申请/专利权人：史密斯国际有限公司

申请日：2019-03-07

公开（公告）日：2024-04-12

公开（公告）号：CN110246113B

主分类号：G06T7/00

分类号：G06T7/00;G06T5/70;G06T3/60;G06F16/50;G06N3/02

优先权：["20180309 US 62/640,591","20190114 US 62/792,316"]

专利状态码：有效-授权

法律状态：2024.04.12#授权;2021.03.16#实质审查的生效;2019.09.17#公开

摘要：本发明公开了用于表征油田工具的系统。本公开涉及一种系统、方法和计算机可读存储介质，其中所述方法包括：在处理器处通过网络从远程装置接收包括可消耗对象的工具的图像；使用所述处理器对所述图像进行解码，以识别所述可消耗对象；以及通过将所述解码后图像提供给神经网络来确定所述可消耗对象的劣化特征、消耗或两者。所述劣化特征表示劣化的模式，并且所述消耗表示劣化的量。

主权项：1.一种用于表征油田工具的方法，所述方法包括：接收从井筒移除的油田工具的图像，其中所述油田工具包括可消耗对象，所述图像是在处理器处通过网络从图像捕获装置接收；使用所述处理器对所述图像进行解码并且识别所述可消耗对象，其中所述可消耗对象包括切削元件；以及通过将所述解码后图像提供给神经网络来确定所述可消耗对象的劣化特征，其中所述劣化特征是从多个不同的劣化特征中确定的，所述劣化特征包括：磨损的切削元件、缺损的切削元件和破碎的切削元件；基于所确定的劣化特征，建议用替换切削元件替换所述可消耗对象，其中所述替换切削元件是与所述可消耗对象不同的切削元件设计，并且所述替换切削元件包括滚轮切削元件、锥形切削元件或脊形切削元件；和通过网络将所述建议发送到远程装置。

全文数据：用于表征油田工具的系统相关案例的交叉引用本申请要求2018年3月9日提交的第62640,591号美国专利申请以及2019年1月14日提交的第62792,316号美国专利申请的权益和优先权，所述申请以引用的方式明确并入本文中。背景技术当例如在油田中使用工具时，这些工具由于使用而随时间劣化。例如，切削元件和螺纹上的边缘可能由于正常使用而磨损或损坏。然而，工具劣化可能不均匀，并且工具或其部件劣化的速率以及劣化的类型可能根据各种因素而变化。这些因素可以包括工具的类型、工具用于铣削或切削的材料例如，对于钻井铣削铰孔工具、深度、温度、压力、流体、钻井参数、扭矩负载、冲击载荷等。因此，定期评估工具的劣化，并且作为响应，根据需要更换或维修部件。发明内容本公开的一些实施方案包括一种方法，所述方法包括：在处理器处通过网络从远程装置接收包括可消耗对象的工具的图像；使用所述处理器对所述图像进行解码，以识别所述可消耗对象；以及通过将所述解码后图像提供给神经网络来确定所述可消耗对象的劣化特征、消耗值或两者。所述劣化特征可以表示劣化的模式，并且所述消耗值可以表示劣化的量。在本公开的同一或其它实施方案中，一种用于表征工具的劣化的系统包括：远程装置，所述远程装置被配置成捕获所述工具的一个或多个可消耗对象的图像；以及处理器，所述处理器被配置成通过执行一个或多个存储类型的计算机可读介质上包含的指令来执行操作。所述操作包括：从所述远程装置接收所述工具的所述一个或多个可消耗对象的所述图像；对所述图像进行解码以识别所述一个或多个可消耗对象；以及通过将所述解码后图像提供给神经网络来确定所述一个或多个可消耗对象的劣化模式特征、消耗值或两者。在本公开的同一或其它实施方案中，一种存储类型的计算机可读介质存储指令，所述指令在由计算系统的至少一个处理器执行时使所述计算系统执行操作。所述操作包括：在处理器处通过网络从远程装置接收包括可消耗对象的工具的图像；使用所述处理器对所述图像进行解码，以识别所述可消耗对象；以及通过将所述解码后图像提供给神经网络来确定所述可消耗对象的劣化特征、消耗值或两者。所述劣化特征可以表示劣化的模式，并且所述消耗值可以表示劣化的量。提供本发明内容是为了介绍将在以下详细描述中进一步描述的一些概念。本发明内容并非意图标识所要求保护的主题的关键特征或基本特征，也不意图用于帮助限制所要求保护的主题的范围。附图说明为了可以详细地理解所述特征，可以通过参考一个或多个实施方案获得上文简要概述的更具体描述，其中在附图中示出一些实施方案。然而，应注意，附图是说明性实施方案，因此不应视为限制其范围。此外，对于一些实施方案，附图通常应被视为按比例绘制，但是其比例不是限制性的，因为本文考虑的其它实施方案可以具有各种尺度或相应尺寸。图1是根据实施方案的用于表征工具中的磨损的系统的示意图。图2A和图2B示出根据实施方案的具有可消耗切削元件的钻头。具体来说，在图2B中，根据本文所公开的一些实施方案，用应用于切削元件的边界框识别切削元件。图3A是根据实施方案的用于表征工具中的磨损的方法的流程图。图3B是用于与本公开的实施方案一起使用的代码辨识过程的流程图。图3C是用于与本公开的实施方案一起使用的图像采集过程的流程图。图4A、图4B、图4C、图4D、图4E、图4F和图4G示出根据说明性实施方案的切削元件中的不同劣化模式。图5示出根据实施方案的用于识别消耗量的度量。图6是根据实施方案的具有模块化区段的钻头的透视的部分分解图。图7A、图7B、图7C和图7D是根据实施方案的具有改进凹口的区段的透视图。图8是根据实施方案的计算系统的示意图。具体实施方式本公开的实施方案提供一种用于自动地表征例如油田工具的工具中的劣化的系统和方法。可以使用此过程评估的油田工具的说明性实例是包括若干切削工具本文称为齿的钻头；然而应理解，许多不同类型的工具例如，螺纹管、管件或其它工具；振动工具、导向工具等也可以实现本发明系统和相关联过程的成功应用。在一些实施方案中，本文所公开的系统和方法可以避免劣化评估过程的主观性。例如，产品分析可以基于人类观察并因此基于人力资源能力。