Nothing Special   »   [go: up one dir, main page]

CN117662106A - 一种钻机电控系统及电控方法 - Google Patents

一种钻机电控系统及电控方法 Download PDF

Info

Publication number
CN117662106A
CN117662106A CN202410127177.1A CN202410127177A CN117662106A CN 117662106 A CN117662106 A CN 117662106A CN 202410127177 A CN202410127177 A CN 202410127177A CN 117662106 A CN117662106 A CN 117662106A
Authority
CN
China
Prior art keywords
drilling machine
data
target
machine control
knowledge
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202410127177.1A
Other languages
English (en)
Other versions
CN117662106B (zh
Inventor
李欣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Honier Electric Technology Co ltd
Original Assignee
Sichuan Honier Electric Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sichuan Honier Electric Technology Co ltd filed Critical Sichuan Honier Electric Technology Co ltd
Priority to CN202410127177.1A priority Critical patent/CN117662106B/zh
Publication of CN117662106A publication Critical patent/CN117662106A/zh
Application granted granted Critical
Publication of CN117662106B publication Critical patent/CN117662106B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B44/00—Automatic control systems specially adapted for drilling operations, i.e. self-operating systems which function to carry out or modify a drilling operation without intervention of a human operator, e.g. computer-controlled drilling systems; Systems specially adapted for monitoring a plurality of drilling variables or conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/041—Abduction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Geology (AREA)
  • Mining & Mineral Resources (AREA)
  • Environmental & Geological Engineering (AREA)
  • Fluid Mechanics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本申请提供一种钻机电控系统及电控方法，通过建立关联推理向量和利用第一自注意力网络，能够获取事件描述内容之间的关联性，并进行故障估计，而通过扩展知识学习后的第二自注意力网络进一步优化了故障估计过程，提高了故障估计的准确性，从而有效地对相应的钻机控制事件进行优化。此外，结合了多个钻机控制事件的钻机控制描述数据，其中包括故障描述内容和与其相关的钻机控制数据内容，能够充分利用这些多源数据，并通过学习事件描述内容之间的关联推理向量，提取关键信息进行故障估计和优化。此外，本申请具有良好的可扩展性和适应性，能够根据实际应用场景和需求，灵活地构建和学习相关知识，从而更好地适应不同的钻机控制事件和故障类型。

