基于树莓派和视觉图像的钻井振动筛倾角调节系统
1.
2.
3.
4.
Inclination angle adjustment system for shale shaker based on Raspberry Pi and visual image
1.
2.
3.
4.
收稿日期: 2023-04-03 修回日期: 2023-07-11
基金资助: |
|
Received: 2023-04-03 Revised: 2023-07-11
作者简介 About authors
侯勇俊(1967—),男,四川盐亭人,教授,博士,从事石油矿场机械、振动筛技术等研究,E-mail:
关键词:
Keywords:
本文引用格式
侯勇俊, 贾文俊, 刘博文, 吴先进.
HOU Yongjun, JIA Wenjun, LIU Bowen, WU Xianjin.
长期以来,我国钻井振动筛的自动化程度较低,工作时需人工定期巡检,以进行筛面固液分离状态监测和筛面倾角的手动调节等操作。但人工巡检无法及时发现钻井振动筛的“跑浆”现象,导致钻井液流失严重,这既增加了钻井成本,又增大了钻屑环保处理的工作量。因此,设计一种可代替人工定期巡检的筛面固液分离状态自动监测和筛面倾角自动调节系统,以推进钻井振动筛的自动化和智能化发展已迫在眉睫。
目前,美国NOV(National Oilwell Varco)公司利用自动声呐系统直接测量钻井振动筛筛箱内的实际液面高度,并根据钻井液的实际处理量自动调节筛箱倾角[1]。但由于存在振动,钻井振动筛筛箱内的实际自由液面高度参差不齐,需要多个声呐同时测量多个位置,监测系统复杂且价格昂贵。王臣等[2]在钻井振动筛最后一张筛网下方安装了带自动称重装置的钻井液检测容器,筛面钻井液到达允许的最远位置时即被筛到检测容器内,当容器内钻井液达到预设质量时触发报警信号,此时振动筛自动调节筛面倾角,以避免跑浆。但该方法的检测误差大,无法实现实时调节,且使用一段时间后,钻井液中固相部分沉降并黏附在检测容器内部,导致系统无法正常工作。河北北钻石油钻采设备有限公司[3]通过测量井口返回钻井液的流量来控制钻井振动筛的筛面倾角和分配多台振动筛的进料流量,从而实现振动筛工作状态的电动调节。但是,井口返回钻井液的流量不能准确反映筛面的固液分离状态,导致振动筛无法自适应工作。为此,本文提出了一种基于视觉图像的钻井振动筛筛面固液分离状态识别方法,并根据识别结果实时调节筛面倾角,从而实现钻井振动筛的自适应工作。
在视觉图像分类识别领域,卷积神经网络(convolutional neural network, CNN)是一种最为常用的深度学习模型[4-8]。Zhang等[9]提出了一种基于改进CNN的轴承故障诊断方法,该方法的故障诊断准确率达到了99.8%。Noha等[10]采用CNN对正常和异常的视网膜图像进行了分类,实现了黄斑病变疾病的自动检测。赵桐等[11]设计了一种基于迁移学习和CNN的齿轮缺陷检测方法,该方法识别齿轮缺陷的准确率达到了98%以上。李长齐等[12]设计了一种基于树莓派和VGG-16(visual geometry group,视觉几何群)模型的齿轮表面缺陷检测系统,实现了对断齿、表面脏污和表面裂纹等缺陷的自动检测。李民赞等[13]设计了一种基于树莓派和SVM(support vector machine,支持向量机)、GRNN(general regression neural network,广义回归神经网络)的表层土壤容重检测系统,可根据土壤表面图像特征实现对表层土壤容量的快速检测。
基于此,本文拟设计的基于视觉图像的钻井振动筛倾角调节系统以树莓派为硬件平台,搭载基于改进AlexNet模型[14]开发的图像识别软件,以实现振动筛筛面固液分离状态的识别;同时,将识别结果作为控制信号,驱动2台步进电机同步运转,从而实现振动筛筛面倾角的自动调节。
1 钻井振动筛倾角调节系统总体设计
1.1 钻井振动筛的固液分离过程
在钻井过程中,当钻井液流到振动筛的筛网上时,开始固液分离。在钻井液刚流到筛网上时,仅有小部分钻井液通过筛网,大部分液相沿着筛网表面快速扩散,并在筛网表面形成钻井液层。随着固液分离的进行,钻井液层会越来越薄,直到筛网上某一位置处液相终止,这个位置称为液相终止线。固相颗粒通过液相终止线后继续向前运动,直至离开筛网表面。在钻井振动筛正常工作时,要保证液相终止线位于筛网有效长度的2/3~3/4位置处[15]。本文将钻井振动筛最后一张筛网的筛面图像作为检测对象,当液相终止线超过最后一张筛网有效长度的3/4时,由人工分类为跑浆状态;当液相终止线位于最后一张筛网有效长度的2/3~3/4处时,由人工分类为正常状态;当液相终止线位于最后一张筛网有效长度的2/3内时,由人工分类为少浆状态。