当手动地执行时，此过程是昂贵且费时的劳动。此外，评估可能不一致。即使当提供用于量化劣化的度量时，这些度量的应用也可能是主观的，并且可能根据人类进行评估时具有的谨慎、精确度和专业知识变化。此外，在手动地捕获此评估的结果的情况下，手动数据捕获是耗时的，对于具有复杂的易损坏几何形状的产品尤其如此。本公开的系统和方法通过采用受训练的神经网络进行分析来改进劣化评估过程。神经网络的训练语料库可以由一个或多个训练有素的专家先验地建立，并且神经网络可以接收关于其预测的反馈，以便在部署时进一步提高准确性。因此，在高水平下，当采用本公开的系统和方法时，现场操作员可以使用任何合适类型的图像捕获装置例如智能电话来拍摄切削工具例如，钻头、铣刀、扩孔器等或其它工具的图片或图片的集合或视频，所述图片或视频可以用于生成图像文件静止图像、视频或两者。可以将图像文件上传至处理器可以访问的远程存储装置。处理器又可以对图像进行解码，识别工具类型的可消耗对象例如，在钻头、齿上，并且采用神经网络对工具的劣化进行分类和量化。处理器可以将此种信息与各种相关度量相关联地存储在数据库中，这可以有助于建立劣化的模式。这些模式又可以为工具使用和或设计、维护规范、生命周期分析等提供建议。现在参考图1，示出根据实施方案的用于表征油田工具中的对象劣化的系统100的概念图。同样，如上所述，出于说明的目的，系统100在本文中描述为应用于包括多个齿的钻头。这种应用不应视为限制性的，除非本文另外明确陈述。系统100可以包括图像捕获装置102、处理器104和数据库106。装置102可以是能够捕获图像或在其上加载图像的任何合适类型的装置。装置102可以在现场部署，因此可以被视为移动的和或远程的例如，相对于处理器104。在一些实施方案中，装置102可以包括两个或多于两个连接装置例如，一个采集图像，且另一个存储、处理和或传输图像。因此，装置102，或可连接至装置102或另外能够将数据传递至装置102的另一装置可以被配置成捕获钻头的图像或视频通常可以被视为多个图像。例如，装置102可以是或包括一个或多个智能电话、平板计算机、膝上型计算机、数码相机、有线或无线地连接至台式计算机的外围装置等。尽管在本说明书中使用术语“移动”，但是应理解，装置102可以是远离处理器的固定装置，例如部署到现场的固定装置，在所述固定装置上可以加载或另外捕获图像数据。装置102可以例如通过例如因特网或任何其它局域网或广域网的网络与处理器104通信。装置102可以将在其上捕获或另外存储的图像上传至处理器104的存储器系统例如，处理器104可访问的闪存驱动器、硬盘驱动器或远程存储装置例如，“云”。处理器104可以包括应用程序接口API110，所述API可以包括允许处理器104对图像进行解码例如，图像处理的功能和可执行程序。在上传视频的情况下，API110可以被配置成使处理器104能够提取构成视频的个别图像中的一个、一些或全部并且评估个别图像。图2A和图2B示出此解码的实例。具体来说，如图2A中所示，可以提供例如钻头的工具200的图像。工具200可以包括若干齿202，所述齿任选地具有上述各种劣化程度和或模式，这取决于许多因素，包括工具200本身的健康状况。如图2B中所示，处理器104可以使用API110来对图像进行解码，例如，通过使用任何合适的对象辨识技术识别齿202。在实例对象辨识技术中，可以使用齿202的颜色和或形状进行辨识。在同一或其它实施方案中，可以结合图像使用钻头的CAD或其它虚拟模型来识别齿202。在其它实施方案中，可以使用其它对象辨识技术。在辨识齿202时，API110可以将边界框204定位在所辨识齿202中的每一个齿上。边界框204可以是对系统100的用户不可见地应用的虚拟框，或可以是可见的例如，显示给用户，例如通过重叠图像。如图所示并且如本文中将更详细地描述，边界框204可以用相应齿202的劣化模式特征和或消耗量进行编码。工具的主体也可以具有应用于其的边界框，并且分析可以应用于工具的主体以及或替代地齿例如，以辨识和表征主体的腐蚀或磨损，主体的破裂等。返回至图1，然后可以将例如其上应用了边界框的解码后图像接收至模型120例如，建模模块中，所述模型可以采用深卷积神经网络。在实施方案中，深卷积神经网络用于开发一种算法，所述算法用于预测专家用户关于个别齿的劣化特征和消耗值的什么结论将基于具有所建立结论的图像的训练语料库。作为非限制性实例，合适的神经网络机器学习算法包括前馈神经网络、递归神经网络、长短期记忆神经网络和卷积神经网络。神经网络机器学习算法的这些实例共享类似的多级配置。作为实例，特定实施方案中的神经网络架构可以基于具有降维的初始模块，所述初始模块包括不同大小的卷积层，接着是最大池化层、脱落层、完全连接层和softmax层。神经网络的建模可以使用tensorflow执行为有向无环图DAG。图形处理单元GPU实例可以用于计算效率。在许多情况下，网络包括与输入类型的大小相等的节点的“输入层”、节点的一个或多个“隐藏层”，以及大小与输入层相等的节点的最终“输出层”。隐藏层包括通过观察齿的特征在训练过程期间更新的权重矩阵和偏置向量。根据设计，隐藏层可能不具有存储或准确地再现输入中呈现的内容的能力。相反，这些隐藏层提取和捕获输入对象图像的一般化特性。在极高水平下，根据所选择的学习算法，隐藏层负责提供图像并预测磨损特征或消耗。通过观察专家对训练语料库的图像中的对象的表征来累积这种预测能力通常，预测专家的结论。也就是说，这种预测能力构建概率模型，其中给定图像的特定成员在输入层中情况下，这种预测能力可以预测特征磨损和或消耗在输出层中。当处理元素时，网络的内部结构正在更新以加强和或忘记其预测路径。深度学习模型具有极大的学习对象特性的能力，前提条件是向所述深度学习模型提供足够的可靠上下文即，用于分析和比较的一致图像以及足够量的训练实例通常以数千计或更多，以在结论处可靠地建立融合的高置信度。