基于多尺度膨胀因果卷积与注意力机制的采矿钻井系统运行状态预测

《Sensors》：Regularised Finite-Element Model Updating of a Thin-Walled Cylinder Based on Non-Contact Experimental Modal Analysis

　　在复杂煤层和岩石条件下，由于钻井工具的复杂动态特性、高度变化的工作条件以及与钻卡风险相关的显著长期依赖性，准确预测采矿钻井系统的运行状态仍然具有挑战性。为解决这些挑战，本研究提出了一种深度时序预测网络，用于预测采矿钻井系统的运行状态。具体而言，采用多尺度膨胀因果卷积网络提取多个时间尺度的时序特征，从而捕获不同时间跨度上的依赖性。随后，将时序卷积网络（TCN）与注意力机制相结合，用于对提取的特征进行多维时序相关性建模，并自适应地分配通道级权重，从而强调信息丰富的特征并抑制无关信息。该架构能够实现钻卡系数的准确预测。此外，联合目标通过全局时序相关性偏好补充了点状预测误差。实验结果表明，所提出的方法取得了令人满意的预测性能，并能够捕获所评估钻井序列中的时序变化。