0 引言

　　目前, 我國油田的抽油機(jī)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(jī)1 萬臺以上，油田抽油機(jī)絕大多數(shù)仍采用游梁式抽油機(jī), 其特點是結(jié)構(gòu)簡單運行可靠，缺點是整機(jī)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(shè)備將是今后抽油機(jī)生產(chǎn)行業(yè)的發(fā)展趨勢和努力目標(biāo)[1]。由于長沖程抽油機(jī)具有效率高、質(zhì)量輕，傳動線路短，節(jié)能環(huán)保、適應(yīng)面廣等優(yōu)點，因此成為國內(nèi)近些年開發(fā)試驗推廣的熱點。

　　長沖程抽油機(jī)的開關(guān)磁阻電機(jī)磁路大都設(shè)計得比較飽和，其雙凸極結(jié)構(gòu)和開關(guān)控制方式導(dǎo)致了其高度的非線性特性。為適應(yīng)被控對象具有的非線性，采用變參數(shù)的自適應(yīng)PID控制策略。將人工神經(jīng)網(wǎng)絡(luò)與PID控制律相結(jié)合，充分發(fā)揮神經(jīng)網(wǎng)絡(luò)的自適應(yīng)、非線性映射能力和自學(xué)習(xí)能力形成一種自適應(yīng)能力很強(qiáng)的參數(shù)可調(diào)的神經(jīng)網(wǎng)絡(luò)PID控制策略。

　　本文在原PID控制器的基礎(chǔ)上，利用模糊RBF神經(jīng)網(wǎng)絡(luò)，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(xué)習(xí)速率加快網(wǎng)絡(luò)收斂速度和RBF在線辨識網(wǎng)絡(luò)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(diào)整控制器的參數(shù)，達(dá)到提高系統(tǒng)控制性能的目的。

　　1 長沖程抽油機(jī)的工作原理

　　新型長沖程直線抽油機(jī)采用開關(guān)磁阻電機(jī)(SRM)作為動力元件，其主要工作原理是通過減速機(jī)構(gòu)帶動驅(qū)動輪，進(jìn)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(jī)構(gòu)，整體效率大大提高，為抽油機(jī)的節(jié)能提供了可能性。長沖程抽油機(jī)結(jié)構(gòu)框圖如圖1。

　　圖1 長沖程抽油機(jī)結(jié)構(gòu)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(gòu)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(jīng)網(wǎng)絡(luò)PID控制器

　　基于RBF神經(jīng)網(wǎng)絡(luò)整定的PID控制系統(tǒng)結(jié)構(gòu)如圖2所示，通過調(diào)整網(wǎng)絡(luò)權(quán)值使控制器的參數(shù)達(dá)到最優(yōu)，采用變學(xué)習(xí)速率加快網(wǎng)絡(luò)收斂速度，RBF在線辨識網(wǎng)絡(luò)對抽油機(jī)的開關(guān)磁阻電機(jī)在線參數(shù)辨識，根據(jù)轉(zhuǎn)矩變化，實時調(diào)整控制器的參數(shù)。

　　圖 2. 基于RBF神經(jīng)網(wǎng)絡(luò)整定的PID控制系統(tǒng)結(jié)構(gòu)圖

　　3.1 模糊RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

　　該模糊神經(jīng)網(wǎng)絡(luò)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(luò)結(jié)構(gòu)為2–6–6–3。

　　圖 3. 模糊RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

　　(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(biāo)準(zhǔn)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(quán)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(biāo)函數(shù)為：

　　其中 r(k) 為期望輸出

　　3.2 學(xué)習(xí)速率的自適應(yīng)調(diào)整

　　根據(jù)網(wǎng)絡(luò)收斂性對學(xué)習(xí)速率采用在線自適應(yīng)調(diào)整。即在收斂過程中，本次誤差大于上次誤差，減小學(xué)習(xí)速率增加的幅度重新迭代;反之，增大學(xué)習(xí)速率，即

這里 為初始網(wǎng)絡(luò)學(xué)習(xí)速率。

　　3.3 模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法

　　由于系統(tǒng)都是時變、非線性的，因此神經(jīng)網(wǎng)絡(luò)需要隨時調(diào)整權(quán)值，即隨時對wi(k)進(jìn)行優(yōu)化。因此，需要對神經(jīng)網(wǎng)絡(luò)進(jìn)行在線調(diào)整。在這里采用負(fù)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(jīng)網(wǎng)絡(luò)的參數(shù)辨識長沖抽油機(jī)控制系統(tǒng)采用3層RBF神經(jīng)網(wǎng)絡(luò)進(jìn)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(luò)的輸入向量，y(k)為系統(tǒng)輸出的采樣值，即當(dāng)前的電機(jī)輸出轉(zhuǎn)矩值，辨識網(wǎng)絡(luò)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(luò)，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(luò)的參數(shù)，RBF辨識網(wǎng)絡(luò)得到系統(tǒng)靈敏度信息后對自身參數(shù)進(jìn)行修正。

　　4. 仿真

　　通過實驗對RBF神經(jīng)網(wǎng)絡(luò)控制的長沖程抽油機(jī)的開關(guān)磁阻電機(jī)動態(tài)響應(yīng)特性進(jìn)行了研究。本實驗系統(tǒng)采用四相8/6極開關(guān)磁阻電機(jī)，電機(jī)參數(shù)為額定功率為30KW，額定轉(zhuǎn)速為1500r/min，圖4為在經(jīng)典PID控制下的系統(tǒng)的動態(tài)響應(yīng)過程，圖5為在本文提出的控制策略控制下系統(tǒng)的響應(yīng)過程。圖6為模糊RBF神經(jīng)網(wǎng)絡(luò)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(jī)開關(guān)磁阻電機(jī)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(yīng)曲線(傳統(tǒng)PID)

　　圖 5 系統(tǒng)動態(tài)響應(yīng)曲線(本文方法)

　　圖 6 模糊RBF神經(jīng)網(wǎng)絡(luò)對PID參數(shù)的在線整定

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

　　5 結(jié)論(conclusion)

　　神經(jīng)網(wǎng)絡(luò)控制器特別適合于非線性性對象的自適應(yīng)控制。本文將模糊理論，系統(tǒng)辨識和神經(jīng)網(wǎng)絡(luò)相結(jié)合，并利用其調(diào)整PID參數(shù)的控制方法，使PID控制系統(tǒng)達(dá)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(luò)的在線辨識及網(wǎng)絡(luò)參數(shù)的在線調(diào)整，快速、準(zhǔn)確地跟蹤系統(tǒng)運行狀態(tài)的變化，采用變學(xué)習(xí)速率的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練算法，大大加快了神經(jīng)網(wǎng)絡(luò)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(yīng)性和魯棒性。