在应用神经网络模型120并将所述神经网络模型用于确定劣化特征和消耗值之后，将结果发送至处理器104的结果处理程序130。结果处理程序130可以与如图所示的数据库106通信，所述数据库可以是处理器104本地的或远程的。结果处理程序130可以将关联性存储在数据库中。例如，可以例如使用标识符号在数据库106中识别齿和或工具。还可以存储齿和或工具操作条件例如，使用齿和或工具的环境，包括钻井参数、地质、设备类型等，以及齿磨损特征和消耗。在一些实施方案中，还存储与工具相关的各种其它历史数据。例如，在一些实施方案中，用于工具齿的代码与齿历史例如，定向角度、维修周期、当齿在新的定向上去钎焊、旋转和重新钎焊时，验证齿定向满足维修规范等相关联。此外，可以记录存储部件使用历史、磨损条件、执行的维护等。这可以允许结果处理程序130提出建议。实例建议可以包括识别齿和或工具供进一步使用的剩余寿命；使齿旋转以暴露没有或较少劣化的边缘的一部分的建议；关于齿在给定工具中的定位的建议例如，当放置于某个位置时，工具倾向于损坏齿，并且由于给定齿已损坏，将另一齿放置在此位置中可能是有利的；对于切削元件更换类型的建议例如，基于相应高磨损或低磨损，更高或更低质量切削元件；对于调整工具的操作条件参数的建议；其它建议；或前述建议的组合。此外，此数据可以用于确定劣化模式或趋势，这可以由工具设计者用于改进设计或实施新设计，如本文更详细地解释。继续参考图1，图3A中示出根据实施方案的用于表征工具中的劣化的方法300的流程图。应理解，以下工作流仅仅是实例，并且可以同时以任何顺序采取各种动作。此外，一些动作可以组合成单个动作，而其它动作可以分成两个或更多个动作。另外，方法300的某些实施方案可以通过图1的系统100的实施执行，但是根据本公开，其它实施方案可以采用其它系统。方法300可以包括如在302处，在处理器104处通过网络从移动或另一，例如远程装置102接收图像可能多个静止图像或可以被视为多个图像的视频。例如，装置102可以捕获图像例如，拍摄图片或一系列图像例如，捕获视频流，并且将图像上传至可访问存储位置以供处理器104使用。可以响应于从处理器104接收的指导或在装置102本地的程序而捕获图像，例如，所述指导或程序指示用户关于用于捕获图像的角度、照明、背景灯以及捕获何种对象。因此，可以由操作装置102的人类用户捕获图像。在另一实施方案中，图像由例如机械臂的自动装置捕获，所述自动装置被配置成控制装置102的位置。例如，自动装置可以基于产品的设计规范进行编程，以执行脚本化图像捕获例程。此外，装置102可以被配置成与产品交互以读取和或检测物理属性，以在302处的图像捕获期间调整相机位置、定向和迹线。在一些实施方案中，装置102被锁定在适合于所捕获图像的类型的特定模式中例如，手电筒和肖像模式，这可以控制照明条件并且防止屏幕无意地移动至横屏模式。此外，在捕获视频的实施方案中，方法300可以提供视频的预定时间长度例如，5秒、10秒、30秒、2分钟等，这可以执行视频的标准化的基本水平，以供后续处理。在一些实施方案中，时间长度可以是可调整的例如，由用户即时调整。随后，方法300可以包括如在304处，使用处理器104识别工具的一个或多个可消耗对象。例如，在工具是钻头、铣刀或扩孔器的情况下，处理器104可以识别齿。还可以使用或修改方法300以允许在各种井下或其它环境中与其它组件和可消耗对象一起使用。因此，本公开的实施方案的应用不应限于井下切削工具或甚至井下工具，而是可以扩展至其它行业和工具或组件。例如，可以使用本公开的实施方案评估的其它可消耗对象包括：轴承衬套；螺纹；涂层表面；切削元件例如，碳化钨硬质合金刀片、金刚石齿、钻头刀片、锯片、CNC工具、车刀、铣齿等；压力表隔离器；开孔或铰孔元件；转向垫活塞；稳定或扶正器刀片或垫；接触表面；耐磨垫；泵组件例如，旋转斜盘、杆等；筛子例如，振动筛或碎片筛；转子或定子；滑块例如，锚滑块、铁钻工滑块；钻杆或套管；密封件；防喷器旋转组合件；耐磨环套筒；销针或凸耳；模具；J槽轨道；阀门；歧管；齿轮；夹持面或钳口；花键轴；过滤器；造斜器；涡轮叶片；喷嘴；油管悬挂器；道路选择件；井口装置；带有流动口的套筒；管缆绞车；管接头；或物理劣化例如，磨损、腐蚀、疲劳等会限制工具寿命或可复用性的任何组件或表面。尽管不限制本公开，但是可以使用本公开的方法评估其中基于减少磨损或腐蚀选择材料例如，金刚石、碳化钨、工具钢等，或经过处理以减少磨损或腐蚀例如，使用表面硬化、耐磨或减少摩擦涂层、激光熔覆等等的任何组件。在实施方案中，图像捕获过程可以采用摄影测量以数字方式映射钻头、齿或工具的另一可消耗对象的轮廓。具体来说，可以基于在此摄影测量处理期间产生的测量来数字化并自动地确定磨损分级系统例如，图5。另外，摄影测量可以采用可消耗对象的使用前测量与使用后测量之间的差。例如，这都可以用于确定磨损量和磨损模式类型。在实施方案中，图像捕获过程还可以包括辨识工具或组件上的代码或标识符，这可以指示特定工具例如，如同序列号一样和或工具的类型例如，如同型号一样。这种代码辨识可以采用字母数字光学字符辨识、条形码、快速响应QR或其它类型的矩阵代码、条形码等。例如，图像辨识或激光扫描可以用于读取代码。还可以将射频RF或其它类型的代码存储传输装置或协议与例如数据库106中的工具的图像相关联。图3B示出根据实施方案的代码辨识过程330的流程图。例如，过程330可以用作本文所描述的其它方法的一部分例如，在图3A中所示的方法300的框304内。因此，图像制备过程330可以包括如在332处，通过无线或有线传输等例如从任何源无论本地的还是远程的接收图像。随后，过程330可以包括如在334处，使用二值化将图像转换成黑和白。在实施方案中，可以采用Otsu法计算阈值，其将直方图分成其每个通道的两个半部。使用Otsu法等可以返回图像阈值对象，所述图像阈值对象可以变成与工具或组件相关联的黑和白代码。随后，如在336处，过程330可以通过用于条件图像恢复的生成式对抗网络来解析图像。