Description

一种钻机电控系统及电控方法
技术领域
本申请涉及钻机控制技术领域，具体而言，涉及一种钻机电控系统及电控方法。
背景技术
在现有钻机控制系统中，故障估计和优化是关键挑战之一。传统的方法主要基于经验规则或特定领域知识，缺乏对多源数据的综合利用和深度学习能力，导致故障估计的准确性和优化效果不尽如人意。
近年来，深度神经网络和知识学习方法在故障估计和优化领域得到广泛应用并取得了显著成果。深度神经网络能够通过学习大量数据的表征和关联信息，实现更准确的故障估计。然而，在钻机控制事件中，不同钻机控制事件的事件描述内容之间的关联性是重要的信息，但目前的方法未能充分利用这些信息进行故障估计和优化。
发明内容
有鉴于此，本申请的目的在于提供一种钻机电控系统及电控方法。
依据本申请的第一方面，提供一种钻机电控方法，应用于钻机电控系统，所述方法包括：
获取多个钻机控制事件的钻机控制描述数据，每个钻机控制事件的钻机控制描述数据包括以下事件描述内容：至少一个故障描述内容，及与各故障描述内容对应的至少一个钻机控制数据内容；与任意一个故障描述内容对应的钻机控制数据内容反映：钻机控制事件存在所述任意一个故障描述内容所对应的故障类别时所对应的钻机控制关联特征；
依据深度神经网络对各个钻机控制事件的钻机控制描述数据中的事件描述内容之间的关联推理向量进行知识学习，生成第一知识推理关系数据，所述第一知识推理关系数据中包括多个关系成员；一个关系成员对应一个事件描述内容，且任意两个邻接的关系成员所表征的事件描述内容之间具有关联推理向量；
依据第一自注意力网络基于所述第一知识推理关系数据和候选钻机控制事件的钻机控制描述数据，对所述候选钻机控制事件进行故障估计，生成故障估计数据；所述候选钻机控制事件为所述多个钻机控制事件中的任意一个钻机控制事件；
基于所述候选钻机控制事件的故障描述内容和所述故障估计数据之间的代价函数值，对所述深度神经网络进行扩展知识学习；
依据扩展知识学习后的深度神经网络对所述各个钻机控制事件的钻机控制描述数据中的事件描述内容之间的关联推理向量进行知识学习，生成第二知识推理关系数据，以使得第二自注意力网络依据所述第二知识推理关系数据进行故障估计，并根据故障估计结果对对应的钻机控制事件进行优化，所述第二自注意力网络为所述第一自注意力网络，或者由所述第一自注意力网络进行扩展知识学习后的自注意力网络。
在第一方面的一种可能的实施方式中，所述依据第一自注意力网络基于所述第一知识推理关系数据和候选钻机控制事件的钻机控制描述数据，对所述候选钻机控制事件进行故障估计，生成故障估计数据，包括：
基于所述候选钻机控制事件的钻机控制描述数据，从所述第一知识推理关系数据中提取出候选区域知识推理关系数据，所述候选区域知识推理关系数据由记录了所述候选钻机控制事件的钻机控制描述数据中的各事件描述内容的关系成员构成；
依据第一自注意力网络对所述候选区域知识推理关系数据进行自注意力处理，生成所述候选区域知识推理关系数据中的每个关系成员的目标表征特征；
依据所述第一自注意力网络基于所述候选区域知识推理关系数据中的每个关系成员的目标表征特征，对所述候选钻机控制事件进行故障估计，生成故障估计数据。
在第一方面的一种可能的实施方式中，所述依据第一自注意力网络对所述候选区域知识推理关系数据进行自注意力处理，生成所述候选区域知识推理关系数据中的每个关系成员的目标表征特征，包括：
依据第一自注意力网络游走所述候选区域知识推理关系数据中的各个关系成员，并基于当前游走的目标关系成员所表征的事件描述内容生成所述目标关系成员的初始表征特征；
从候选区域知识推理关系数据中确定与当前游走的目标关系成员邻接的至少一个连通关系成员，并分别基于各连通关系成员所表征的事件描述内容生成所述各连通关系成员的初始表征特征；
基于用于进行线性转换和激活函数操作的权重矩阵分别对所述各连通关系成员的初始表征特征进行线性转换和激活，生成所述各连通关系成员的非线性激活特征；
基于所述各连通关系成员的非线性激活特征计算所述目标关系成员的加权成员特征；
融合所述目标关系成员的初始表征特征和所述加权成员特征，并采用所述用于进行线性转换和激活函数操作的权重矩阵对融合表征特征进行线性转换和激活，生成所述目标关系成员的目标表征特征。
在第一方面的一种可能的实施方式中，所述基于所述各连通关系成员的非线性激活特征计算所述目标关系成员的加权成员特征，包括：
从所述各连通关系成员的非线性激活特征中，选取最相关的非线性激活特征作为所述目标关系成员的加权成员特征；或者，对所述各连通关系成员的非线性激活特征进行加权处理，生成所述目标关系成员的加权成员特征。
在第一方面的一种可能的实施方式中，所述基于所述候选钻机控制事件的故障描述内容和所述故障估计数据之间的代价函数值，对所述深度神经网络进行扩展知识学习，包括：
基于所述候选钻机控制事件的故障描述内容和所述故障估计数据进行代价函数值计算，生成目标代价函数值；
基于负向激励函数根据所述目标代价函数值进行激励参数值确定，生成目标负向激励参数值；
依据最小化所述目标负向激励参数值的方向，优化所述深度神经网络的权重信息。
在第一方面的一种可能的实施方式中，所述基于负向激励函数根据所述目标代价函数值进行激励参数值确定，生成目标负向激励参数值，包括：
对所述第一知识推理关系数据进行知识推理跨度计算，生成所述第一知识推理关系数据的知识推理跨度，所述知识推理跨度和所述第一知识推理关系数据的训练价值负相关；
对所述第一知识推理关系数据的知识推理跨度和所述目标代价函数值进行加权融合，生成目标负向激励参数值。
在第一方面的一种可能的实施方式中，所述对所述第一知识推理关系数据的知识推理跨度和所述目标代价函数值进行加权融合，生成目标负向激励参数值，包括：
采用邻居聚合函数计算所述第一知识推理关系数据的邻居聚合参数值，所述邻居聚合参数值与所述第一知识推理关系数据所包括的闭环数量成正相关；
对所述邻居聚合参数值、所述第一知识推理关系数据的分数和所述目标代价函数值进行加权融合，生成目标负向激励参数值。
在第一方面的一种可能的实施方式中，所述第二自注意力网络为：由所述第一自注意力网络进行扩展知识学习后的自注意力网络；所述方法还包括：
基于所述候选钻机控制事件的故障描述内容和所述故障估计数据之间的代价函数值，同步对所述第一自注意力网络进行扩展知识学习，生成所述第二自注意力网络。
在第一方面的一种可能的实施方式中，所述方法还包括：
获取目标钻机控制事件的目标钻机控制描述数据，所述目标钻机控制描述数据包括以下目标事件描述内容：至少一个反映所述目标钻机控制事件所对应的钻机控制关联特征的钻机控制数据内容；
基于第二知识推理关系数据所指示的关联推理向量，采用所述目标钻机控制描述数据中的目标事件描述内容构建目标知识推理关系数据，所述目标知识推理关系数据中包括多个关系成员；一个关系成员记录一个目标事件描述内容，且任意两个邻接的关系成员所表征的目标事件描述内容之间具有关联推理向量；所述第二知识推理关系数据是依据扩展知识学习后的深度神经网络生成的，所述深度神经网络基于候选钻机控制事件的故障描述内容和故障估计数据之间的代价函数值进行扩展知识学习；所述故障估计数据是由第一自注意力网络依据所述深度神经网络生成的第一知识推理关系数据对所述候选钻机控制事件进行故障估计得到的；
依据第二自注意力网络基于所述目标知识推理关系数据对所述目标钻机控制事件进行故障估计，生成关于所述目标钻机控制事件的估计故障描述内容；所述第二自注意力网络为所述第一自注意力网络，或者由所述第一自注意力网络进行扩展知识学习后的自注意力网络；
所述依据第二自注意力网络基于所述目标知识推理关系数据对所述目标钻机控制事件进行故障估计，生成关于所述目标钻机控制事件的估计故障描述内容，包括：
依据第二自注意力网络对所述目标知识推理关系数据进行自注意力处理，生成所述目标知识推理关系数据中的每个关系成员的目标表征特征；
依据所述第二自注意力网络基于所述目标知识推理关系数据中的每个关系成员的目标表征特征，对所述目标钻机控制事件进行故障估计，生成关于所述目标钻机控制事件的估计故障描述内容。
依据本申请的第二方面，提供一种钻机电控系统，所述钻机电控系统包括机器可读存储介质及处理器，所述机器可读存储介质存储有机器可执行指令，所述处理器在执行所述机器可执行指令时，该钻机电控系统实现前述的钻机电控方法。
