文摘由于不同井间工况差异显著,异常振动特征分布存在跨井不一致性,传统基于单井数据的监测方法难以适应跨井场景。为此,以黏滑振动为例,对不同工况下的黏滑振动数据特征进行了对比分析,提出了一种结合深度判别迁移学习网络(domain adaptive transfer learning network,DDTLN)与BO⁃Transformer⁃LSTM的跨井异常振动识别方法。将近钻头振动数据输入到DDTLN模型中,通过卷积层与改进的联合分布自适应(IJDA)机制减小域间特征差异,实现跨域特征提取;将提取的特征输入到BO⁃Transformer⁃LSTM模型中挖掘时序信息,实现跨井高效分类。试验结果表明:不同工况下井间振动信号差异显著,传统方法跨域分类效果较差;经过DDTLN处理后,不同域间的数据特征有了很好的对齐,跨域识别准确率高达91.5%;DDTLN⁃BO⁃Transformer⁃LSTM模型能够有效解决跨井识别问题,分类准确率最高达96.7%,显著优于传统单井识别方法,具有更好的泛化能力。该研究可为跨井场景下的井下异常振动识别提供新思路。
文摘在陆地与水域共存的复杂环境中,水陆两栖无人车(amphibious unmanned ground vehicle,A-UGV)跨域(即在水域与陆地之间的路径转换)三维路径规划是一项具有挑战性的任务。为应对这一挑战,提出一种基于地形信息优化启发函数的改进A^(*)算法,并结合最佳下水上岸点检测进行全局路径规划的方法(improved A^(*)path planning with optimal launch and ashore point detection,IA^(*)OLAPD)。对水陆环境进行地图构建,通过动态体素网格对环境点云数据进行分割和评估,将水域和陆地进行区分,并根据地形信息生成2D占用栅格地图、2.5D数字高程图及通行性地图。在路径规划阶段,将2.5D地图的多层地形信息转化为动态权重因子,优化A^(*)算法的启发函数,以增强复杂地形的适应性。在A-UGV跨越陆地和水域的过程中,算法结合路径长度、路径粗糙度、坡度、高程差和下水上岸点处的地形信息等因素,确定最佳的跨域过渡点,从而最小化整体路径代价和风险系数,实现陆地和水域之间的安全高效跨域过渡。仿真实验结果表明,IA^(*)OLAPD算法在水陆两栖跨域路径规划的安全性、稳定性和路径选择合理性方面具有显著优势。