例如，生成式对抗网络可以基于用于条件图像恢复的Resnet。因此，可以通过去模糊、去雾和提高图像分辨率来采用对抗学习和图像重构。随后，如在338处，过程330可以辨识图像中的代码。方法300任选地包括如在306处，例如使用处理器104例如在数据库106中记录与可消耗对象的使用相关联的条件。这些条件可以包括使用工具的操作环境例如，岩石性质、深度、压力、深度、温度、流体类型存在、金属特性等。条件还可以包括钻井参数，例如，钻压以及转速RPM、采用工具的钻柱的类型等。条件还可以包括工具或组件的年龄，例如在绝对意义上来说例如，钻出的英尺、使用小时数等，或作为预定生命周期的百分比。条件还可以包括在部署至井筒中的工具例如，钻头、扩孔器等的情况下，将工具从孔中拉出的原因。可以使用存储与岩性、性能、工程规范、性能数据、测井数据等有关的信息的数据库例如，在排水井筒的钻井、勘测期间或通过模拟收集来建立或估计条件。方法300可以包括如在308处，使用处理器104例如，API110对图像中的一个或多个可消耗对象应用边界框通常可以是任何形状。边界框可以建立可以找到可消耗对象的坐标，并且因此可以将图像分成用于由神经网络模型120分析的目标。在一些实施方案中，边界框可以经过颜色编码以增强其中识别的可消耗对象的劣化模式特征的人类可视性。API110可以用于通过提供合适的图像辨识软件来建立边界框。在一些实施方案中，用户可以例如通过输入工具的类型或以某种方式指示图像中的易磨损对象例如，通过点击可消耗对象的位置处的屏幕来促进可消耗对象的识别。图3C示出根据实施方案的图像捕获过程340的特定实例的流程图。例如，过程340可以用作图3A中所示的方法300的框302至308中的一个或多个的一部分。因此，过程340可以包括如在342处，将从图像捕获装置102接收的一系列图像例如，视频例如，在302处接收的图像解析成个别图像。随后，过程340可以行进至预处理和过滤图像，如在344处。这可以包括适合于去除噪声并从图像中减去背景信息的任何处理。过程340还可以包括如在346处，对准和旋转图像。例如，这可以确保图像是平移的和旋转不变的，或至少基本上如此。过程340还可以包括如在348处，确定感兴趣对象例如，齿或钻头是否包含在每个图像中。在一些实施方案中，这可以借助于与正进行成像的工具相关联的材料清单BOM来确定。例如，BOM可以包括或参考待分析的可消耗对象的规格例如，尺寸、大小、位置等。如果感兴趣对象在图像中，则过程340可以如在340处定义包括图像中的感兴趣对象的感兴趣区域例如，边界框。因此，这可以允许使用捕获的一系列图像视频来采用“投票否决”技术，其中保留更清楚地示出感兴趣对象或另外更适合于分级如在本文中更详细描述的图像，而确定为不太适合于分级的那些图像则不再考虑。此外，所定义的感兴趣区域可以用作用于捕获在302处接收的图像的装置102的反馈回路。因此，在一个实例中，用户可以采用装置102图1来捕获视频。在此实例中，过程340可以包括如在352处，基于感兴趣区域的位置而生成图像中的边界框。如在354处，随后可以将此边界框或至少对应于感兴趣区域的位置数据传输至装置102以在其上显示，这可以有助于用户将感兴趣对象准确地放置于边界框内，由此促进感兴趣对象的准确捕获。在另一实例中，可以采用机械臂或其它自动装置来定位视频捕获装置。因此，过程340可以被配置成传输信息和或命令以引导通过自动装置进行图像采集。例如，如在356处，过程340可以确定感兴趣对象在感兴趣区域中。过程340可以包括如在358处，指导负责定位视频捕获装置的机械臂或另一自动装置。在实施方案中，此指导可以包括将适当地放置视频的通知提供至自动装置。在另一实施方案中，此指导可以包括提供方向、角度、距离、高度等以将视频捕获装置移动至自动装置。此指导也可以由BOM辅助。再次参考图3A，方法300可以移动至如在310处，确定相应所识别可消耗对象的劣化特征。方法400可以通过将具有所识别可消耗对象的解码后图像馈送至神经网络例如，模型120来实现此，所述神经网络已经过训练以对可消耗对象的劣化进行分类和量化。图4A至图4G示出用不同代码和相关联模式标记的钻头中的齿的不同劣化特征的若干实例。具体来说，图4A示出称为齿磨损代码WT的具有磨损轮廓的劣化齿的实例。图4B示出称为齿缺损代码CT的具有缺损轮廓的实例劣化齿。图4C示出称为断齿代码BT的具有破碎轮廓的实例劣化齿。图4D示出称为齿碎裂代码SP的具有碎裂轮廓的实例劣化齿。图4E示出称为聚晶层脱落代码DL的具有分层轮廓例如，切削台从基板分层的实例劣化齿。图4F示出称为粘结层脱落代码BF的具有粘结层脱落例如，损坏的钎焊接头的实例劣化齿。图4G示出称为齿脱落代码LT的缺少齿的实例齿凹口。可以根据本公开的实施方案使用IADC磨损分级代码和类型，并且可以包括其它编码，例如冲蚀ER、平顶磨损FC、热龟裂HC、无特征NO、圆形规径RG，或其它主要劣化特征。钻头本身的类似分级类型和代码可以包括泥包BU、磨心CU、落物损坏JD、掉喷嘴LN、堵喷嘴PN、磨环RO或刺WO钻头轮廓。在对牙轮钻头进行分级的情况下，实例附加分级可以包括牙轮破碎BC、牙轮断裂CC、牙轮阻力CD、牙轮互咬CI、牙轮脱落LC、偏心磨损OC、夹紧钻头PB、磨砂损伤SD、自锐磨损SS、跟踪TR，或其它劣化轮廓和代码。此外，在图像中可见的程度上，可以对PDC齿基板条件进行分级。在各种实施方案中，可以在正常照明下或借助于燃料渗透、荧光照明等来确定裂缝的存在或不存在。此外，可以包括确定工具的组装组件部分的不存在或存在例如，缺失存在齿、缺失存在喷嘴等，作为分级过程的一部分。其它类型的分级可以用于其它类型的工具，例如，螺纹几何形状和条件，或可能由产品操作导致的任何其它条件，这可能影响产品可复用性、维修指令或产品可靠性实际或感知的，例如，工具上任何位置中的磨损、冲蚀、磨蚀或侵蚀。方法300可以包括如在312处，使数据库106中的劣化特征代码与可消耗对象相关联。因此，在一些实施方案中，可消耗对象可以具有可以被跟踪的个别标识符。在同一或其它实施方案中，可以通过参考其中部署可消耗对象的工具来跟踪可消耗对象，其中保持工具度量例如，工具号1234具有齿缺损；递增数据库106中的工具1234的齿缺损计数。方法300还可以包括如在314处，使用神经网络确定相应可消耗对象的消耗量的值。通过确定相反的事物，即，可消耗对象的其余材料量也可以满足此确定。确定可以至少部分地基于所识别劣化的类型即，劣化特征，但是在其它实施方案中，所述确定可以独立于磨损特征的类型确定。图5示出可以应用的一个消耗值度量的实例。在此情况下，基于消耗量给出数字1至8。因此，具有14材料磨损的可消耗对象可以具有“2”消耗度量，而具有12材料磨损的可消耗对象可以具有“4”消耗度量，并且具有58材料磨损的可消耗对象可以具有“5”消耗度量。对于钻头齿，基于齿的总尺寸，或基于齿延伸超过钻头的基部的程度以及因此能够咬入岩石中来确定此消耗度量。在一些实施方案中，可以基于多个消耗量值来计算工具的平均劣化值，例如，可以基于多个齿的消耗量值的平均数来确定钻头消耗值。如在316处，方法300可以行进至使消耗量值与数据库106中的相应可消耗对象或携载对象的工具，如上文所提及相关联。方法300任选地包括如在318处，关于工具、消耗对象或两者的配置和或应用提出建议。建议可能来自神经网络，所述神经网络用于分析与促成磨损条件的相关因素组合的后处理劣化条件数据。相关因素可以是钻井应用、岩性、操作参数、操作小时数、设计因素、材料选择等。此种信息可以来自排水井钻井记录的数据库、核心或其它类型的井数据、地质勘测或其它类型的岩性数据库、性能分析、井方案、工程系统数据库、模拟、设计文件、其它源，或前述内容的组合。随后，可以通过神经网络将这些因素与类似情况、未磨损齿等相比较，以基于产生优异性能和可靠性的产品和或操作条件的差得出建议。这些建议可以包括应用建议，例如，地层钻头选择、钻井参数例如，钻压和或速度选择、井底形状、冲击负载、流体分布、钻井环境、温度等。这些建议还可以或替代地提供设计或工具配置建议，例如，齿的放置或类型，或与切削结构和工具主体相关的设计变化。额外建议可以包括维护建议，例如，在重新使用钻头之前如何处理现有齿来维修钻头例如，在维修期间更换齿、使齿旋转以及重新附接相同齿，使用不同类型的齿等。此外，类似产品的性能和可靠性趋势可以用于预测在操作期间推动更换决策并避免故障之前，组件何时可能发生故障。组件的典型故障模式的趋势可以推动并增强组件开发。组件和产品选择可以引起性能、可靠性和成本降低。例如，通过使用此系统得到的数据的用户之一可以是钻头切削结构设计工程师，这些工程师可以查看可比较应用中使用的相同产品的多次运行的磨损钻头评估，以设计新钻头来增强性能和或增加耐久性。在一些实施方案中，并非设计工程师进行手动主观检查，本公开的实施方案通过以提高设计改进和设计系统的速度和一致性的客观方式自动化检查来改进设计。另一用户可以是齿制造商，所述齿制造商可以基于目标齿系列的典型齿故障模式来开发新齿。例如，齿可以用于世界各地的各种应用中，并且基于数百或数千个齿磨损条件评估，可以确定在一定百分比的时间内发生分层。如果确定此百分比太高，则可以开发和测试新齿以减少分层的可能性。可以基于所分析的钻头图像测量结果。因此，方法300可以包括如在322处，基于多个所确定劣化特征代码和消耗量来确定工具的设计或配置是次优的。如在本文中使用，术语“次优”表示建议设计、配置或使用的改变。例如，可以对特定设计的多个工具进行成像，随后由神经网络进行观察。神经网络可以提供这些工具的劣化特征代码和消耗值，并且随时间可以开发劣化的模式或没有劣化的模式。例如，特定位置中的特定材料规格的齿可能经常在特定井下应用中缺损。因此，为了未来在这些应用中使用工具，可以规定不同齿设计或材料规格。这可以为工具设计提供更大粒度，因为这可以在给定工具内提供不同的所建议齿，例如取决于钻井参数和或应用条件。另外，如果特定位置中的齿的磨损非常小，则可以采用较便宜的齿类型或材料规格，由此提供成本效率。方法300还可以包括如在324处，确定工具的设计或所建议应用的变化。应理解，可以通过保存来自神经网络的结果的历史来获得各种此类分析和结论。此外，这种神经网络的使用可以实现跨越所述历史的客观确定，从而提供从中提出建议的可靠分析。确定设计的变化可以包括确定未来类似钻头的设计变化例如，未来钻头应具有处于不同位置或角度的齿，或使用不同类型的齿，或确定当前钻头的变化例如，在钻头维修期间，应旋转或更换齿。在一些实施方案中，可以通过网络将分析的至少一些结果发送至装置102。结果可以是可视的，如图2B所示，示出边界框中的磨损特征和或消耗值，但是基于本公开，显示结果的各种不同方式将是显而易见的。此外，方法300可以包括通过网络将所确定建议传输回装置102例如，由现场用户实施以移除、更换或重新定位钻头中的齿或采取类似动作，或在可消耗对象相对于另一类型的可消耗对象或另一类型的工具仍适合用于其当前位置的情况下，避免这些动作。在一些实施方案中，分析的结果可以用于影响工具或采用所述工具的系统的材料清单。这可以被视为“智能”材料清单智能BOM。简单来说，产品的BOM定义构成成品的部件和组件。因此，BOM中含有的数据与资产相关并且可以用于帮助识别从新资产或已使用资产捕获的图像并且使所述图像相关。例如，在PDC钻头中，产品BOM包含组装到钻头中的由部件号和数量标识的PDC齿。一个PDC钻头可以利用多于一个PDC齿部件。可以增强产品的BOM或使其“智能”，以指定和传送将组装每个齿部件号的钻头上的特定位置。例如，类似部件的个别序列号可以与所组装钻头上的特定位置相关联。当捕获钻头上的齿的图像例如，在图3A中的302处时，分析软件可以访问此BOM信息以将图像交叉参考至每个齿的特定部件和序列号。所述信息可以被关联或标记至图像文件，以稍后用于识别和分析。此外，为了更深入地了解诊断报告，用户可以与用作处理器104的人机界面的人工智能AI机器人聊天。通过与AI机器人交互，用户可以提出进一步查询并通过问答会话提升初始报告。可以通过关于钻头的过去使用参数、所建议的维护手册、钻井历史等的信息训练AI机器人。可以使用词向量和自然语言理解来开发AI机器人框架。通过从称为实体的查询中提取内容，来自用户的查询按意图进行分类。可以通过来自任何合适库源的多个词汇表训练实体辨识系统。查询中一组实体的出现概率有助于用户查询的意图分类。这使机器人能够从输入字符串或语音查询中理解用户的意图。机器人从知识库中检索可能的答案。会话可以保存过去交谈的历史，从而实现用户与机器人之间的建设性对话。机器人也可以用词向量训练以提升会话生成。在一些实施方案中，机器人还可以理解来自用户的呈图像、其它视觉数据文件等形式的视觉提示。方法300还可以包括如在320处，基于工具的可消耗对象的特征来确定工具的一个或多个特征。例如，如上文所提及，在特定钻井环境、钻柱、钻机类型、钻井参数等时，特定工具可能具有较差磨损结果，而另一个工具具有相对较好的磨损结果。此外，某些工具可能倾向于比其它工具更快地磨损或损坏工具上的阵列之中的一个可消耗对象，因此可以确定并采用可消耗对象的旋转序列，以延长易磨损工具的阵列的寿命。如上所述，在318和或324处提出的建议可以至少部分地基于磨损损坏模式而提出参见例如图4A至图4G，其示出不同实例磨损模式。继续此实例，在318和或324处的建议可以遵循决策树或通过AI系统实施，以便提出与专家可能提出的建议相同或相似的建议，除了应用规则，使得建议是一致和可重复的，而不是留给人类专家进行主观确定。例如，通过识别每个切削元件的类型和损坏，系统还可以提出特定于每个齿类型的维修建议。建议可以包括改变，例如，改变切削元件的类型例如，更深酸洗脱的切削元件以减少磨损平面、用于冲击损坏缺损的较大金刚石颗粒金刚石台、用于改变侵略性的不同斜角尺寸。建议还可以包括通过将新的模块化区段附接至刀片来改变齿的侵略性或位置，如下文将更详细地描述。例如，这种分析可以从应用于磨损模式的“一般”建议开始进行，然后是可以应用于特定磨损模式内的不同情况的特定建议。另外，可以为不显示明显损坏的切削元件提出建议。例如，如果切削元件没有磨损，则所述切削元件可能无法以其最大效率进行切削。因此，也可以建议修理未磨损齿，或用较低质量的切削元件更换切削元件的类型。下表1中反映可以提出的建议的实例。应理解，表1仅仅是说明性建议，并且可以提出其它或不同建议作为一般建议或特定建议。表1当前系统可以建议这些选项或其它中的任一个。在一些情况下，系统可以通过在再次运行和扫描所述系统时通过评估钻头来监视结果。如果出现相同类型的损坏，则可以建议不同的行动方案以减轻损坏。如果出现另一类型的损坏，则还可以提出其它建议；然而，可以保存历史模型以避免返回至已知存在问题的先前设计。一些钻头由钢或基质例如，具有金属基粘合剂的碳化钨制成并且具有刀片，其中切削元件放置于特定形成的凹口中，随后钎焊在其中。因为固定凹口，所以通常固定齿包括在维修期间附接的更换件的位置。因此，一些建议对于这些钻头是不可能的例如，改变前角、改变齿尺寸、改变齿深度、改变齿数目。这些建议的实例在表1中用星号标注。然而，在其它实施方案中，可以采用模块化钻头，例如图6中所示的钻头。具体来说，图6示出根据实施方案的模块化钻头600的透视的部分分解图。模块化钻头600通常包括钻头头部602以及从其延伸的多个刀片604。每个刀片604提供其接纳区域606。钻头600还包括多个模块化区段608，所述模块化区段可以各自包括齿610，所述齿接纳到形成于区段608中的凹口612中。模块化区段608可以可拆卸地固定在接纳区域606中。这些区段608可以通过增材制造加工、铸造或形成。所述区段可以是任何合适材料，例如，具有耐磨材料的钢基，例如碳化钨。因为这些区段可以独立地形成，并且甚至可能在井场形成，所以这些区段可以通过允许钻头设计改变的方式制造。可以移动凹口612并改变凹口，使得齿的角度、类型或尺寸变化。因此，可以在维修钻头期间印刷或铸造新区段，将所述新区段附接至主要或次级钻头刀片，并且具有带有不同侵略性例如，不同前角、不同尺寸、不同形状或定向、不同布局，或甚至额外元件例如，备用元件或切削深度限制元件的切削元件。图7A、图7B、图7C和图7D示出根据实施方案的可以对给定区段608进行的可能修改。如上文所解释，这些修改允许至少在不更换整个钻头的情况下改变齿610和或凹口612几何形状和或定位。在图7A和图7B中，可以改变凹口612的前角。例如，可以确定应更换硬化区段608以改变切削结构。例如，某些类型的损坏例如，分层可能是切削元件太过具有侵略性的结果。可以印刷或铸造新的硬化区段，并且通过形成具有不同角度的凹口，所得区段可以在齿上具有不同前角。通过虚线示出原始凹口608即，在用新的区段608更换之前。在其它情况下，可以在维修期间确定应移动切削元件例如，如果硬化区段显示太多磨损，指示切削结构中的间隙。如通过图7C所示，可以使齿610沿着硬化区段608径向地移动，或可以使较大齿610位于硬化区段608上，如图7D所示。在其它情况下，改变齿610的形状可能是有益的，因此可以形成新的齿凹口来处理基板的修改形状。图7D示出其中凹口612从圆柱形几何形状改变至矩形立方体几何形状的区段608的实例。应理解，对区段608的上述修改仅仅是许多预期修改中的一些实例。在其它情况下，凹口612可以较小或具有更大角度。在其它情况下，硬化区段608的高度可以增加或减小例如，对于一些或整个长度，因此齿610可以位于不同轴向位置处。另外，通过此维修过程，钻头不仅可以维修成具有与原始钻头相同的切削结构，而且还可以在凹口可以移动或改变时具有不同切削结构。在一些实施方案中，本公开的方法可以通过计算系统执行。图8示出根据一些实施方案的此计算系统800的实例。