依据本申请的第三方面，提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可执行指令，当所述计算机可执行指令被执行时，实现前述的钻机电控方法。
依据上述任意一个方面，本申请中，通过建立关联推理向量和利用第一自注意力网络，能够获取事件描述内容之间的关联性，并基于这些关联信息进行故障估计，而通过扩展知识学习后的第二自注意力网络进一步优化了故障估计过程，提高了故障估计的准确性。根据故障估计结果，可以对相应的钻机控制事件进行优化。此外，结合了多个钻机控制事件的钻机控制描述数据，其中包括故障描述内容和与其相关的钻机控制数据内容。通过引入深度神经网络和知识学习方法，能够充分利用这些多源数据，并通过学习事件描述内容之间的关联推理向量，提取关键信息进行故障估计和优化。此外，第一知识推理关系数据和第二知识推理关系数据的生成是基于知识学习方法的，因此具有良好的可扩展性和适应性。系统能够根据实际应用场景和需求，灵活地构建和学习相关知识，从而更好地适应不同的钻机控制事件和故障类型。由此，本申请能够提升故障估计的精度，实现高效的钻机控制优化，综合利用多源数据，并具备可扩展性和适应性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以依据这些附图获得其它相关的附图。
图1本申请实施例所提供的钻机电控方法的流程示意图；
图2示出了本申请实施例所提供的用于实现上述的钻机电控方法的钻机电控系统的组件结构示意图；
附图标记：100-钻机电控系统；102-处理器；104-控制模块；106-存储器；108-NVM/存储设备；110-输入/输出设备；112-网络接口；114-指令。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将依据本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了依据本申请实施例的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加至少一个其它操作，也可以从流程图中销毁至少一个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。依据本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例，都对应于本申请保护的范围。
图1示出了本申请实施例提供的钻机电控系统及电控方法的流程示意图，应当理解，在其它实施例中，本实施例的钻机电控方法其中部分步骤的顺序可以依据实际需要相互共享，或者其中的部分步骤也可以省略或维持。该钻机电控方法的详细步骤包括：
步骤S110，获取多个钻机控制事件的钻机控制描述数据。
本实施例中，每个钻机控制事件的钻机控制描述数据包括以下事件描述内容：至少一个故障描述内容，及与各故障描述内容对应的至少一个钻机控制数据内容。与任意一个故障描述内容对应的钻机控制数据内容反映：钻机控制事件存在所述任意一个故障描述内容所对应的故障类别时所对应的钻机控制关联特征。
例如，假设当前在一个油田进行钻机操作监测，使用传感器和监控系统记录了多个钻机的操作数据。每个钻机控制事件的描述数据包括故障描述和与该故障描述相关的钻机控制数据。
例如，假设有三个钻机A、B和C，并记录了它们在一段时间内的控制事件。钻机A的一个控制事件描述为：故障描述为"电机过热"，钻机控制数据包括电机温度、电流等信息。钻机B的一个控制事件描述为：故障描述为"液压系统压力异常"，钻机控制数据包括液压泵压力、液压油温等信息。钻机C的一个控制事件描述为：故障描述为"传感器故障"，钻机控制数据包括传感器输出信号等信息。
步骤S120，依据深度神经网络对各个钻机控制事件的钻机控制描述数据中的事件描述内容之间的关联推理向量进行知识学习，生成第一知识推理关系数据。
本实施例中，所述第一知识推理关系数据中包括多个关系成员。一个关系成员对应一个事件描述内容，且任意两个邻接的关系成员所表征的事件描述内容之间具有关联推理向量。
例如，使用深度神经网络对每个钻机控制事件的描述数据进行处理和分析，从中推断事件描述内容之间的关联关系。通过学习这些关联关系，可以发现在一些故障描述之间存在某种共性或相关性。
例如，深度神经网络学习到当出现"电机过热"故障描述时，与之相关的控制数据特征可能包括电机温度升高、电流异常等。同样地，当出现"液压系统压力异常"故障描述时，与之相关的控制数据特征可能包括液压泵压力异常、液压油温上升等。
步骤S130，依据第一自注意力网络基于所述第一知识推理关系数据和候选钻机控制事件的钻机控制描述数据，对所述候选钻机控制事件进行故障估计，生成故障估计数据。
本实施例中，所述候选钻机控制事件为所述多个钻机控制事件中的任意一个钻机控制事件。
例如，使用第一自注意力网络结合第一知识推理关系数据和候选钻机控制事件的描述数据，进行故障估计。该第一自注意力网络能够利用之前学习到的关联推理关系和候选事件的描述数据来预测可能的故障类型。当钻机控制事件的描述数据被输入到第一自注意力网络中进行知识学习和推理时，以下是一个例子来说明第一知识推理关系数据的生成过程：
假设有一个钻机控制事件的描述数据如下：
故障描述：电机过热
钻机控制数据：电机温度、电流
首先，第一自注意力网络会对该事件描述数据进行处理和分析，提取出与故障描述和钻机控制数据相关的特征。在这个例子中，可能会提取出电机温度升高和电流异常等特征。
然后，第一自注意力网络通过学习多个类似的钻机控制事件数据，发现它们之间的关联关系和共性。以电机过热为例，网络可以发现以下关联关系：
当电机温度升高时，很可能是电机过热引起的。
当电流异常时，也可能是电机过热导致的。
在学习阶段，第一自注意力网络会将这些关联关系作为第一知识推理关系数据进行存储。这些关系数据包含了故障描述和与其相关的钻机控制数据之间的关联关系，以及它们之间的权重和重要性。
当有新的钻机控制事件发生时，第一自注意力网络会根据之前学习到的关联关系和新事件的描述数据进行推理。通过计算新事件描述数据与存储的关联关系的相似度、权重和重要性，第一自注意力网络可以预测出可能的故障类型。
例如，对于另一个钻机控制事件：
故障描述：电机温度升高
钻机控制数据：电流正常
基于第一知识推理关系数据，网络可以推断出这个事件很可能是电机过热引起的，因为它在特征上符合之前学习到的关联关系：电机温度升高。
这就是第一知识推理关系数据的一个例子，它能够帮助第一自注意力网络从钻机控制事件的描述数据中推断出可能的故障类型。
步骤S140，基于所述候选钻机控制事件的故障描述内容和所述故障估计数据之间的代价函数值，对所述深度神经网络进行扩展知识学习。
基于候选钻机控制事件的故障描述内容和故障估计数据之间的代价函数值，对深度神经网络进行扩展知识学习。通过优化深度神经网络的参数和权重，最小化代价函数，以提高故障估计的准确性和性能。
例如，根据候选钻机控制事件的故障描述为"电机过热"和相应的故障估计数据，代价函数可以衡量估计结果与真实情况之间的差异。通过优化深度神经网络的参数，使其更好地拟合实际情况，从而提高故障估计的准确性。
步骤S150，依据扩展知识学习后的深度神经网络对所述各个钻机控制事件的钻机控制描述数据中的事件描述内容之间的关联推理向量进行知识学习，生成第二知识推理关系数据，以使得第二自注意力网络依据所述第二知识推理关系数据进行故障估计，并根据故障估计结果对对应的钻机控制事件进行优化。
本实施例中，所述第二自注意力网络为所述第一自注意力网络，或者由所述第一自注意力网络进行扩展知识学习后的自注意力网络。
例如，基于扩展知识学习后的深度神经网络，对钻机控制事件的描述数据中的事件描述内容之间的关联推理向量进行知识学习，并生成第二知识推理关系数据。通过第二知识推理关系数据，第二自注意力网络可以更精确地进行故障估计。
举例来说，基于第一自注意力网络学习到的关联推理关系和继续收集的钻机控制事件数据，第二自注意力网络能够进一步推测出某个控制事件的可能故障类型，并生成相应的故障估计结果。
在此基础上，依据第二自注意力网络生成的故障估计结果，对对应的钻机控制事件进行优化。这意味着根据故障估计结果，采取相应的措施来减少或修复潜在的故障。
