摘　要：本文將神經網絡與傳統(tǒng)PID控制相結合構成基于在線辨識模糊RBF神經網絡的自適應PID控制系統(tǒng)，將其應用于長沖程抽油機中非線性嚴重的開關磁阻電機中。通過運用參數(shù)可調的模糊神經網絡PID控制、變學習速率的學習算法和在線參數(shù)辨識等方法相結合來改善系統(tǒng)特性。實驗表明本系統(tǒng)動態(tài)響應速度快，超調小，魯棒性好，節(jié)能效果明顯。

關鍵詞：開關磁阻電機；神經網絡；PID控制；長沖程抽油機；節(jié)能

0  引言

     目前, 我國油田的抽油機保有量在10萬臺以上, 據不完全統(tǒng)計，近年來全國每年需新增抽油機1 萬臺以上，油田抽油機絕大多數(shù)仍采用游梁式抽油機, 其特點是結構簡單運行可靠，缺點是整機效率很低, 功率因數(shù)低，能耗較大。降低采油能耗、提高采油效率的新型節(jié)能型抽油設備將是今后抽油機生產行業(yè)的發(fā)展趨勢和努力目標[1]。由于長沖程抽油機具有效率高、質量輕，傳動線路短，節(jié)能環(huán)保、適應面廣等優(yōu)點，因此成為國內近些年開發(fā)試驗推廣的熱點。

     長沖程抽油機的開關磁阻電機磁路大都設計得比較飽和，其雙凸極結構和開關控制方式導致了其高度的非線性特性。為適應被控對象具有的非線性，采用變參數(shù)的自適應PID控制策略。將人工神經網絡與PID控制律相結合，充分發(fā)揮神經網絡的自適應、非線性映射能力和自學習能力形成一種自適應能力很強的參數(shù)可調的神經網絡PID控制策略。

     本文在原PID控制器的基礎上，利用模糊RBF神經網絡，以系統(tǒng)實際輸出和系統(tǒng)誤差為輸入，整合出一組最優(yōu)的PID參數(shù)，采用變學習速率加快網絡收斂速度和RBF在線辨識網絡對被控對象在線參數(shù)辨識，根據被控對象的變化，實時調整控制器的參數(shù)，達到提高系統(tǒng)控制性能的目的。

1 長沖程抽油機的工作原理

     新型長沖程直線抽油機采用開關磁阻電機（SRM）作為動力元件，其主要工作原理是通過減速機構帶動驅動輪，進而通過牽引繩，帶動配重箱和油桿上升、下降來抽汲油液，極大地簡化了傳動機構，整體效率大大提高，為抽油機的節(jié)能提供了可能性。長沖程抽油機結構框圖如圖1。

圖1  長沖程抽油機結構框圖

2. 普通PID控制器

     普通PID控制器主要是由比例環(huán)節(jié)、積分環(huán)節(jié)和微分環(huán)節(jié)將偏差e=給定值—實際輸出值，通過線性組合構成控制量，控制器的輸出u，其控制規(guī)則為：

在該文的系統(tǒng)中采用的是一種增量式PID控制算法：

其中e（k）為k時刻的偏差；Kp，KI，Kd分別為比例常數(shù)，積分常數(shù)，微分常數(shù)。

3. RBF神經網絡PID控制器

     基于RBF神經網絡整定的PID控制系統(tǒng)結構如圖2所示，通過調整網絡權值使控制器的參數(shù)達到最優(yōu)，采用變學習速率加快網絡收斂速度，RBF在線辨識網絡對抽油機的開關磁阻電機在線參數(shù)辨識，根據轉矩變化，實時調整控制器的參數(shù)。

圖 2.  基于RBF神經網絡整定的PID控制系統(tǒng)結構圖

 3.1 模糊RBF神經網絡的結構

     該模糊神經網絡為4層，如圖3所示。第l層為輸入層；第2層為模糊化層；第3層為模糊推理層；第4層為輸出層[6]。模糊神經網絡結構為2–6–6–3。

圖 3.  模糊RBF神經網絡的結構

     (l)輸入層。該層將輸入誤差e和系統(tǒng)實際輸出y(k)作為下一層的輸入?；罨瘮?shù)為：

     因此本層的輸出為e和y(k)