计算系统800可以包括计算机或计算机系统801A，其可以是个别的计算机系统801A或分布式计算机系统的布置。计算机系统801A包括一个或多个分析模块802，所述分析模块被配置成根据一些实施方案执行各种任务，例如，本文所公开的一个或多个方法。为了执行这些各种任务，分析模块802独立地或与连接至一个或多个计算机可读介质808的一个或多个处理器804协调地执行。处理器804还连接至网络接口807，以允许计算机系统801A通过数据网络809与例如801B、801C和或801D的一个或多个附加计算机系统和或计算系统通信应注意，计算机系统801B、801C和或801D可以或可以不与计算机系统801A共享相同架构，并且可以位于不同物理位置中，例如，计算机系统801A和801B可以位于一个处理设施中，同时与位于一个或多个数据中心中和或位于不同洲的不同国家中的一个或多个计算机系统例如801C和或801D通信。处理器可以包括微处理器、微控制器、处理器模块或子系统、可编程集成电路、可编程门阵列，或另一控制或计算装置。应注意，尽管在图8的实例实施方案中，计算机可读介质806描绘为处于计算机系统801A内，但是在一些实施方案中，计算机可读介质806可以分布在计算系统801A和或附加计算系统的多个内部和或外部外壳内，和或跨越计算系统801A和或附加计算系统的多个内部和或外部外壳分布。计算机可读介质806可以实施为一个或多个计算机可读或机器可读存储介质、传输介质，或存储和传输介质的组合。如本文所使用，“存储介质”、“计算机可读存储介质”等指代呈允许执行本公开的实施方案的计算机可读程序代码的形式的存储软件指令的物理介质。“传输介质”、“计算机可读传输介质”等指代呈允许执行本公开的实施方案的计算机可读程序代码的形式的携载软件指令的物理介质。因此，作为实例而非限制，本公开的实施方案可以包括至少两个明显不同种类的计算机可读介质，即，存储介质和或传输介质。存储介质和传输介质的组合应包括在计算机可读介质的范围内。为了进一步说明存储介质和传输介质的不同性质，存储介质806可以包括存储器的一个或多个不同形式，包括半导体存储器装置，例如，动态或静态随机存取存储器DRAM或SRAM、可擦除可编程只读存储器EPROM、电可擦除可编程只读存储器EEPROM和闪存存储器、例如固定硬盘、软盘或可移除磁盘的磁盘、包括磁带的其它磁性介质、例如光盘CD或数字视频光盘DVD、光盘的光学介质，或其它类型的光学存储装置，或固态驱动器，或其它类型的存储装置。传输介质可以相反地包括实现计算机系统和或模块、引擎和或其它电子装置之间的电子数据传送的通信网络或其它数据链路。当通过通信网络或其它通信连接硬连线、无线或硬连线或无线的组合将信息传送或提供至计算装置时，计算装置将连接正确地视为传输介质。因此，传输介质可以包括可以用于载送所需程序、代码单元或指令的通信网络和或数据链路、载波、无线信号等。应注意，上述指令可以提供于一个计算机可读或机器可读介质上，或者可以提供于分布在可能具有多个节点的大系统中的多个计算机可读或机器可读介质上。此一个或多个计算机可读或机器可读介质被视为物品或制品的一部分。物品或制品可以指任何制造的单个组件或多个组件。一个或多个计算机可读介质可以位于运行机器可读指令的机器中或位于远程站点处，可以通过网络从所述远程站点下载机器可读指令以供执行。此外，在使用传输介质的情况下，在到达各种计算系统组件之后，呈计算机可执行指令或数据结构形式的程序代码可以自动地或手动地从传输介质传递至存储介质或反之亦然。例如，通过网络或数据链路接收的计算机可执行指令或数据结构可以在网络接口模块NIC内的存储器类型存储介质例如，RAM中缓冲，然后最终传递至计算机系统RAM和或计算机系统处的较小易失性存储介质例如，硬盘驱动器。因此，应理解，存储介质可以包括在也或甚至主要利用传输介质的计算机系统组件中。在一些实施方案中，计算系统800含有一个或多个建模模块808。在计算系统800的实例中，计算机系统801A包括建模模块808。在一些实施方案中，可以使用单个建模模块来执行本文所公开的方法的一个或多个实施方案的一些方面。在其它实施方案中，可以使用多个建模模块来执行本文的方法的一些方面。应理解，计算系统800仅是计算系统的一个实例，并且计算系统800可以具有比所示更多或更少的组件，可以组合未在图8的实例实施方案中描绘的附加组件，和或计算系统800可以具有图8中描绘的组件的不同配置或布置。图8中所示的各个组件可以用硬件、软件，或硬件和软件的组合来实施，包括一个或多个信号处理和或专用集成电路。此外，在本文所描述的处理方法中的步骤可以通过运行信息处理设备，例如，通用处理器或例如ASIC、FPGA、PLD的专用芯片，或其它合适装置中的一个或多个功能模块来实施。这些模块、这些模块的组合，和或这些模块与通用硬件的组合包括在本公开的范围内。可以通过迭代方式改进计算解释、模型和或其它解释辅助；这一概念适用于本文所论述的方法。这可以包括使用在算法基础上执行的反馈回路，例如在计算装置例如，计算系统800，图8处和或通过用户的手动控制执行的反馈回路，用户可以关于给定步骤、动作、模板、模型或曲线组是否已变得足够准确能用于评估所考虑的地下三维地质地层做出确定。术语“耦合couplecoupled”、“连接connectconnection”、“连接的connected”、“与……连接”以及“连接connecting”是指“与……直接连接”或“通过一个或多个中间元件或构件与……连接”。在权利要求书中，装置加功能的条款旨在覆盖本文描述为执行所述功能的结构，而不仅仅是结构等效物，而且还包括等效结构。申请人的明确意图是不对本文中的任何权利要求的任何限制援引功能性权利要求，除了权利要求中明确使用词语“用于……的装置”或“用于……的步骤”以及相关联功能的情况之外。尽管上文已详细描述若干实例实施方案，但是本领域技术人员将容易理解，在不实质上脱离本公开的范围的情况下，可以在实例实施方案中进行许多修改。因此，任何此类修改意图包括在本公开的范围内。

