杨金显王小康仝小森

(河南理工大学电气工程与自动化学院导航制导实验室，河南 焦作454000)

钻井过程中，钻头异常振动的类型主要有三种:横向振动、轴向振动和扭转振动[1]，这三种常见的振动在随钻过程中造成的破坏却是巨大的，然而在大多数的随钻异常振动造成钻井事故发生前都会有一些前兆，即在钻进过程中MIMU等测量数据参数的异常，比如MEMS加速度计数据的异常[2－3]。然而，从事故的前兆到事故的发生往往时间的间隔都很短，几分钟甚至更短。因此，如何及时发现MIMU测量数据随钻异常振动参数的异常，并对随钻异常振动的快速识别就显得尤为重要。

目前，对随钻钻头异常振动信号的识别分析大多采用人工神经网络、支持向量机、独立分析、小波分析、傅里叶变换等方法。YaochenShi等人[4]采用LMD将钻头信号分解为PF分量，通过BP神经网络进行分类识别，然而该方法采用四层结构的BP神经网络，隐藏层数多，误差从输出层向输入层反向传递不可靠，权值修正不准确，导致BP神经网络性能下降，随钻钻头信号识别的准确度不高。刘刚等人[5－6]对随钻振动信号进行时域频域分析，提取到钻头振动特征，经过PCA降维，利用BP神经网络对随钻钻头振动信号的特征进行分类识别，但是该方法提取特征多，训练时间长，效率低。王航等人[7]提出基于独立成分分析分离同频率范围信号的方法，但该方法采用限幅滤波方式处理振动信号，只能对幅值范围内的振动信号进行分离，分离精确性低。……