1.2 钻井振动筛的倾角调节系统设计
基于树莓派和视觉图像的钻井振动筛倾角调节系统的总体框架如图1所示,包括图像采集模块、图像识别模块、电机驱动模块和电源模块等。该系统的硬件部分由树莓派4B平台、摄像头、步进电机驱动板和电源组成,软件部分包括TensorFlow2.2.0、OpenCV4和树莓派操作系统等。通过树莓派4B平台控制摄像头实时采集钻井振动筛的筛面图像,并将采集的筛面图像发送到树莓派4B平台,以开展筛面固液分离状态的识别;同时,将识别结果作为控制信号发送到电机驱动模块,以驱动2台步进电机同步运转,从而实现筛面倾角的自动调节。
图1
图1
钻井振动筛倾角调节系统总体框图
Fig.1
Overall block diagram of inclination angle adjustment system for shale shaker
2 钻井振动筛倾角调节系统的硬件和软件设计
2.1 硬件设计
2.1.1 主控平台
图2
2.1.2 图像采集设备
图3
2.1.3 电机驱动设备
图4
2.1.4 电源
步进电机驱动板的电源芯片支持4.5~28 V的宽电压输入,输出电流可达3 A。但是,DRV8825电机驱动芯片的工作电压最小为8.2 V,因此所选用的电源的电压最好保持在8.2~28 V。本文选择通用的电源适配器为钻井振动筛倾角调节系统供电,其输入为200~240 V(50/60 Hz)的交流电,输出为12 V/2 A的直流电。
2.2 软件设计
钻井振动筛倾角调节系统的程序控制流程如图5所示。该系统采用远程SSH(secure shell, SSH)协议连接树莓派4B平台并启动程序,以实现筛面固液分离状态识别和筛面倾角调节。在倾角调节系统程序中,步进电机分辨率设为全步,即输出200个脉冲,电机旋转一圈。当接收到少浆和跑浆信号时,系统均输出50个脉冲以驱动步进电机正、反转,同时记录1号电机的正、反转次数,并设定正、反转次数差值的绝对值不超过5次。若超过5次,则系统停止工作。通过同步驱动2台步进电机运转来实现振动筛筛面倾角的自动调节。上述参数配置可根据钻井振动筛的实际工作要求进行修改。
图5
图5
钻井振动筛倾角调节系统程序控制流程
Fig.5
Program control flow of inclination angle adjustment system for shale shaker
3 图像识别模型的构建及优化
3.1 筛面图像数据集
由于钻井振动筛出口处钻井液的温度较高,会产生高温雾气,因此在振动筛出口的正上方很难直接看清筛网表面的固液分离状态。为了拍摄较清晰的筛面图像,将摄像头(分辨率为1 080P)固定在振动筛出口的右上方(距离出口50 cm)。为了规范数据集,消除无效区域对图像识别的干扰,采用OpenCV库编写图像预处理程序,对采集的筛面图像进行旋转、裁剪和去噪等预处理。
1)图像旋转。
采用OpenCV库函数中的warpAffine函数对摄像头采集的筛面图像进行旋转处理,得到筛面水平的图像。
2)图像裁剪。
为了获取筛面图像的目标区域,对旋转后的筛面图像进行裁剪操作。由于OpenCV库函数中没有用于图像裁剪的特殊函数,本文采用NumPy矩阵的切片功能来实现图像裁剪。此外,为了符合AlexNet模型的输入要求,利用cv2.imresize()函数对裁剪后的图像进行缩放处理,最终得到(227
3)图像去噪。
图6
综上,筛面图像的预处理结果如图7所示。图中方框区域为筛面图像目标区域的截取位置。
图7
根据钻井振动筛固液分离过程中液相终止线的位置特征,由人工将预处理后的筛面图像分为正常状态、少浆状态和跑浆状态三种类别。筛面图像示例样本如图8所示(图中标记线为液相终止线)。3种类别的筛面图像各选500张以组成数据集,并用OpenCV库构建图像数据库,将每类数据集的80%作为训练集,剩余20%作为测试集。
图8
3.2 迁移学习
本文设计的钻井振动筛倾角调节系统利用AlexNet模型来实现筛面图像的分类和识别。若想取得较好的分类和识别效果,则需大量的筛面图像训练样本,且会占用大量计算资源。但是,本文采集的筛面图像数量有限,故采用迁移学习方法来构建图像识别模型,以避免训练样本不足的问题。
迁移学习(transfer learning)是一种机器学习方法,即将在其他任务中训练好的神经网络模型进行简单调整后用于新的训练任务,可大大缩短训练时间。相比于全新学习,迁移学习有助于神经网络的快速收敛。常用的迁移学习方法有2种:一种是特征迁移,即去掉神经网络的最后一层,将其之前的特征向量送入分类器进行分类训练;另一种是参数迁移,即重新初始化神经网络的少数几层,其余层直接采用原神经网络的权重参数,再用新的数据集对神经网络的参数进行精调。本文采用结构微调、参数精调的迁移学习方式,将已在ImageNet数据集上学习到图像分类知识的AlexNet模型用于振动筛的筛面固液分离状态的识别。