权利要求：1.一种方法，所述方法包括：接收具有可消耗对象的工具的图像，所述图像是在处理器处通过网络从图像捕获装置接收；使用所述处理器对所述图像进行解码并且识别所述可消耗对象；以及通过将所述解码后图像提供给神经网络来确定所述可消耗对象的劣化特征、消耗或两者，其中所述劣化特征表示劣化的模式，并且所述消耗表示劣化的量。2.如权利要求1所述的方法，还包括：在确定所述劣化特征、所述消耗或两者之前，使用所述处理器对在所述图像中识别的所述可消耗对象应用边界框。3.如权利要求2所述的方法，还包括以下步骤中的至少一个：将所述边界框的位置传输至所述图像捕获装置以在其上显示，同时捕获具有所述可消耗对象的所述工具的额外图像；确定所述可消耗对象是否在所述边界框中，并且基于所述确定指导控制所述图像捕获装置的位置的自动装置；或基于与所述工具、所述可消耗对象或两者相关联的材料清单来确定所述边界框的位置。4.如权利要求1所述的方法，还包括：基于所述劣化特征和所述消耗来建议所述工具的应用或配置的改变；以及通过所述网络将所述建议传输至远程装置。5.如权利要求4所述的方法，其中所述改变包括刷新所述可消耗对象、更换所述可消耗对象，或重新定位所述可消耗对象中的一个或多个。6.如权利要求4所述的方法，还包括：接收与所述工具的使用的条件相关联的数据，其中建议所述工具的所述应用的所述改变是基于在捕获所述图像之前所述工具的所述使用的所述条件。7.如权利要求1所述的方法，还包括：使用训练语料库训练所述神经网络，所述训练语料库包括具有相关联劣化特征或劣化消耗结论的多个图像，其中训练包括接收所述劣化特征中的至少一个以及人所提供的所述劣化消耗结论中的至少一个。8.如权利要求1所述的方法，其中以下项中的至少一个：基于从所述可消耗对象的多个不同类型的可能损坏中选择的损坏类型来确定所述劣化特征；或所述消耗是基于所述工具中剩余的所述可消耗对象的量确定的值。9.如权利要求1所述的方法，还包括：在所述处理器的人机界面处通过所述网络从远程装置的用户接收查询，其中所述远程装置与所述图像捕获装置或存储装置通信；以及使用被训练成对自然语言查询作出响应的人工智能机器人对所述查询作出响应。10.如权利要求1所述的方法，还包括：使用所述神经网络确定某种设计的多个工具中的多个可消耗对象的所述劣化特征和所述消耗；以及基于所述所确定劣化特征和消耗来确定所述多个工具中的至少一个的所述设计是次优的。11.如权利要求10所述的方法，还包括：基于所述设计为次优的所述确定，建议不同类型的可消耗对象、所述可消耗对象的不同材料规格，或针对所述多个工具中的所述至少一个的不同应用条件。12.如权利要求1所述的方法，还包括：对所述图像应用摄影测量以确定所述可消耗对象的一个或多个测量值，其中确定所述可消耗对象的所述劣化特征、消耗值或两者包括将一个或多个测量值提供给所述神经网络。13.一种用于表征工具的劣化的系统，所述系统包括：远程装置，所述远程装置被配置成获得所述工具的一个或多个可消耗对象的所捕获图像；以及处理器，所述处理器被配置成通过执行一个或多个计算机可读存储介质上包含的指令来执行操作，所述操作包括：从所述远程装置接收所述工具的所述一个或多个可消耗对象的所述图像；对所述图像进行解码以识别所述一个或多个可消耗对象；以及通过将所述解码后图像提供给神经网络来确定所述一个或多个可消耗对象的劣化模式特征、消耗或两者。14.如权利要求13所述的系统，其中所述操作还包括：基于所述劣化模式特征和所述消耗，建议所述工具的应用的改变、所述工具的设计的改变，或对所述工具的所述一个或多个可消耗对象的改变；以及通过网络将所述建议传输至所述远程装置。15.如权利要求13所述的系统，其中所述处理器包括应用程序接口，所述应用程序接口使所述处理器能够对所述图像进行解码，并且对所述所识别的一个或多个可消耗对象应用一个或多个边界框。16.如权利要求13所述的系统，其中所述处理器包括在所述神经网络中或与所述神经网络通信的建模模块。17.如权利要求13所述的系统，还包括：与所述处理器通信的数据库，其中所述操作还包括与所述所确定劣化模式特征或消耗相关联地跟踪与所述数据库中的所述工具、所述可消耗对象或两者的使用相关的数据，并且其中建议包括确定所述工具使用与磨损特征、所述消耗或两者之间的关联性。18.一种计算机可读存储介质，所述计算机可读存储介质存储指令，所述指令在由计算系统的至少一个处理器执行时使所述计算系统执行操作，所述操作包括：在处理器处通过网络从远程装置接收包括可消耗对象的工具的图像；使用所述处理器对所述图像进行解码以识别所述可消耗对象；以及通过将具有识别所述可消耗对象的边界框的所述解码后图像提供给神经网络，确定所述可消耗对象的劣化特征、消耗或两者，其中所述劣化特征表示劣化的模式并且所述消耗表示劣化的量。19.如权利要求18所述的计算机可读存储介质，其中所述操作还包括以下项中的至少一项：基于所述所确定劣化特征、消耗或两者来建议所述工具的应用或配置的改变，以及随后通过所述网络将所述建议传输至所述远程装置；或在所述处理器的人机界面处通过所述网络从所述远程装置的用户接收查询，以及随后使用被训练成对自然语言查询作出响应的人工智能机器人对所述查询作出响应。20.如权利要求24所述的计算机可读存储介质，其中所述操作还包括：使用所述神经网络确定某种设计的多个工具中的多个可消耗对象的所述劣化特征和所述消耗；基于所述所确定劣化特征和消耗值来确定所述多个工具的所述设计是次优的；以及基于所述设计为次优的所述确定，建议不同类型的可消耗对象、所述可消耗对象的不同材料规格，或所述工具的不同应用条件。

百度查询： 史密斯国际有限公司 用于表征油田工具的系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD