当前位置: 首页 > news >正文

课题学习(五)----阅读论文《抗差自适应滤波的导向钻具动态姿态测量方法》

一、简介

  抗差自适应滤波:利用等价权函数自适应因子合理的分配信息,有效地滤除钻具振动对动态姿态测量的影响。、
  针对导向钻井工具动态测量受钻具振动的影响而导致测量不准确的问题,提出一种抗差自适应滤波的动态空间姿态测量方法。通过分析钻具振动对姿态测量的影响,并吸收抗差估计和自适应滤波的优点,利用抗差等价权矩阵自适应的确定量测信息,通过自适应因子调整状态模型信息对状态参数的整体贡献,从而消除钻具振动对动态姿态测量的影响,获得实时性强、精度高的姿态参数,提高钻井效率,降低钻井风险。
  在实际钻井过程中,钻头切削岩层、钻柱与井壁的碰撞等会使钻具产生横向振动、纵向振动和扭转振动等,这些振动严重的影响了测量传感器输出信号的正确性。
  抗差自适应滤波的基本思想是:当观测值存在异常时,对观测值采用抗差估计原则,能够控制观测异常的影响;当动力学模型存在异常误差时,将动力学模型信息作为一个整体,采用统一的自适应因子调整动力学模型信息对状态参数的整体贡献。

二、测量系统建模

  方位角 ψ \psi ψ为磁北方向沿逆时针方向到Z 轴在水平面的投影间的夹角,其范围在0°~360°之间,井斜角 θ \theta θ为钻进轴Z 轴与水平面所成的夹角,规定向下为正,反之为负,其范围为-90°~90°,工具面向角 γ \gamma γ 则为钻孔横截面内由钻孔高边到Y 轴所成的角度,范围在0°~360°之间。这样,我们就准确的定义了井下钻具的方位角 ψ \psi ψ 、井斜角 θ \theta θ 和工具面向角 γ \gamma γ ,且角度的正向都符合右手系原则。
在这里插入图片描述
  加速度计和磁通门安装如下:
在这里插入图片描述
在这里插入图片描述
  根据上述理论,建立导向钻井工具姿态测量的动
态数学模型,给出状态方程和量测方程: x k ^ = Φ k , k − 1 x k − 1 + w k \hat{x_k} = \Phi_{k,k-1}x_{k-1}+w_{k} xk^=Φk,k1xk1+wk
   x k x_k xk x k − 1 x_{k-1} xk1分别为 t k t_k tk t k − 1 t_{k-1} tk1时刻的n 维状态参数向量, Φ k , k − 1 \Phi_{k,k-1} Φk,k1为n× n维状态转移矩阵; w k w_k wk 为p 维动力学模型误差向量,其数学期望为0,协方差矩阵为: ∑ w k w i = { ∑ w k , k = i 0 , k ≠ i \sum_{wkwi}= \begin{cases}\sum_{wk},\quad &k=i\\0,\quad &k\neq i\end{cases} wkwi={wk,0,k=ik=i
   w k wk wk为高斯白噪声序列。
  设 t k t_k tk时刻的量测方程为 y k = H k x k + v k y_k=H_kx_k+v_k yk=Hkxk+vk
   y k y_k yk t k t_k tk时刻的m维观测向量; H k H_k Hk为m× n维测量矩阵,也称为观测矩阵; v k v_k vk为m维观测误差向量,其数学期望为0,协方差矩阵为 ∑ v k v i = { ∑ v k , k = i 0 , k ≠ i \sum_{vkvi}= \begin{cases}\sum_{vk},\quad &k=i\\0,\quad &k\neq i\end{cases} vkvi={vk,0,k=ik=i
   v k v_k vk为高斯白噪声序列。在 i = k i=k i=k时, w k w_k wk v k v_k vk的协方差矩阵分别为 ∑ w k \sum_{wk} wk ∑ v k \sum_{vk} vk,这里 w k w_k wk, w i w_i wi, w k w_k wk, v i v_i vi互不相关。
  状态向量为: X = [ ψ , θ , γ ] T X=\begin{bmatrix}\psi,\theta,\gamma\end{bmatrix}^T X=[ψ,θ,γ]T,表明直接将钻具姿态参数作为状态向量,而
非姿态误差作为状态。

三、动态姿态测量

在这里插入图片描述
   X ‾ k = Φ k , k − 1 X k − 1 ^ \overline{X}_{k} = \Phi_{k,k-1}\hat{X_{k-1}} Xk=Φk,k1Xk1^为系统的状态预测方程。 X ‾ k \overline{X}_{k} Xk t k t_k tk的状态预测方程, X k − 1 ^ \hat{X_{k-1}} Xk1^ t k − 1 t_{k-1} tk1为状态估计向量。设状态预测向量 X ‾ k \overline{X}_k Xk的误差方程为: V X ‾ k = X ^ k − X ‾ k = X ^ k − Φ k , k − 1 X ^ k − 1 V_{\overline{X}_k} = \hat{X}_k-\overline{X}_k=\hat{X}_k-\Phi_{k,k-1}\hat{X}_{k-1} VXk=X^kXk=X^kΦk,k1X^k1
   V X ‾ k V_{\overline{X}_k} VXk t k t_k tk时刻状态预测向量 X ^ k \hat{X}_k X^k的残差向量。
  残差向量和新息向量(也称为预测残差向量)分别为:
V k = H k X ^ k − Y k V_k=H_k\hat{X}_k-Y_k Vk=HkX^kYk V ‾ k = H k X ‾ k − Y k \overline{V}_k=H_k\overline{X}_k-Y_k Vk=HkXkYk
   V k V_k Vk V ‾ k \overline{V}_k Vk的协方差矩阵为: ∑ V k = ∑ k − H k ∑ X ^ k H k T \sum_{V_k} = \sum_{k}-H_k\sum_{\hat{X}_k}H^T_k Vk=kHkX^kHkT ∑ V ‾ k = ∑ k + H k ∑ V ‾ k H k T \sum_{\overline{V}_k} = \sum_{k}+H_k\sum_{\overline{V}_k}H^T_k Vk=k+HkVkHkT
  合理地选择自适应因子不但能够自适应地平衡动力学模型预测信息与量测信息的权比,而且能够控制动力学模型扰动异常对滤波解的影响。基于预测残差误差判别统计量的抗差自适应因子函数为:在这里插入图片描述
  等价权矩阵为:在这里插入图片描述

  上式中, P ‾ k \overline{P}_k Pk为观测向量的等价权矩阵, P k = ∑ k − 1 {P}_k=\sum_{k}^{-1} Pk=k1, P X ‾ k = ∑ X ‾ k − 1 P_{\overline{X}_k}=\sum_{\overline{X}_k}^{-1} PXk=Xk1
α k \alpha_k αk ≤1 ,其它符号意义同前。
在这里插入图片描述
K k = ( H k T P ‾ k H k + α k P X ‾ k ) − 1 H k T P ‾ k K_k=(H^T_k\overline{P}_kH_k+\alpha_kP_{\overline{X}_k})^{-1}H_k^T\overline{P}_k Kk=(HkTPkHk+αkPXk)1HkTPk在这里插入图片描述
  式中: K k K_k Kk 为增益矩阵,根据矩阵恒等式,可表示为: K k = α k P X ‾ k H k T ( H k α k P X ‾ k H k T + P ‾ k ) − 1 K_k=\alpha_kP_{\overline{X}_k}H_k^T(H_k\alpha_kP_{\overline{X}_k}H_k^T+\overline{P}_k)^{-1} Kk=αkPXkHkT(HkαkPXkHkT+Pk)1
  对量测信息采用抗差估计,自适应的确定观测噪声协方差矩阵,并利用自适应因子调节状态噪声的协方差矩阵,因此,可以有效的控制量测异常和动态模型噪声异常对空间状态参数估值的影响。

四、实验结果

  实验室地理条件为北纬34.24°,东经108.99°,地球自转角速度为15 (°)/h,磁倾角为55.4°,磁场强度为52.5 T,地球重力加速度为9.8 m/s2。在实验室条件下,根据测斜校验装置测量得到一组理想的实验数据。

五、往期回顾

课题学习(一)----静态测量
课题学习(二)----倾角和方位角的动态测量方法(基于磁场的测量系统)
课题学习(三)----倾角和方位角的动态测量方法(基于陀螺仪的测量系统)
课题学习(四)----四元数解法

相关文章:

课题学习(五)----阅读论文《抗差自适应滤波的导向钻具动态姿态测量方法》

一、简介 抗差自适应滤波:利用等价权函数和自适应因子合理的分配信息,有效地滤除钻具振动对动态姿态测量的影响。、   针对导向钻井工具动态测量受钻具振动的影响而导致测量不准确的问题,提出一种抗差自适应滤波的动态空间姿态测量方法。通…...

一个CPU是怎么寻址的?

目录 CISC vs RISC 概念和历史 CISC vs RISC 对比举例:X86的CAS(做原子操作的) 对比举例:ARM的CAS(做原子操作的) 指令寻址 指令中的操作数的寻址方式 各语言对象内存布局对比 C内存布局 理解编译单元 Java对象内存布局 python对象模型 CPU …...

提高网站性能的10种方法:加速用户体验和降低服务器负担

在今天的数字时代,网站性能对于吸引和保留用户至关重要。一个快速加载的网站不仅提供更好的用户体验,还有助于降低服务器负担。以下是10种提高网站性能的方法,旨在加速页面加载速度和减少服务器的工作负荷。 压缩网页资源 利用压缩算法如gzi…...

195、SpringBoot--配置RabbitMQ消息Broker的SSL 和 管理控制台的HTTPS

开启Rabbitmq的一些命令: 小黑窗输入: rabbitmq-plugins enable rabbitmq_management 启动控制台插件,就是启动登录rabbitmq控制台的页面 rabbitmq_management 代表了RabbitMQ的管理界面。 rabbitmq-server 启动rabbitMQ服务器 上面这个&…...

确定性执行

确定性执行是指在给定输入的情况下,在有限的时间内产生一致的输出。 也就是输入到输出的运行过程是确定的,输入与输出有如下关系: 输出 = f (输入)。 确定性执行主要涉及以下几个方面: 时间确定性:计算的输出始终在给定的某个时间点之前发生,即程序不能无限制地运行下去…...

docker compose 管理应用服务的常用命令

一 、docker compose 是什么 Docker Compose是一个用来管理多个关联容器的工具,可以根据配置文件自动构建、管理、编排一组容器。 Docker Compose语境下的“服务”是指一组容器共同构成的一个应用服务后端。 Docker Compose语境下的“项目”是由一个或多个应用服务…...

产品安全—CC标准 ISO/IEC 15408:2022

文章目录 1. 变化2. Part1 简介和一般模型3. Part2 安全功能组件4. Part3 安全保障组件5. Part4 评估方法和活动规范框架6. Part5 预定义的安全要求包7. 总结 1. 变化 增加了两个部分:评估方法和活动规范框架 & 预定义的安全要求包 术语已经过审查和更新&#…...

Pytorch笔记之回归

文章目录 前言一、导入库二、数据处理三、构建模型四、迭代训练五、结果预测总结 前言 以线性回归为例,记录Pytorch的基本使用方法。 一、导入库 import numpy as np import matplotlib.pyplot as plt import torch from torch.autograd import Variable # 定义求…...

哪个证券公司可以加杠杆,淘配网是您的杠杆综合网站!

在证券市场中,投资者经常寻求提高资金杠杆以获得更高的回报。杠杆交易可以让您在不必拥有等额本金的情况下,参与更多的交易活动。然而,为了进行杠杆交易,您需要找到一家证券公司或平台,可以为您提供这种服务。本文将介…...

万字解读|怎样激活 TDengine 最高性价比?

不知不觉间,TDengine 已经 6 岁多了。在这 6 年多的时间里,我们从零开始,在一行又一行代码的淬炼下,TDengine 从 1.6 走过 2.0,终于走到如今的 3.0 时代。 自 2022 年下旬发布以来,经过我们不断地打磨优化…...

【目标检测】大图包括标签切分,并转换成txt格式

前言 遥感图像比较大,通常需要切分成小块再进行训练,之前写过一篇关于大图裁切和拼接的文章【目标检测】图像裁剪/标签可视化/图像拼接处理脚本,不过当时的工作流是先将大图切分成小图,再在小图上进行标注,于是就不考…...

gitlab登录出现的Invalid login or password问题

前提 我是在一个项目里创建的gitlab账号,想在别的项目里登录或者官网登录发现怎么都登陆不上 原因 在GitLab中,有两种不同的账号类型:项目账号和个人账号(官网账号)。 项目账号:项目账号是在特定GitLab…...

git本地创建分支并推送到远程

1. 创建本地分支并切换到该分支 比如我创建dev分支。git checkout -b相当于把两条命令git branch 分支名、git checkout分支名合成一条,来实现一条命令新建分支切换分支。 git checkout -b dev 2. 将dev分支推送到远程 -u参数与--set-upstream这一串是一个意思&am…...

手机待办事项app哪个好?

手机是日常很多人随身携带的设备,手机除了拥有通讯功能外,还能帮助大家高效管理日常工作,借助手机上的待办事项提醒APP可以快速地帮助大家规划日常事务,提高工作的效率。 过去,我也曾经在寻找一款能够将工作任务清晰罗…...

容器运行elasticsearch安装ik分词非root权限安装报错问题

有些应用默认不允许root用户运行,来确保应用的安全性,这也会导致我们使用docker run后一些操作问题,用es安装ik分词器举例(es版本8.9.0,analysis-ik版本8.9.0) 1. 容器启动elasticsearch 如挂载方式&…...

UE4游戏客户端开发进阶学习指南

前言 两年多前写过一篇入门指南,教大家在短时间内快速入门UE4的使用,在知乎被很多人收藏了。如今鸡佬使用UE快三年了,是时候更新一下进阶版本的学习指南。本文对于读者的要求: 有一定的C基础已经入门UE,能够用蓝图和…...

javaee SpringMVC 乱码问题解决

方法一 在web.xml文件中注册过滤器 <!-- 注册过滤器 设置编码 --><filter><filter-name>CharacterEncodingFilter</filter-name><filter-class>org.springframework.web.filter.CharacterEncodingFilter</filter-class><init-param&…...

用ChatGPT做数据分析,提升10倍工作效率

目录 写报告分析框架报告框架指标体系设计 Excel 写报告 分析框架 拿到一个专题不知道怎么做&#xff1f;没关系&#xff0c;用ChatGPT列一下框架。 以上分析框架挺像那么回事&#xff0c;如果没思路的话&#xff0c;问问ChatGPT能起到找灵感的作用。 报告框架 报告的框架…...

【Pytorch笔记】4.梯度计算

深度之眼官方账号 - 01-04-mp4-计算图与动态图机制 前置知识&#xff1a;计算图 可以参考我的笔记&#xff1a; 【学习笔记】计算机视觉与深度学习(2.全连接神经网络) 计算图 以这棵计算图为例。这个计算图中&#xff0c;叶子节点为x和w。 import torchw torch.tensor([1.]…...

浏览器安装vue调试工具

下载扩展程序文件 下载链接&#xff1a;链接: 下载连接网盘地址&#xff0c; 提取码: 0u46&#xff0c;里面有两个crx,一个适用于vue2&#xff0c;一个适用于vue3&#xff0c;可根据vue版本选择不同的调试工具 crx安装扩展程序不成功&#xff0c;将文件改为rar文件然后解压 安装…...

C/C++学习 -- RSA算法

概述 RSA算法是一种广泛应用于数据加密与解密的非对称加密算法。它由三位数学家&#xff08;Rivest、Shamir和Adleman&#xff09;在1977年提出&#xff0c;因此得名。RSA算法的核心原理是基于大素数的数学问题的难解性&#xff0c;利用两个密钥来完成加密和解密操作。 特点 …...

基于若依ruoyi-nbcio支持flowable流程增加自定义业务表单(一)

因为需要支持自定义业务表单的相关流程&#xff0c;所以需要建立相应的关联表 1、首先先建表wf_custom_form -- ---------------------------- -- Table structure for wf_custom_form -- ---------------------------- DROP TABLE IF EXISTS wf_custom_form; CREATE TABLE wf…...

面试经典 150 题 1 —(数组 / 字符串)— 88. 合并两个有序数组

88. 合并两个有序数组 方法一&#xff1a; class Solution { public:void merge(vector<int>& nums1, int m, vector<int>& nums2, int n) {for(int i 0; i<n;i){nums1[mi] nums2[i];}sort(nums1.begin(),nums1.end());} };方法二&#xff1a; clas…...

【大数据 | 综合实践】大数据技术基础综合项目 - 基于GitHub API的数据采集与分析平台

&#x1f935;‍♂️ 个人主页: AI_magician &#x1f4e1;主页地址&#xff1a; 作者简介&#xff1a;CSDN内容合伙人&#xff0c;全栈领域优质创作者。 &#x1f468;‍&#x1f4bb;景愿&#xff1a;旨在于能和更多的热爱计算机的伙伴一起成长&#xff01;&#xff01;&…...

超高频RFID模具精细化生产管理方案

近二十年来&#xff0c;我国的模具行业经历了快速发展的阶段&#xff0c;然而&#xff0c;模具行业作为一个传统、复杂且竞争激烈的行业&#xff0c;企业往往以订单为导向&#xff0c;每个订单都需要进行新产品的开发&#xff0c;从客户需求分析、结构确定、报价、设计、物料准…...

FP-Growth算法全解析:理论基础与实战指导

目录 一、简介什么是频繁项集&#xff1f;什么是关联规则挖掘&#xff1f;FP-Growth算法与传统方法的对比Apriori算法Eclat算法 FP树&#xff1a;心脏部分 二、算法原理FP树的结构构建FP树第一步&#xff1a;扫描数据库并排序第二步&#xff1a;构建树 挖掘频繁项集优化&#x…...

Jmeter 分布式压测,你的系统能否承受高负载?

‍你可以使用 JMeter 来模拟高并发秒杀场景下的压力测试。这里有一个例子&#xff0c;它模拟了同时有 5000 个用户&#xff0c;循环 10 次的情况‍。 请求默认配置 token 配置 秒杀接口 ​结果分析 ​但是&#xff0c;实际企业中&#xff0c;这种压测方式根本不满足实际需求。下…...

什么是浮动密封?

浮动密封也称为机械面密封或双锥密封&#xff0c;是一种用于各种行业和应用的特殊类型的密封装置。它旨在提供有效的密封和保护&#xff0c;防止污染物的进入以及旋转设备中润滑剂或液体的润滑剂泄漏。 浮动密封件由相同的金属环组成&#xff0c;这些金属环称为密封环&#xf…...

浅析前端单元测试

对于前端来说&#xff0c;测试主要是对HTML、CSS、JavaScript进行测试&#xff0c;以确保代码的正常运行。 常见的测试有单元测试、集成测试、端到端&#xff08;e2e&#xff09;的测试。 单元测试&#xff1a;对程序中最小可测试单元进行测试。我们可以类比对汽车的测试&…...

线上mysql表字段加不了Fail to get MDL on replica during DDL synchronize,排查记录

某天接近业务高峰期想往表里加字段加不了&#xff0c;报错&#xff1a;Fail to get MDL on replica during DDL synchronize 遂等到业务空闲时操作、还是加不了&#xff0c; 最后怀疑是相关表被锁了&#xff0c;或者有事务一直进行&#xff08;可能这俩是一个意思&#xff09;&…...