3.3 基于改进AlexNet的筛面图像识别模型
经典AlexNet模型的参数数量庞大,高达6 000多万个,其中全连接层的参数占参数总量的96%左右,即使分类输出种类由1 000个变为3个,参数数量依旧很大,训练时易出现过拟合现象,且会占用很高的内存。
基于此,本文根据钻井振动筛筛面图像的识别要求,对经典AlexNet模型的结构进行微调。经典AlexNet模型的第1个卷积核大小为11
图9
图9
基于改进AlexNet的筛面图像识别模型
Fig.9
Screen surface image recognition model based on improved AlexNet
参照经典AlexNet模型,将基于改进AlexNet的筛面图像识别模型中的丢弃概率设置为0.5。在每个卷积模块及全连接层的输出后,添加校正线性单元(rectified linear unit, ReLU),可直接有效地解决梯度弥散问题,从而加速模型收敛[21]。
本文采用带动量的随机梯度下降算法来优化筛面图像识别模型,其函数表达式如下:
式中:
本文中学习率
4 图像识别模型的训练与测试
4.1 模型的训练与测试环境
在TensorFlow框架下编写基于改进AlexNet的筛面图像识别模型并对其进行训练与测试。模型训练与测试的平台为Windows 10系统,CPU:Intel(R)Core(TM)i7-8700k@3.70GHz,GPU:GeForce GTX 1050Ti。
4.2 模型的参数设置
参照经典AlexNet模型的参数,设置基于改进AlexNet的筛面图像识别模型的参数:批量尺寸为32,学习率为0.001,验证频率为5,动量为0.9,最大训练次数为100。
4.3 模型的训练与测试结果
利用上文构建的3种类别的筛面图像数据集对基于改进AlexNet的筛面图像识别模型进行训练和测试,结果如图10所示。结果表明,该模型的训练与测试准确率分别达到99.37%和98.23%;在训练到80次时,训练损失趋于稳定。筛面图像测试集的分类结果如图11所示。分类结果以分类混淆矩阵形式呈现[23],各类测试样本分别为100个,其中少浆状态的正确分类了97个样本,3个样本被错误分类为正常状态,分类准确率为97%;正常状态的正确分类了96个,分别有2个样本被分类为少浆状态和跑浆状态,分类准确率为96%;跑浆状态的正确分类了99个,3个样本被错误分类为正常状态,分类准确率是99%。综上,本文基于改进AlexNet的筛面图像识别模型的平均识别准确率为97.33%,能满足钻井振动筛筛面固液分离状态的识别要求。
图10
图10
基于改进AlexNet的筛面图像识别模型的训练和测试结果
Fig.10
Training and testing results of screen surface image recognition model based on improved AlexNet
图11
图11
筛面图像测试集分类结果
Fig.11
Classification results of screen surface image test set
4.4 模型的精度评价
为进一步评估所构建的基于改进AlexNet的筛面图像识别模型的精度,选用精确率(precision)、召回率(recall)和精确率与召回率的调和平均值 F1 作为模型精度的评价指标。精确率P、召回率R和 F1 的计算式如下:
式中:TP为预测正确的数量,FP为将目标类别预测为非目标类别的数量,FN为将非目标类别预测为目标类别的数量。
在本文的筛面固液分离状态识别中,以少浆状态为例,实际为少浆状态的筛面图像被判定为少浆状态的数量即为TP,实际为少浆状态的筛面图像被判定为其他2种状态的数量为FP,而实际为其他2种状态的筛面图像被判定为少浆状态的数量即为FN。同理可得跑浆和正常状态筛面图像对应的TP、FP和FN。将每一种状态对应的TP、FP和FN的具体值代入
图12
图12
基于改进AlexNet的筛面图像识别模型的精确率曲线
Fig.12
Accuracy curve of screen surface image recognition model based on improved AlexNet
图13
图13
基于改进AlexNet的筛面图像识别模型的召回率曲线
Fig.13
Recall rate curve of screen surface image recognition model based on improved AlexNet
