探过程中关键的一环，涉及连接钻柱的不同部分主要包括公扣和母扣两种形式。公扣是接箍的一部分，通常位于钻杆或钻柱的末端，带有外螺纹。在接箍过程中，公扣插入母扣内部，并通过旋转形成紧密的连接。母扣则是带有内螺纹的部分，通常固定在钻杆的另一端或管柱上。它与公扣配合，通过旋转使两者紧密结合，形成稳固的连接。所以在起下钻过程中主要分为：起钻：卸扣操作；下钻：上扣操作。传统的接箍状态监测依赖于物理传感器收集的数据，如压力、力矩和旋转速度等，通过预设的阈值或模式来判断状态变化。虽然这些方法在一定程度上有效，但在复杂的作业环境中，如传感器故障时，其准确性和可靠性会大大降低。
2、现有的基于物理传感器的监控系统在处理复杂环境和微妙的状态变化时存在局限性。首先，物理传感器可能受到环境因素的干扰，导致数据不准确。其次，这些系统往往无法实时处理大量数据，从而无法即时识别故障或状态变化。最重要的是，当传感器本身发生故障时，整个监测系统的可靠性将受到影响。现有机器视觉方案，尽管可以得知接箍高度进而进行上卸扣操作，但是由于目标检测的误差无法让铁钻工完美地没有误差地将公扣母扣完全旋出，或者旋入。
技术实现思路
1、鉴于现有技术的上述缺点
2、为了达到上述目的，本专利技术采用的主要技术方案包括：
3、第一方面，本专利技术实施例提供一种基于深度学习的铁钻工石油接箍状态声音识别方法，包括：
4、s1、获取铁钻工石油接箍上扣过程或卸扣过程的音频信号段；
5、s2、针对所述音频信号段，按照预先设定的分帧逻辑进行分帧，得到多帧音频信号；
6、s3、基于每帧音频信号，获取每帧音频信号的mfcc特征，并根据所述mfcc特征，确定该帧音频信号所对应的接箍状态信息；
7、s4、基于每帧音频信号所对应的mfcc特征和接箍状态信息，以及预先得到的与该帧音频信号所对应的铁钻工状态数据，分别获取每帧音频信号所对应的综合特征向量；
8、s5、基于每帧音频信号所对应的综合特征向量和/或预先获取的第一音频信号段，获取预测结果；
9、所述第一音频信号段为铁钻工石油接箍上扣过程或卸扣过程的音频信号段之前的预先指定时间段的音频信号。
10、优选地，所述s2具体包括：
11、将所述音频信号段，按照预先指定帧长，分为多帧音频信号。
12、优选地，所述s3具体包括：
13、s31、针对每帧音频信号，进行特征提取处理，分别得到每帧音频信号的mfcc特征；
14、s32、分别将每帧音频信号的mfcc特征，输入至预训练的接箍状态检测模型中，得到每帧音频信号分别所对应的接箍状态信息；
15、其中，音频信号所对应的接箍状态信息包括：该帧音频信号所对应的每一状态标签的概率值和置信度；
16、采用第一训练数据集对接箍状态检测模型进行训练，得到预训练的接箍状态检测模型；
17、所述接箍状态检测模型为卷积神经网络模型；
18、所述第一训练数据集包括：铁钻工石油接箍上扣过程和卸扣过程中的多个时段的音频信号、每一时段的音频信号所对应的mfcc特征以及每一时段的音频信号所对应的预先设定的状态标签；
19、所述状态标签包括：用于表示该时段的音频信号对应的是接箍中正常操作状态的第一标签；用于表示该时段的音频信号对应的是接箍中背景噪音的第二标签；用于表示该时段的音频信号对应的是接箍中在旋紧中状态的第三标签；用于表示该时段的音频信号对应的是接箍中在旋紧完成状态的第四标签；用于表示该时段的音频信号对应的是接箍中在旋紧过渡状态的第五标签；用于表示该时段的音频信号对应的是接箍中在旋开状态的第六标签；用于表示该时段的音频信号对应的是接箍中在旋开完成状态的第七标签。
20、优选地，所述s4具体包括：
21、s41、将所述音频信号进行分帧后得到的多帧音频信号，进行筛选处理，得到筛选后的多帧音频信号；
22、s42、针对筛选后的多帧音频信号进行拼帧处理，得到多个音频序列；
23、s43、基于音频序列以及每帧音频信号所对应的mfcc特征和接箍状态信息和与该帧音频信号所对应的铁钻工状态数据，得到该帧音频信号的所对应的综合特征向量。
24、优选地，所述s41具体包括：
25、将所述音频信号进行分帧后得到的多帧音频信号中，所对应的置信度小于预先设定值的每帧音频信号进行去除，得到筛选后的多帧音频信号。
26、优选地，所述s42具体包括：
27、当n≤m－4时，经过拼帧处理后所得到的第n个音频序列ptn为：{pn、p(n+2)、p(n+4)}；
28、当m－4＜n≤m－2时，经过拼帧处理后所得到的第n个音频序列ptn为：{pn、p(n+2)}；
29、当m－2＜n≤m时，经过拼帧处理后所得到的第n个音频序列ptn为：{pn}；
30、其中，m为得到筛选后的音频信号的帧数；
31、pn为筛选后的多帧音频信号中的第n帧音频信号。
32、优选地，
33、综合特征向量为asn；
34、asn＝[fn，s[n]，c[n]，sc[n]]；
35、fn就是筛选后的多帧音频信号中的第n帧音频信号所对应的置信度；
36、s[n]＝{pn、pn所对应的每一状态标签的概率值、pn所对应的每一状态标签的置信度}；
37、c[n]包括：第n个音频序列ptn所对应的置信度曲线；
38、其中，第n个音频序列ptn所对应的置信度曲线为第n个音频序列ptn中所包含的每帧音频信号分别所对应的每一状态标签的置信度的连接线；
39、铁钻工状态数据sc[n]为：第一预设数值、第二预设数值以及第三预设数值中的任一数值；
40、其中，第一预设数值表示：铁钻工为未知状态；第二预设数值表示：铁钻工为上扣状态；第三预设数值表示：铁钻工为卸扣状态。
41、优选地，所述s5具体包括：
42、s51、基于每帧音频信号所对应的综合特征向量，获取综合特征向量序列；
43、asseq＝{as1、as2、as3、...、asm}；
44、其中，asseq为综合特征向量序列；
45、s52、将所述综合特征向量序列asseq和/或预先获取的第一音频信号段，输入至预训练的lstm时序检测模型，得到预测结果；
46、其中，采用第二训练数据集训练ls本文档来自技高网...
【技术保护点】
1.一种基于深度学习的铁钻工石油接箍状态声音识别方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的铁钻工石油接箍状态声音识别方法，其特征在于，所述S2具体包括：
3.根据权利要求2所述的基于深度学习的铁钻工石油接箍状态声音识别方法，其特征在于，所述S3具体包括：
4.根据权利要求3所述的基于深度学习的铁钻工石油接箍状态声音识别方法，其特征在于，所述S4具体包括：
5.根据权利要求4所述的基于深度学习的铁钻工石油接箍状态声音识别方法，其特征在于，所述S41具体包括：
6.根据权利要求5所述的基于深度学习的铁钻工石油接箍状态声音识别方法，其特征在于，所述S42具体包括：
7.根据权利要求6所述的基于深度学习的铁钻工石油接箍状态声音识别方法，其特征在于，
8.根据权利要求7所述的基于深度学习的铁钻工石油接箍状态声音识别方法，其特征在于，所述S5具体包括：
9.根据权利要求8所述的基于深度学习的铁钻工石油接箍状态声音识别方法，其特征在于，
10.一种基于深度学习的铁钻
...【技术特征摘要】
1.一种基于深度学习的铁钻工石油接箍状态声音识别方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的铁钻工石油接箍状态声音识别方法，其特征在于，所述s2具体包括：
3.根据权利要求2所述的基于深度学习的铁钻工石油接箍状态声音识别方法，其特征在于，所述s3具体包括：
4.根据权利要求3所述的基于深度学习的铁钻工石油接箍状态声音识别方法，其特征在于，所述s4具体包括：
5.根据权利要求4所述的基于深度学习的铁钻工石油接箍状态声音识别方法，其特征在于，所述s41...
【专利技术属性】
技术研发人员：刘秀奇，陈阁，任克营，李弢，
申请(专利权)人：北京捷杰西科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。