     (2)模糊化層?；罨瘮?shù)即為該隸屬度函數(shù)。因此，輸出為：

     其中，i=l，2;j=l，2，...6。c_ij和b_ij分別為高斯函數(shù)第i個輸入變量的第j個模糊集合的隸屬函數(shù)的均差和標準差。

    （3）模糊推理層。將上層中的模糊量經過兩兩相乘，得到這一層的輸出值。因此，本層的活化函數(shù)，即輸出為：

     這里 k=l，2，3，4，5，6。

     (4)輸出層。這一層要輸出的就是PID控制器的參數(shù)，本層的輸出值就是將權值以矩陣乘的方式，乘以第3層的輸出。因此，本層的輸出為：

     增量式PID控制的控制量為

     目標函數(shù)為：

     其中 r(k) 為期望輸出

3.2  學習速率的自適應調整

     根據網絡收斂性對學習速率采用在線自適應調整。即在收斂過程中，本次誤差大于上次誤差，減小學習速率增加的幅度重新迭代；反之，增大學習速率，即

這里 為初始網絡學習速率。

3.3  模糊神經網絡的學習算法

     由于系統(tǒng)都是時變、非線性的，因此神經網絡需要隨時調整權值，即隨時對wi(k)進行優(yōu)化。因此，需要對神經網絡進行在線調整。在這里采用負梯度方向搜索最小值的方法。

     這里 是動力因子    

3.4  基于RBF神經網絡的參數(shù)辨識

     長沖抽油機控制系統(tǒng)采用3層RBF神經網絡進行參數(shù)辨識,選取X(k)=[u(k),y(k),y(k-1)]T作為辨識網絡的輸入向量，y(k)為系統(tǒng)輸出的采樣值，即當前的電機輸出轉矩值，辨識網絡的輸出(如圖2)。PID控制器的輸出u(k)作為控制量同時傳遞給被控控制系統(tǒng)和RBF辨識網絡，根據實際輸出y(k+1)和辨識輸出的偏差來修正模糊RBF控制網絡的參數(shù)，RBF辨識網絡得到系統(tǒng)靈敏度信息 后對自身參數(shù)進行修正。

4.  仿真

     通過實驗對RBF神經網絡控制的長沖程抽油機的開關磁阻電機動態(tài)響應特性進行了研究。本實驗系統(tǒng)采用四相8/6極開關磁阻電機，電機參數(shù)為額定功率為30KW，額定轉速為1500r/min，圖4為在經典PID控制下的系統(tǒng)的動態(tài)響應過程，圖5為在本文提出的控制策略控制下系統(tǒng)的響應過程。圖6為模糊RBF神經網絡對PID參數(shù)的在線整定。表1為基于本文控制方法的長沖程抽油機開關磁阻電機的主要參數(shù)及現(xiàn)場測試報告。從表中可以看出控制系統(tǒng)的節(jié)能效果顯著。

圖4 系統(tǒng)動態(tài)響應曲線（傳統(tǒng)PID）

圖 5 系統(tǒng)動態(tài)響應曲線（本文方法）

圖 6  模糊RBF神經網絡對PID參數(shù)的在線整定

 表1  長沖程抽油機開關磁阻電機的主要參數(shù)及現(xiàn)場測試報告

5  結論（conclusion）

     神經網絡控制器特別適合于非線性性對象的自適應控制。本文將模糊理論，系統(tǒng)辨識和神經網絡相結合，并利用其調整PID參數(shù)的控制方法，使PID控制系統(tǒng)達到很好的控制性能，解決了普通PID控制器在控制時變、非線性系統(tǒng)中所出現(xiàn)的問題。通過網絡的在線辨識及網絡參數(shù)的在線調整，快速、準確地跟蹤系統(tǒng)運行狀態(tài)的變化，采用變學習速率的神經網絡學習訓練算法，大大加快了神經網絡的收斂速度。實驗表明系統(tǒng)動態(tài)特性好，節(jié)能效果顯著，具有較好的自適應性和魯棒性。