摘要
本发明公开了一种基于智能震动识别的井下槽波触发同步方法,包括如下步骤:S1、对井下槽波震动信号采集并进行信号幅值归一化处理;S2、采用经验模态分解方法获得若干本征模态函数;S3、构建卷积神经网络与长短期记忆网络的融合深度学习模型;S4、分别将本征模态函数输入融合模型,提取空间与时序特征,获得深度特征向量;S5、将深度特征向量输入预训练分类器,判定槽波震动信号类别;S6、采用多尺度短时与长时窗计算混合特征函数;S7、根据混合特征函数判断震动事件是否满足触发条件,输出触发信号并记录触发时刻。本发明实现高精度震动识别和同步触发,提升槽波数据采集精准度与可靠性。
技术关键词
融合深度学习模型
同步方法
长短期记忆网络
路径特征
经验模态分解方法
时间序列特征
构建卷积神经网络
信号
时序特征
密度峰值聚类算法
矩阵
卷积神经网络结构
奇异值分解方法
支持张量机
能量分布特征
引入注意力机制
滑动窗口机制
短时傅里叶变换
系统为您推荐了相关专利信息
水体溶解氧浓度
多模态环境
粒子群算法优化
长短期记忆网络
监控方法
行李物品
态势感知方法
卷积神经网络模型
递归神经网络
图片
性能评估系统
数字孪生模型
深度强化学习算法
扩展卡尔曼滤波算法
数据分析模块
风力发电机故障
智能检测方法
支持向量机模型
检测风力发电机
融合神经网络
轨道车辆悬挂系统
冲击噪声
混合预测模型
分类阈值
决策树分类器