图14
图14
基于改进AlexNet的筛面图像识别模型的 F1 值曲线
Fig.14
F1 value curve of screen surface image recognition model based on improved AlexNet
4.5 不同模型对比
为了进一步验证本文图像识别模型的分类识别能力,对基于改进AlexNet、经典AlexNet、ResNet50和VGG-16的筛面图像识别模型进行对比。在相同训练次数下,采用相同的筛面图像数据集对不同模型进行训练,并设置相同的神经网络参数。不同模型的精度评价结果对比如表1所示。通过对比可知,本文模型的识别结果最佳。
表1 不同模型的精度评价结果对比
Table 1
模型 | 准确率/% | 精确率 | 召回率 | F1值 |
---|---|---|---|---|
改进AlexNet | 97.3 | 0.966 | 0.971 | 0.962 |
经典AlexNet | 89.7 | 0.875 | 0.876 | 0866 |
ResNet50 | 93.6 | 0.928 | 0.923 | 0.921 |
VGG-16 | 94.3 | 0.945 | 0.942 | 0.937 |
5 实验验证
图15
图15
钻井振动筛倾角调节系统实验装置
Fig.15
Experimental device of inclination angle adjustment system for shale shaker
表2 钻井振动筛倾角调节系统测试结果
Table 2
编号 | 识别结果 | 电机转向 | 响应时间/s |
---|---|---|---|
1 | 跑浆 | 1号反转、2号正转 | 1.477 |
2 | 跑浆 | 1号反转、2号正转 | 1.496 |
3 | 跑浆 | 1号反转、2号正转 | 1.475 |
4 | 跑浆 | 1号反转、2号正转 | 1.431 |
5 | 跑浆 | 1号反转、2号正转 | 1.498 |
6 | 正常 | 无动作 | 1.472 |
7 | 正常 | 无动作 | 1.486 |
8 | 正常 | 无动作 | 1.491 |
9 | 正常 | 无动作 | 1.483 |
10 | 正常 | 无动作 | 1.466 |
11 | 少浆 | 1号正转、2号反转 | 1.493 |
12 | 少浆 | 1号正转、2号反转 | 1.459 |
13 | 少浆 | 1号正转、2号反转 | 1.482 |
14 | 少浆 | 1号正转、2号反转 | 1.473 |
15 | 少浆 | 1号正转、2号反转 | 1.472 |
6 结 论
针对我国钻井振动筛自动化程度较低的现状,提出了一种以筛面固液分离状态的视觉图像识别结果为控制信号的振动筛倾角调节系统。该系统以树莓派4B作为主控平台,搭载基于OpenCV和改进AlexNet模型开发的筛面图像识别软件。
本文以经典的AlexNet模型为基础,使用结构微调和参数精调的迁移学习方法,构建了基于改进AlexNet的筛面图像识别模型。测试结果表明,所构建的模型对钻井振动筛筛面固液分离状态的识别准确率和精确率分别为97.3%和0.966;改进AlexNet的识别效果优于经典AlexNet、ResNet50和VGG-16。
实验结果表明,基于树莓派和视觉图像的倾角调节系统有效提高了钻井振动筛的自动化水平,这对提高钻井工作效率具有重要意义。
参考文献
钻井新装备、新工具现状及进展
[EB/OL].(
Status and progress of new drilling equipment and new tools
[EB/OL]. (
钻井液固相控制系统的信息化与自动化设计及应用
[J].,
Informatization and automation design and application of drilling fluid solid phase control system
[J]. ,
北钻固控设备智能振动筛控制系统现场工作视频
[EB/OL].(
BZ intelligent shale shaker system working video
[EB/OL]. (
Evolving deep convolution neural networks for image classification
[J]. ,
Deep learning of human posture image classification using convolutional neural networks
[J]. ,
迁移学习用于电磁目标识别
[J].,
