下行通道中的学习矢量量化网络解码方法  

VQ Learning Network Decoding Method in Downlink

作　　者：周静[1] 程双元[1] 袁红芳[1] 张磊[1] 

机构地区：[1]西安石油大学井下测控研究所,陕西西安710065

出　　处：《石油钻探技术》2009年第4期23-27,共5页Petroleum Drilling Techniques

基　　金：国家高技术研究发展计划("863"计划)重大专项"可控(闭环)三维轨迹钻井技术"(编号:2001AA602012-01);国家自然科学基金项目"井下闭环旋转导向智能钻井系统控制理论研究"(编号:60074028_F0302);"旋转导向钻井系统导向稳定性和随钻信息传输速率研究"(编号:50644015)部分研究内容

摘　　要：介绍了振动下行通道样机的原理,针对振动下行通道样机采用常规解码方法无法解决尖峰干扰的问题,提出了学习矢量量化神经网络解码方法。该解码方法利用加速度传感器灵敏感应地面钻柱的操作状态来进行编码,利用近钻头DSP芯片中的学习矢量量化神经网络解码方法进行解码,得到地面下传到井下的指令,以控制井下工具。设计了两种不同的学习矢量量化神经网络,并通过试验对比了两种网络的优缺点,对比结果表明,设计的第二种学习矢量量化神经网络不但能正确完成波形识别,而且能剔出尖峰,解决了尖峰干扰的问题。This paper introduced the principles of vibration downlink. Considering that the traditional decoding method can not solve spike interference problem, neural network learning VQ was proposed. The acceleration sensor responds sensitively to drilling string condition which was used for coding. Using neural network learning VQ decoding method of DSP chip near to bit for decoding to control the downhole assembly. Two different methods were designed and compared. The results show that the second method can distinguish the wave type and solved the spike interference problem.

关 键 词：下行通道 信息传输 向量 神经网络 加速度换能器 

分 类 号：TE928[石油与天然气工程—石油机械设备]