摘要：本文將神經(jīng)網(wǎng)絡與傳統(tǒng)PID控制方法相結合構成基于模糊RBF神經(jīng)網(wǎng)絡的自適應PID控制系統(tǒng)，將其應用于抽油機中非線性嚴重的開關磁阻電機。通過運用參數(shù)可調的模糊神經(jīng)網(wǎng)絡PID控制、變學習速率的學習算法等方法相結合的優(yōu)勢來改善控制系統(tǒng)的特性。實驗結果表明本控制系統(tǒng)具有動態(tài)響應速度快，超調小，魯棒性好，節(jié)能效果明顯等優(yōu)點。

關鍵詞：神經(jīng)網(wǎng)絡；開關磁阻電機；PID控制；節(jié)能

中途分類號：TP9文獻標識碼：B

0引言

目前,隨著我國大部分油田進入中后期開發(fā)階段及稠油井、低產(chǎn)井的增多和低產(chǎn)區(qū)的開發(fā)，為保證產(chǎn)量，油田對抽油機的需求量越來越大。我國油田的抽油機保有量在10萬臺以上,據(jù)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(chǎn)行業(yè)的發(fā)展趨勢和努力目標[1]。由于長沖程直線抽油機具有結構簡單、質量輕、傳動路線短、效率高、維修方便、節(jié)能環(huán)保、適應面廣等優(yōu)點,，因此長沖程抽油機成為國內(nèi)近些年開發(fā)試驗推廣的熱點[2]。

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(jīng)網(wǎng)絡與PID控制律相結合，充分發(fā)揮神經(jīng)網(wǎng)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(jīng)網(wǎng)絡PID控制策略[3~5]。

本文在原PID控制器的基礎上，利用模糊RBF神經(jīng)網(wǎng)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(wǎng)絡收斂速度和RBF在線辨識網(wǎng)絡對被控對象在線參數(shù)辨識，根據(jù)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[2]。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.神經(jīng)網(wǎng)絡PID控制器

基于神經(jīng)網(wǎng)絡整定的PID控制系統(tǒng)結構如圖2所示，通過調整網(wǎng)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(wǎng)絡收斂速度，RBF在線辨識網(wǎng)絡對抽油機的開關磁阻電機在線參數(shù)辨識，根據(jù)轉矩變化，實時調整控制器的參數(shù)[3]。

圖2.基于RBF神經(jīng)網(wǎng)絡整定的PID控制系統(tǒng)結構圖

3.1模糊RBF神經(jīng)網(wǎng)絡的結構

該模糊神經(jīng)網(wǎng)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(jīng)網(wǎng)絡結構為2–6–6–3。

圖3.模糊RBF神經(jīng)網(wǎng)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。cij和bij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(jīng)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(jù)網(wǎng)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(wǎng)絡學習速率。

3.3模糊神經(jīng)網(wǎng)絡的學習算法

由于系統(tǒng)都是時變、非線性的，因此神經(jīng)網(wǎng)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(jīng)網(wǎng)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y是動力因子

3.4基于RBF神經(jīng)網(wǎng)絡的參數(shù)辨識

長沖抽油機控制系統(tǒng)采用3層RBF神經(jīng)網(wǎng)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(wǎng)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(wǎng)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(wǎng)絡，根據(jù)實際輸出y(k+1)和辨識輸出的偏差來修正模糊RBF控制網(wǎng)絡的參數(shù)，RBF辨識網(wǎng)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(jīng)網(wǎng)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為在本文提出的控制策略控制下系統(tǒng)的響應過程。圖5為模糊RBF神經(jīng)網(wǎng)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1數(shù)據(jù)可以看出,使用開關磁阻電機驅動的節(jié)能型長沖程抽油機,在有功功率、無功功率兩方面均比已采用游梁式抽油機的節(jié)能效果顯著;在功率因數(shù)上也有進一步的提高;綜合節(jié)電率為40.64%。相對于普通抽油機,沖程和沖次都有很大提高,調修也非常容易,尤其是在節(jié)能方面展示出新型抽油機的諸多優(yōu)點。

圖4系統(tǒng)動態(tài)響應曲線（本文方法）

圖5模糊RBF神經(jīng)網(wǎng)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

5結論（conclusion）

神經(jīng)網(wǎng)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(jīng)網(wǎng)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(wǎng)絡的在線辨識及網(wǎng)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(jīng)網(wǎng)絡學習訓練算法，大大加快了神經(jīng)網(wǎng)絡的收斂速度。，通過MATLAB仿真器實驗表明系統(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。新型控制系統(tǒng)可大大提高抽油機工作效率，同時也具備了節(jié)能效果良好,得到業(yè)界很多關注。

參考文獻

[1]張曉東,賈國超，關于我國抽油機發(fā)展的幾點思考[J].石油礦場機械,vol.37,NO.1,24~27,2008.

[2]張志學.開關磁阻電機在節(jié)能長沖程抽油機的應用[J].石油礦場機械vol.38,NO.5,75-78,2009.

[3]夏長亮,修杰.基于RBF神經(jīng)網(wǎng)絡非線性預測模型的開關磁阻電機自適應PID控制[J].中國電機工程學報,,vol.27,NO.3,Jan,2007.

[4]Hecht-NielsenR.TheoryoftheBack-Propagation,NeuralNetwork[J].ProcIEEEonNeuralNetworks1989,Int'conf560-605.

[5]歐陽璐，黃友銳，黃宜慶.基于模糊RBF神經(jīng)網(wǎng)絡的PID及其應用[J].計算機工程，vol.34,NO.22,Nove,2008.

[6][張弘．基于模糊-RBF神經(jīng)網(wǎng)絡優(yōu)化的PID控制[J]．西安郵電學院學報，2007，12(5)：79-81(inChinese)．

[7]T.Lachman,T.R.Mohamad,andC.H.Fong.NonlinearModelingofSwitchedReluctanceMotorsUsingArtificialIntelligenceTechniques[J]IEEProl,-Electr,PowerAppl,vol.151,Jan,2004:53-60.

[8]ShufenQiandGuodongWang.PIDControlofSingleNeuronforSwitchReluctanceMotorBasedonRBFNeuralNetwork[J].IEEE(ICEEAC2010),vol.4,pp111-114,November,2010.