Transfer learning for electromagnetic target recognition
[J]. ,
Online inspection of narrow overlap weld quality using two-stage convolution neural network image recognition
[J]. ,
Analysis of facial emotion recognition for image and video data using convolution neural networks
[C]//
A new bearing fault diagnosis method based on modified convolutional neural networks
[J]. ,
Classification of retinal images based on convolutional neural network
[J]. ,
基于迁移学习和特征重用的MIM齿轮缺陷检测
[J].,
MIM gear defect detection based on transfer learning and feature reuse
[J]. ,
基于树莓派的齿轮表面缺陷检测系统设计
[J].,
Design of gear surface defect detection system based on Raspberry Pi
[J]. ,DOI:10.3969/j.issn.1002-1841.2022.03.021 [本文引用: 2]
基于树莓派的农田表土层土壤容重检测系统研究
[J].,
Soil bulk density detection system of framland topsoil based on Raspberry Pi
[J]. ,DOI:10.6041/j.issn.1000-1298.2021.S0.042 [本文引用: 1]
ImageNet classification with deep convolutional neural networks
[J]. ,
钻井液振动筛的维护使用
[J].,
Maintenance and use of drilling shale shaker
[J]. ,DOI:10.3969/j.issn.1004-5716.2018.05.027 [本文引用: 1]
一种开架式水下作业机器人的设计与实现
[D].
Design and implementation of an open frame underwater operation robot
[D].
低成本智能数字式显微镜的搭建
[D].
Construction of low cost “smart” microscope
[D].
基于OpenCV的焊缝图像处理研究
[D].
Research on weld image processing based on OpenCV
[D].
基于卷积神经网络与迁移学习的油茶病害图像识别
[J].,
Image recognition of camellia oleifera diseases based on convolutional neural network and transfer learning
[J]. ,DOI:10.11975/j.issn.1002-6819.2018.18.024 [本文引用: 1]
Improving neural networks by preventing co-adaptation of feature detectors
[J]. ,
Identification of wheat tiller based on AlexNet-feature fusion
[J]. ,
基于迁移学习的卷积神经网络花生荚果等级图像识别
[J].,
Image recognition of peanut pod grades based on transfer learning with convolutional neural network
[J]. ,DOI:10.11975/j.issn.1002-6819.2020.23.020 [本文引用: 1]
基于卷积神经网络图像分类的轴承故障模式识别
[J].,
Bearing fault pattern recognition based on image classification with CNN
[J]. ,DOI:10.16652/j.issn.1004-373x.2020.17.016 [本文引用: 1]
/
〈 | 〉 |