例如，如果第二自注意力网络预测某个钻机控制事件存在电机过热的故障，操作人员可以实施必要的维护措施，例如降低负载、增加冷却等，以防止电机过热导致设备损坏。
总而言之，上述场景描述了如何获取多个钻机控制事件的数据，并通过深度神经网络进行知识学习和推理，以实现故障估计和优化。具体的应用可能因实际情况而异，但这个示例可以帮助理解基于控制事件数据的故障诊断和改进方法。
基于以上步骤，通过建立关联推理向量和利用第一自注意力网络，能够获取事件描述内容之间的关联性，并基于这些关联信息进行故障估计，而通过扩展知识学习后的第二自注意力网络进一步优化了故障估计过程，提高了故障估计的准确性。根据故障估计结果，可以对相应的钻机控制事件进行优化。此外，结合了多个钻机控制事件的钻机控制描述数据，其中包括故障描述内容和与其相关的钻机控制数据内容。通过引入深度神经网络和知识学习方法，能够充分利用这些多源数据，并通过学习事件描述内容之间的关联推理向量，提取关键信息进行故障估计和优化。此外，第一知识推理关系数据和第二知识推理关系数据的生成是基于知识学习方法的，因此具有良好的可扩展性和适应性。系统能够根据实际应用场景和需求，灵活地构建和学习相关知识，从而更好地适应不同的钻机控制事件和故障类型。由此，本申请能够提升故障估计的精度，实现高效的钻机控制优化，综合利用多源数据，并具备可扩展性和适应性。
在一种可能的实施方式中，步骤S130可以包括：
步骤S131，基于所述候选钻机控制事件的钻机控制描述数据，从所述第一知识推理关系数据中提取出候选区域知识推理关系数据，所述候选区域知识推理关系数据由记录了所述候选钻机控制事件的钻机控制描述数据中的各事件描述内容的关系成员构成。
假设有多个钻机控制事件的描述数据，其中一个候选钻机控制事件如下：
故障描述：电机过热
钻机控制数据：电机温度、电流
基于第一自注意力网络和之前学习到的第一知识推理关系数据，网络可以从该候选钻机控制事件的描述数据中提取出候选区域知识推理关系数据。在这个例子中，候选区域知识推理关系数据可能包括电机过热与电机温度升高、电机过热与电流异常之间的关联关系。
步骤S132，依据第一自注意力网络对所述候选区域知识推理关系数据进行自注意力处理，生成所述候选区域知识推理关系数据中的每个关系成员的目标表征特征。
第一自注意力网络对提取出的候选区域知识推理关系数据进行自注意力处理，生成每个关系成员的目标表征特征。自注意力处理可以帮助网络关注关键的关系成员，并为它们分配适当的权重。
在本例中，自注意力处理会对电机过热与电机温度升高、电机过热与电流异常之间的关联关系进行处理，生成每个关系成员的目标表征特征。这些目标表征特征可以反映出关系成员之间的重要性和相互影响。
步骤S133，依据所述第一自注意力网络基于所述候选区域知识推理关系数据中的每个关系成员的目标表征特征，对所述候选钻机控制事件进行故障估计，生成故障估计数据。
例如，基于电机过热与电机温度升高、电机过热与电流异常之间的关联关系和各关系成员的目标表征特征，网络可以进行故障估计。例如，根据电机温度升高和电流异常的特征，网络可以得出故障估计结果为电机过热。
在一种可能的实施方式中，步骤S132可以包括：
步骤S1321，依据第一自注意力网络游走所述候选区域知识推理关系数据中的各个关系成员，并基于当前游走的目标关系成员所表征的事件描述内容生成所述目标关系成员的初始表征特征。
步骤S1322，从候选区域知识推理关系数据中确定与当前游走的目标关系成员邻接的至少一个连通关系成员，并分别基于各连通关系成员所表征的事件描述内容生成所述各连通关系成员的初始表征特征。
步骤S1323，基于用于进行线性转换和激活函数操作的权重矩阵分别对所述各连通关系成员的初始表征特征进行线性转换和激活，生成所述各连通关系成员的非线性激活特征。
步骤S1324，基于所述各连通关系成员的非线性激活特征计算所述目标关系成员的加权成员特征。
例如，可以从所述各连通关系成员的非线性激活特征中，选取最相关的非线性激活特征作为所述目标关系成员的加权成员特征。或者，对所述各连通关系成员的非线性激活特征进行加权处理，生成所述目标关系成员的加权成员特征。
步骤S1325，融合所述目标关系成员的初始表征特征和所述加权成员特征，并采用所述用于进行线性转换和激活函数操作的权重矩阵对融合表征特征进行线性转换和激活，生成所述目标关系成员的目标表征特征。
例如，假设目标关系成员A是一个传感器数据，其事件描述内容是电机温度升高。第一自注意力网络通过自注意力处理，结合该事件描述内容，将其输入到一个神经网络中进行计算和转换，生成目标关系成员A的初始表征特征。然后，在候选区域知识推理关系数据中确定与目标关系成员A邻接的连通关系成员。假设连通关系成员C表示振动异常。通过将连通关系成员C的事件描述内容（即振动异常）作为输入，经过相同的神经网络计算和转换，生成连通关系成员C的初始表征特征。在此基础上，使用权重矩阵对连通关系成员C的初始表征特征进行线性转换和激活操作。这可以包括将初始表征特征乘以权重矩阵，并通过激活函数（如ReLU）进行非线性变换，从而生成连通关系成员C的非线性激活特征。接着，基于连通关系成员C的非线性激活特征，计算目标关系成员A的加权成员特征。这可以通过将连通关系成员C的非线性激活特征与目标关系成员A的初始表征特征进行加权组合得到，其中权重反映了不同关系成员之间的重要性。
最后，将目标关系成员A的初始表征特征与加权成员特征进行融合，并使用权重矩阵对融合后的表征特征进行线性转换和激活操作，生成目标关系成员A的目标表征特征。这可以通过将融合后的特征与权重矩阵相乘，并再次应用激活函数来实现。
由此，通过第一自注意力网络对候选区域知识推理关系数据进行处理，可以生成每个关系成员的目标表征特征。这些特征是通过神经网络的计算和转换过程得到的，反映了关系成员之间的相关性和重要性。
在一种可能的实施方式中，步骤S140可以包括：
步骤S141，基于所述候选钻机控制事件的故障描述内容和所述故障估计数据进行代价函数值计算，生成目标代价函数值。
步骤S142，基于负向激励函数根据所述目标代价函数值进行激励参数值确定，生成目标负向激励参数值。
步骤S143，依据最小化所述目标负向激励参数值的方向，优化所述深度神经网络的权重信息。
例如，假设正在进行钻机控制事件的故障估计，其中包括候选事件和对应的故障描述内容，以及故障估计数据。为了进行扩展知识学习，使用深度神经网络来学习事件和故障之间的关系。基于候选事件的故障描述内容和故障估计数据，计算它们之间的代价函数值，该代价函数值反映了事件描述内容与实际故障估计之间的差异程度。根据目标代价函数值，使用负向激励函数来确定激励参数值。这个负向激励函数可以根据代价函数值的大小来调整激励参数值，以便使其更好地反映出误差或差异的重要性。较高的代价函数值可能会导致较大的负向激励参数值，用于指示需要更多优化的区域。根据最小化目标负向激励参数值的方向，对深度神经网络的权重信息进行优化。这可以通过反向传播算法结合梯度下降等优化方法来实现。目标是调整神经网络的权重，以减小目标负向激励参数值，从而提高对钻机控制事件的故障描述内容和故障估计数据之间关系的学习能力。
综上所述，通过基于候选钻机控制事件的故障描述内容和故障估计数据之间的代价函数值、负向激励参数值以及最小化目标负向激励参数值的方向，可以在深度神经网络中进行扩展知识学习，以提高钻机控制事件的故障估计能力。
在一种可能的实施方式中，步骤S142可以包括：
步骤S1421，对所述第一知识推理关系数据进行知识推理跨度计算，生成所述第一知识推理关系数据的知识推理跨度，所述知识推理跨度和所述第一知识推理关系数据的训练价值负相关。
步骤S1422，对所述第一知识推理关系数据的知识推理跨度和所述目标代价函数值进行加权融合，生成目标负向激励参数值。
例如，假设有一组第一知识推理关系数据，每个第一知识推理关系数据都包含了相关事件的描述内容和训练价值。根据第一知识推理关系数据，可以计算出每个第一知识推理关系数据的知识推理跨度。例如，如果一个关系数据涉及到多个时间点或事件之间的关系，并且在推理中起到重要作用，那么它的知识推理跨度可能会比较大。
基于目标代价函数值，使用负向激励函数来确定激励参数值。在这种情况下，考虑到知识推理跨度与第一知识推理关系数据的训练价值之间的负相关关系。如果某个第一知识推理关系数据的知识推理跨度较大，但其训练价值较低，则相应的负向激励参数值可能会较高，以便对该关系数据进行更多的优化。
在此基础上，将第一知识推理关系数据的知识推理跨度和目标代价函数值进行加权融合，生成目标负向激励参数值。这个加权融合可以通过将知识推理跨度和目标代价函数值乘以相应的权重，并将它们相加得到。权重的选择可能基于具体应用的需求和问题领域。
综上所述，通过基于负向激励函数根据目标代价函数值进行激励参数值的确定，并结合知识推理跨度和目标代价函数值的加权融合，可以生成目标负向激励参数值，以指导对第一知识推理关系数据的优化过程。该过程考虑了知识推理跨度与训练价值之间的关系，以及目标代价函数值的重要性。
在一种可能的实施方式中，在步骤S1422中，采用邻居聚合函数计算所述第一知识推理关系数据的邻居聚合参数值，所述邻居聚合参数值与所述第一知识推理关系数据所包括的闭环数量成正相关。接着，对所述邻居聚合参数值、所述第一知识推理关系数据的分数和所述目标代价函数值进行加权融合，生成目标负向激励参数值。
例如，假设有一组第一知识推理关系数据，其中包含了不同事件之间的关系。为了确定邻居聚合参数值，采用邻居聚合函数来计算。该函数可以考虑第一知识推理关系数据所包括的闭环数量作为衡量指标。如果一个关系数据所包含的闭环数量较多，则相应的邻居聚合参数值可能会较大。
将邻居聚合参数值、第一知识推理关系数据的分数以及目标代价函数值进行加权融合，生成目标负向激励参数值。在这种情况下，考虑到邻居聚合参数值与闭环数量的正相关关系。即，如果某个关系数据所包含的闭环数量较多，并且其分数和目标代价函数值也较高，则相应的目标负向激励参数值可能会更大。
综上所述，通过采用邻居聚合函数计算邻居聚合参数值，并将邻居聚合参数值、第一知识推理关系数据的分数以及目标代价函数值进行加权融合，可以生成目标负向激励参数值。这个过程考虑了邻居聚合参数值与闭环数量的相关性，以及第一知识推理关系数据的分数和目标代价函数值的重要性。请注意，具体的权重选择可能基于具体应用的需求和问题领域的特点。
在一种可能的实施方式中，所述第二自注意力网络为：由所述第一自注意力网络进行扩展知识学习后的自注意力网络。由此，可以基于所述候选钻机控制事件的故障描述内容和所述故障估计数据之间的代价函数值，同步对所述第一自注意力网络进行扩展知识学习，生成所述第二自注意力网络。
基于以上实施例，下面提供进一步的实施例步骤，包括：
步骤A110，获取目标钻机控制事件的目标钻机控制描述数据，所述目标钻机控制描述数据包括以下目标事件描述内容：至少一个反映所述目标钻机控制事件所对应的钻机控制关联特征的钻机控制数据内容。
步骤A120，基于第二知识推理关系数据所指示的关联推理向量，采用所述目标钻机控制描述数据中的目标事件描述内容构建目标知识推理关系数据，所述目标知识推理关系数据中包括多个关系成员。一个关系成员记录一个目标事件描述内容，且任意两个邻接的关系成员所表征的目标事件描述内容之间具有关联推理向量。所述第二知识推理关系数据是依据扩展知识学习后的深度神经网络生成的，所述深度神经网络基于候选钻机控制事件的故障描述内容和故障估计数据之间的代价函数值进行扩展知识学习。所述故障估计数据是由第一自注意力网络依据所述深度神经网络生成的第一知识推理关系数据对所述候选钻机控制事件进行故障估计得到的。
步骤A130，依据第二自注意力网络基于所述目标知识推理关系数据对所述目标钻机控制事件进行故障估计，生成关于所述目标钻机控制事件的估计故障描述内容。所述第二自注意力网络为所述第一自注意力网络，或者由所述第一自注意力网络进行扩展知识学习后的自注意力网络。
步骤A130中，可以依据第二自注意力网络对所述目标知识推理关系数据进行自注意力处理，生成所述目标知识推理关系数据中的每个关系成员的目标表征特征，依据所述第二自注意力网络基于所述目标知识推理关系数据中的每个关系成员的目标表征特征，对所述目标钻机控制事件进行故障估计，生成关于所述目标钻机控制事件的估计故障描述内容。
图2示意性地示出了可被用于实现本申请中所述的各个实施例的钻机电控系统100。
对于一个实施例，图2示出了钻机电控系统100，该钻机电控系统100具有至少一个处理器102、被耦合到(至少一个)处理器102中的至少一个的控制模块(芯片组)104、被耦合到控制模块104的存储器106、被耦合到控制模块104的NVM/存储设备108、被耦合到控制模块104的至少一个输入/输出设备110，和被耦合到控制模块104的网络接口112。
处理器102可包括至少一个单核或多核处理器，处理器102可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。一种可替代的实施方式中，钻机电控系统100能够作为本申请实施例中所述网关等服务器设备。
一种可替代的实施方式中，钻机电控系统100可包括具有指令114的至少一个计算机可读介质(例如，存储器106或NVM/存储设备108)和与该至少一个计算机可读介质相汇聚被配置为执行指令114以实现模块从而执行本公开中所述的动作的至少一个处理器102。
对于一个实施例，控制模块104可包括任意适当的接口控制器，以向(至少一个)处理器102中的至少一个和/或与控制模块104通信的任意适当的设备或组件提供任意适当的接口。
控制模块104可包括存储器控制器模块，以向存储器106提供接口。存储器控制器模块可以是硬件模块、软件模块和/或固件模块。
存储器106可被用于例如为钻机电控系统100加载和存储数据和/或指令114。对于一个实施例，存储器106可包括任意适当的易失性存储器，例如，适当的DRAM。一种可替代的实施方式中，存储器106可包括双倍数据速率类型四同步动态随机存取存储器(DDR4SDRAM)。
对于一个实施例，控制模块104可包括至少一个输入/输出控制器，以向NVM/存储设备108及(至少一个)输入/输出设备110提供接口。
例如，NVM/存储设备108可被用于存储数据和/或指令114。NVM/存储设备108可包括任意适当的非易失性存储器(例如，闪存)和/或可包括任意适当的(至少一个)非易失性存储设备(例如，至少一个硬盘驱动器(HDD)、至少一个光盘(CD)驱动器和/或至少一个数字通用光盘(DVD)驱动器)。
NVM/存储设备108可包括在物理上作为钻机电控系统100被安装在其上的设备的一部分的存储资源，或者其可被该设备访问可不必作为该设备的一部分。例如，NVM/存储设备108可依据网络经由(至少一个)输入/输出设备110进行访问。
(至少一个)输入/输出设备110可为钻机电控系统100提供接口以与任意其它适当的设备通信，输入/输出设备110可以包括通信组件、拼音组件、传感器组件等。网络接口112可为钻机电控系统100提供接口以依据至少一个网络通信，钻机电控系统100可依据至少一个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的至少一个组件进行无线通信，例如接入依据通信标准的无线网络，或它们的组合进行无线通信。
对于一个实施例，(至少一个)处理器102中的至少一个可与控制模块104的至少一个控制器(例如，存储器控制器模块)的逻辑加载在一起。对于一个实施例，(至少一个)处理器102中的至少一个可与控制模块104的至少一个控制器的逻辑加载在一起以形成系统级加载。对于一个实施例，(至少一个)处理器102中的至少一个可与控制模块104的至少一个控制器的逻辑集成在同一模具上。对于一个实施例，(至少一个)处理器102中的至少一个可与控制模块104的至少一个控制器的逻辑集成在同一模具上以形成片上系统(SoC)。
在各个实施例中，钻机电控系统100可以但不限于是：服务器、台式计算设备或移动计算设备(例如，膝上型计算设备、手持计算设备、平板电脑、上网本等)等终端设备。在各个实施例中，钻机电控系统100可具有更多或更少的组件和/或不同的架构。例如，一种可替代的实施方式中，钻机电控系统100包括至少一个摄像机、键盘、液晶显示器(LCD)屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路(ASIC)和扬声器。
以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种钻机电控方法，其特征在于，应用于钻机电控系统，所述方法包括：
获取多个钻机控制事件的钻机控制描述数据，每个钻机控制事件的钻机控制描述数据包括以下事件描述内容：至少一个故障描述内容，及与各故障描述内容对应的至少一个钻机控制数据内容；与任意一个故障描述内容对应的钻机控制数据内容反映：钻机控制事件存在所述任意一个故障描述内容所对应的故障类别时所对应的钻机控制关联特征；
依据深度神经网络对各个钻机控制事件的钻机控制描述数据中的事件描述内容之间的关联推理向量进行知识学习，生成第一知识推理关系数据，所述第一知识推理关系数据中包括多个关系成员；一个关系成员对应一个事件描述内容，且任意两个邻接的关系成员所表征的事件描述内容之间具有关联推理向量；
依据第一自注意力网络基于所述第一知识推理关系数据和候选钻机控制事件的钻机控制描述数据，对所述候选钻机控制事件进行故障估计，生成故障估计数据；所述候选钻机控制事件为所述多个钻机控制事件中的任意一个钻机控制事件；
基于所述候选钻机控制事件的故障描述内容和所述故障估计数据之间的代价函数值，对所述深度神经网络进行扩展知识学习；
依据扩展知识学习后的深度神经网络对所述各个钻机控制事件的钻机控制描述数据中的事件描述内容之间的关联推理向量进行知识学习，生成第二知识推理关系数据，以使得第二自注意力网络依据所述第二知识推理关系数据进行故障估计，并根据故障估计结果对对应的钻机控制事件进行优化，所述第二自注意力网络为所述第一自注意力网络，或者由所述第一自注意力网络进行扩展知识学习后的自注意力网络。
2.根据权利要求1所述的钻机电控方法，其特征在于，所述依据第一自注意力网络基于所述第一知识推理关系数据和候选钻机控制事件的钻机控制描述数据，对所述候选钻机控制事件进行故障估计，生成故障估计数据，包括：
基于所述候选钻机控制事件的钻机控制描述数据，从所述第一知识推理关系数据中提取出候选区域知识推理关系数据，所述候选区域知识推理关系数据由记录了所述候选钻机控制事件的钻机控制描述数据中的各事件描述内容的关系成员构成；
依据第一自注意力网络对所述候选区域知识推理关系数据进行自注意力处理，生成所述候选区域知识推理关系数据中的每个关系成员的目标表征特征；
依据所述第一自注意力网络基于所述候选区域知识推理关系数据中的每个关系成员的目标表征特征，对所述候选钻机控制事件进行故障估计，生成故障估计数据。
3.根据权利要求2所述的钻机电控方法，其特征在于，所述依据第一自注意力网络对所述候选区域知识推理关系数据进行自注意力处理，生成所述候选区域知识推理关系数据中的每个关系成员的目标表征特征，包括：
依据第一自注意力网络游走所述候选区域知识推理关系数据中的各个关系成员，并基于当前游走的目标关系成员所表征的事件描述内容生成所述目标关系成员的初始表征特征；
从候选区域知识推理关系数据中确定与当前游走的目标关系成员邻接的至少一个连通关系成员，并分别基于各连通关系成员所表征的事件描述内容生成所述各连通关系成员的初始表征特征；
基于用于进行线性转换和激活函数操作的权重矩阵分别对所述各连通关系成员的初始表征特征进行线性转换和激活，生成所述各连通关系成员的非线性激活特征；
基于所述各连通关系成员的非线性激活特征计算所述目标关系成员的加权成员特征；
融合所述目标关系成员的初始表征特征和所述加权成员特征，并采用所述用于进行线性转换和激活函数操作的权重矩阵对融合表征特征进行线性转换和激活，生成所述目标关系成员的目标表征特征。
4.根据权利要求3所述的钻机电控方法，其特征在于，所述基于所述各连通关系成员的非线性激活特征计算所述目标关系成员的加权成员特征，包括：
从所述各连通关系成员的非线性激活特征中，选取最相关的非线性激活特征作为所述目标关系成员的加权成员特征；或者，对所述各连通关系成员的非线性激活特征进行加权处理，生成所述目标关系成员的加权成员特征。
5.根据权利要求1所述的钻机电控方法，其特征在于，所述基于所述候选钻机控制事件的故障描述内容和所述故障估计数据之间的代价函数值，对所述深度神经网络进行扩展知识学习，包括：
基于所述候选钻机控制事件的故障描述内容和所述故障估计数据进行代价函数值计算，生成目标代价函数值；
基于负向激励函数根据所述目标代价函数值进行激励参数值确定，生成目标负向激励参数值；
依据最小化所述目标负向激励参数值的方向，优化所述深度神经网络的权重信息。
6.根据权利要求5所述的钻机电控方法，其特征在于，所述基于负向激励函数根据所述目标代价函数值进行激励参数值确定，生成目标负向激励参数值，包括：
对所述第一知识推理关系数据进行知识推理跨度计算，生成所述第一知识推理关系数据的知识推理跨度，所述知识推理跨度和所述第一知识推理关系数据的训练价值负相关；
对所述第一知识推理关系数据的知识推理跨度和所述目标代价函数值进行加权融合，生成目标负向激励参数值。
7.根据权利要求6所述的钻机电控方法，其特征在于，所述对所述第一知识推理关系数据的知识推理跨度和所述目标代价函数值进行加权融合，生成目标负向激励参数值，包括：
采用邻居聚合函数计算所述第一知识推理关系数据的邻居聚合参数值，所述邻居聚合参数值与所述第一知识推理关系数据所包括的闭环数量成正相关；
对所述邻居聚合参数值、所述第一知识推理关系数据的分数和所述目标代价函数值进行加权融合，生成目标负向激励参数值。
8.根据权利要求1所述的钻机电控方法，其特征在于，所述第二自注意力网络为：由所述第一自注意力网络进行扩展知识学习后的自注意力网络；所述方法还包括：
基于所述候选钻机控制事件的故障描述内容和所述故障估计数据之间的代价函数值，同步对所述第一自注意力网络进行扩展知识学习，生成所述第二自注意力网络。
9.根据权利要求1所述的钻机电控方法，其特征在于，所述方法还包括：
获取目标钻机控制事件的目标钻机控制描述数据，所述目标钻机控制描述数据包括以下目标事件描述内容：至少一个反映所述目标钻机控制事件所对应的钻机控制关联特征的钻机控制数据内容；
基于第二知识推理关系数据所指示的关联推理向量，采用所述目标钻机控制描述数据中的目标事件描述内容构建目标知识推理关系数据，所述目标知识推理关系数据中包括多个关系成员；一个关系成员记录一个目标事件描述内容，且任意两个邻接的关系成员所表征的目标事件描述内容之间具有关联推理向量；所述第二知识推理关系数据是依据扩展知识学习后的深度神经网络生成的，所述深度神经网络基于候选钻机控制事件的故障描述内容和故障估计数据之间的代价函数值进行扩展知识学习；所述故障估计数据是由第一自注意力网络依据所述深度神经网络生成的第一知识推理关系数据对所述候选钻机控制事件进行故障估计得到的；
依据第二自注意力网络基于所述目标知识推理关系数据对所述目标钻机控制事件进行故障估计，生成关于所述目标钻机控制事件的估计故障描述内容；所述第二自注意力网络为所述第一自注意力网络，或者由所述第一自注意力网络进行扩展知识学习后的自注意力网络；
所述依据第二自注意力网络基于所述目标知识推理关系数据对所述目标钻机控制事件进行故障估计，生成关于所述目标钻机控制事件的估计故障描述内容，包括：
依据第二自注意力网络对所述目标知识推理关系数据进行自注意力处理，生成所述目标知识推理关系数据中的每个关系成员的目标表征特征；
依据所述第二自注意力网络基于所述目标知识推理关系数据中的每个关系成员的目标表征特征，对所述目标钻机控制事件进行故障估计，生成关于所述目标钻机控制事件的估计故障描述内容。
10.一种钻机电控系统，其特征在于，包括处理器以及计算机可读存储介质，所述计算机可读存储介质存储有机器可执行指令，所述机器可执行指令被处理器执行时实现权利要求1-9中任意一项所述的钻机电控方法。
CN202410127177.1A 2024-01-30 2024-01-30 一种钻机电控系统及电控方法 Active CN117662106B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410127177.1A CN117662106B (zh) 2024-01-30 2024-01-30 一种钻机电控系统及电控方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410127177.1A CN117662106B (zh) 2024-01-30 2024-01-30 一种钻机电控系统及电控方法

Publications (2)

Publication Number Publication Date
CN117662106A true CN117662106A (zh) 2024-03-08
CN117662106B CN117662106B (zh) 2024-04-19

Family

ID=90079213

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410127177.1A Active CN117662106B (zh) 2024-01-30 2024-01-30 一种钻机电控系统及电控方法

Country Status (1)

Country Link
CN (1) CN117662106B (zh)

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2703376A1 (en) * 2007-10-30 2009-05-07 Bp Corporation North America Inc. An intelligent drilling advisor
US20090132458A1 (en) * 2007-10-30 2009-05-21 Bp North America Inc. Intelligent Drilling Advisor
US20140116776A1 (en) * 2012-10-31 2014-05-01 Resource Energy Solutions Inc. Methods and systems for improved drilling operations using real-time and historical drilling data
EP2778818A1 (en) * 2013-03-12 2014-09-17 Hitachi Ltd. Identification of faults in a target system
WO2020191360A1 (en) * 2019-03-21 2020-09-24 Schlumberger Technology Corporation Drilling system
CN112101595A (zh) * 2020-09-21 2020-12-18 海尔海斯(西安)控制技术有限公司 一种钻机电控的远程监控方法、系统、装置及存储介质
US20210148213A1 (en) * 2017-08-21 2021-05-20 Landmark Graphics Corporation Neural Network Models For Real-Time Optimization of Drilling Parameters During Drilling Operations
US11280173B1 (en) * 2018-01-25 2022-03-22 National Technology & Engineering Solutions Of Sandia, Llc Control systems and methods to enable autonomous drilling
US20220120176A1 (en) * 2020-10-16 2022-04-21 Schlumberger Technology Corporation Adaptive drillstring condition determination
CA3209802A1 (en) * 2021-01-27 2022-08-04 Schlumberger Canada Limited Drilling loss prediction framework
CN114897007A (zh) * 2022-04-26 2022-08-12 太原理工大学 一种复合信息分层卷积神经网络的钻机健康状况评估方法
WO2023009027A1 (ru) * 2021-07-30 2023-02-02 Публичное Акционерное Общество "Газпром Нефть" (Пао "Газпромнефть") Способ и система для предупреждения о предстоящих аномалиях в процессе бурения
WO2023034968A1 (en) * 2021-09-02 2023-03-09 Schlumberger Technology Corporation Hybrid neural network for drilling anomaly detection
US20230111036A1 (en) * 2021-10-12 2023-04-13 Pioneer Natural Resources Usa, Inc. Integrated drilling dysfunction prediction
WO2023106956A1 (en) * 2021-12-10 2023-06-15 Saudi Arabian Oil Company Identifying and predicting unplanned drilling events
US20230383637A1 (en) * 2022-05-25 2023-11-30 Saudi Arabian Oil Company Method and system for determining a geologically-guided assessment for managing drilling
CN117386344A (zh) * 2023-12-13 2024-01-12 西南石油大学 一种基于两阶段学习的钻井异常工况诊断方法及系统
CN117392983A (zh) * 2023-12-08 2024-01-12 四川霍尼尔电气技术有限公司 一种钻机智能语音交互控制系统及控制方法

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2703376A1 (en) * 2007-10-30 2009-05-07 Bp Corporation North America Inc. An intelligent drilling advisor
US20090132458A1 (en) * 2007-10-30 2009-05-21 Bp North America Inc. Intelligent Drilling Advisor
US20140116776A1 (en) * 2012-10-31 2014-05-01 Resource Energy Solutions Inc. Methods and systems for improved drilling operations using real-time and historical drilling data
EP2778818A1 (en) * 2013-03-12 2014-09-17 Hitachi Ltd. Identification of faults in a target system
US20210148213A1 (en) * 2017-08-21 2021-05-20 Landmark Graphics Corporation Neural Network Models For Real-Time Optimization of Drilling Parameters During Drilling Operations
US11280173B1 (en) * 2018-01-25 2022-03-22 National Technology & Engineering Solutions Of Sandia, Llc Control systems and methods to enable autonomous drilling
WO2020191360A1 (en) * 2019-03-21 2020-09-24 Schlumberger Technology Corporation Drilling system
CN112101595A (zh) * 2020-09-21 2020-12-18 海尔海斯(西安)控制技术有限公司 一种钻机电控的远程监控方法、系统、装置及存储介质
US20220120176A1 (en) * 2020-10-16 2022-04-21 Schlumberger Technology Corporation Adaptive drillstring condition determination
CA3209802A1 (en) * 2021-01-27 2022-08-04 Schlumberger Canada Limited Drilling loss prediction framework
WO2023009027A1 (ru) * 2021-07-30 2023-02-02 Публичное Акционерное Общество "Газпром Нефть" (Пао "Газпромнефть") Способ и система для предупреждения о предстоящих аномалиях в процессе бурения
WO2023034968A1 (en) * 2021-09-02 2023-03-09 Schlumberger Technology Corporation Hybrid neural network for drilling anomaly detection
US20230111036A1 (en) * 2021-10-12 2023-04-13 Pioneer Natural Resources Usa, Inc. Integrated drilling dysfunction prediction
WO2023106956A1 (en) * 2021-12-10 2023-06-15 Saudi Arabian Oil Company Identifying and predicting unplanned drilling events
CN114897007A (zh) * 2022-04-26 2022-08-12 太原理工大学 一种复合信息分层卷积神经网络的钻机健康状况评估方法
US20230383637A1 (en) * 2022-05-25 2023-11-30 Saudi Arabian Oil Company Method and system for determining a geologically-guided assessment for managing drilling
CN117392983A (zh) * 2023-12-08 2024-01-12 四川霍尼尔电气技术有限公司 一种钻机智能语音交互控制系统及控制方法
CN117386344A (zh) * 2023-12-13 2024-01-12 西南石油大学 一种基于两阶段学习的钻井异常工况诊断方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
卫国杰;谭卓英;: "钻进系统故障智能诊断原型研究", 山西建筑, no. 28, 1 October 2013 (2013-10-01) *
朱才朝, 谢永春, 伍奎, 刘清友: "钻机系统故障智能诊断方法", 重庆大学学报(自然科学版), no. 10, 30 October 2003 (2003-10-30) *
王江萍;鲍泽富;孟祥芹;: "基于神经网络专家系统的钻井事故诊断", 计算机应用, no. 01, 1 January 2009 (2009-01-01) *

Also Published As

Publication number Publication date
CN117662106B (zh) 2024-04-19

Similar Documents

Publication Publication Date Title
Cai et al. Data-driven early fault diagnostic methodology of permanent magnet synchronous motor
CN112637132B (zh) 一种网络异常检测方法、装置、电子设备和存储介质
EP3407267A1 (en) Deep learning network architecture optimization for uncertainty estimation in regression
Tong et al. Bearing fault diagnosis based on domain adaptation using transferable features under different working conditions
CN105373800A (zh) 分类方法及装置
CN117572159B (zh) 基于大数据分析的电力故障检测方法及系统
KR20200039964A (ko) 기계학습모델 기반 설비 기기의 최적 운전 방법 및 장치
Diez-Olivan et al. Kernel-based support vector machines for automated health status assessment in monitoring sensor data
CN113328908B (zh) 异常数据的检测方法、装置、计算机设备和存储介质
US20170306726A1 (en) Stuck pipe prediction
Shi et al. Research on the Initial Fault Prediction Method of Rolling Bearings Based on DCAE‐TCN Transfer Learning
CN117662106B (zh) 一种钻机电控系统及电控方法
Duan et al. Adaptive monitoring scheme of stochastically failing systems under hidden degradation processes
CN117318052B (zh) 发电机组进相试验无功功率预测方法、装置和计算机设备
KR102124443B1 (ko) Pcm을 이용한 플러시 리로드 캐시 부채널 공격 실시간 탐지 시스템 및 방법
CN107956731A (zh) 电站空冷风机频率变化对机组背压参数影响的预测方法
Shaik et al. Integrating Random Forest and Support Vector Regression Models for Optimized Energy Consumption Evaluation in Cloud Computing Data Centers
CN114943281B (zh) 一种热管冷却反应堆智能决策方法及系统
Gatta et al. Capability of the Bayesian Forecasting Method to Predict Field Time Series
Mahmoud et al. Transfer learning by fine-tuning pre-trained convolutional neural network architectures for switchgear fault detection using thermal imaging
JP2022167097A (ja) 情報処理装置、情報処理方法及びプログラム
CN116227127A (zh) 变压器的性能确定方法、装置、计算机设备和存储介质
JP2022167093A (ja) 情報処理装置、情報処理方法及びプログラム
Li et al. Temperature Estimation in Induction Motors Using Machine Learning
CN112801398B (zh) 冷却装置故障预测方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant