模糊神經(jīng)網(wǎng)絡在海洋鉆井中的應用

文:青島橡膠輪胎設計院 王紹媛2018年第五期

    摘要:根據(jù)鉆桿自動排放系統(tǒng)存在的非線性特性和保證排放運動速度的平穩(wěn)性。構造了一種適用于過程辨識的模糊神經(jīng)網(wǎng)絡PID,來辨識操作機的對象模型,為動態(tài)規(guī)劃提供非線性關系模型。采用模糊神經(jīng)網(wǎng)絡控制器和魯棒控制器相結合的實時控制器來保證閉環(huán)系統(tǒng)的穩(wěn)定性和良好的控制效果。仿真表明改進的模糊神經(jīng)網(wǎng)絡PID控制器動態(tài)響應速度快,超調(diào)小,魯棒性好,精度高。

關鍵詞:鉆井;模糊控制;PID控制;魯棒控制

中途分類號:TP9文獻標識碼:B

ApplicationResearchofOffshoreDrillingBasedonFuzzyNeuralNetwork

WANGShaoYuan

(QingdaoInstituteofRubberTires,Qingdao266042,China)

前言

    隨著對油氣資源的需求,各國已將注意力逐漸轉向深海。隨著作業(yè)水深的增加,鉆井所需的鉆桿數(shù)量相應增加,鉆井作業(yè)時間和作業(yè)費用隨之也相應增加。傳統(tǒng)鉆桿操作方法現(xiàn)已無法解決所遇問題,唯采用機械化、自動化鉆桿操作系統(tǒng)。目前,鉆桿自動排放系統(tǒng)。已在深海鉆機中得到廣泛應用,在改進鉆井作業(yè)的安全性和經(jīng)濟性等方面取得了巨大成功。

    在鉆井過程中,需要將鉆桿從平臺甲板傳送到二層平臺上,并不斷地將單根鉆桿接成立根并將立根接到鉆柱上,使鉆進過程持續(xù)進行。為了更換鉆頭和在鉆柱底部安裝測試或其他設備,需頻繁地將鉆柱從井眼中提出來,安裝完新鉆頭或者其他設備后,需要將鉆桿下放到井眼中。上述過程中伴隨著頻繁的鉆桿排放操作,這是一個重復性高并且勞動強度大的過程。

    在20世紀40年代,人們就開始探索起下鉆操作的機械化方法,于是產(chǎn)生了鉆桿自動排放系統(tǒng)。目前,該系統(tǒng)已在深水及超深水海洋鉆機中得到廣泛應用,在改進鉆井作業(yè)的安全性和經(jīng)濟性等方面取得了巨大成功。在起下鉆過程中需要將鉆桿從井口移送到鉆桿排放架或從排放架移送到井口,即鉆桿的排放操作。此操作的特點具有危險性,是一個重復性高且勞動強度大的過程,需花費大量時間,并需多人合作共同完成。因在海上鉆井作業(yè)中常遇風浪,工作環(huán)境惡劣,安全情況更為突出。同時,海上鉆井成本很高。因此,加快鉆井速度,縮短鉆井周期顯得尤為重要。

1  鉆桿自動排放系統(tǒng)介紹

    海洋平臺機械手實際系統(tǒng)存在嚴重的非線性,對系統(tǒng)的參數(shù)變化比較敏感,難以做到準確定位;另外由于機械精度方面的原因還存在和一定的死區(qū),使得控制精度降低,存在超調(diào)。模糊神經(jīng)網(wǎng)絡PID控制器,采用動態(tài)遞歸神經(jīng)網(wǎng)絡(即ELman網(wǎng)絡)對系統(tǒng)的模型進行辨識,將模糊控制與神經(jīng)網(wǎng)絡相結合,通過神經(jīng)網(wǎng)絡來實現(xiàn)模糊邏輯,同時利用了神經(jīng)網(wǎng)絡的自學習能力,可動態(tài)調(diào)整隸屬度函數(shù)、在線優(yōu)化控制規(guī)則,并利用模糊神經(jīng)網(wǎng)絡在線調(diào)整PID控制參數(shù),使控制器既能具有模糊神經(jīng)網(wǎng)絡的自學習能力,又能充分利用PID的控制優(yōu)勢。當NNI有偏差或學習尚未完全收斂時,利用魯棒反饋控制器,保證了模糊神經(jīng)網(wǎng)絡學習初期閉環(huán)系統(tǒng)的穩(wěn)定性。

    鉆桿自動排放控制系統(tǒng)主要分為;邏輯控制部分和閉環(huán)控制部分。其工作過程分為鉆桿甲板操作、鉆桿傳送操作、鉆桿上下鉆臺操作、鉆桿鉆臺排放操作和鉆桿單根接立根操作五個部分。其主要工作原理為由上位機輸入位置信號給電液伺服系統(tǒng),然后通過電液伺服系統(tǒng)控制機械手的位置定位、抓取、下方并由傳感器實時傳輸機械手位置信號。其閉環(huán)控制部分工作原理圖如圖1所示。

圖1鉆桿自動排放系統(tǒng)閉環(huán)控制原理圖

2  改進的模糊神經(jīng)網(wǎng)絡PID控制

2.1控制系統(tǒng)結構

結合鉆桿自動排放系統(tǒng)構建控制系統(tǒng)結構如圖2所示,將機械手位置作為被控制量。

圖2改進的模糊神經(jīng)PID控制結構圖

圖中e和ec分別為誤差和誤差變化率,輸入r為機械手位置,輸出y為機械手實際輸出。

2.2模糊神經(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。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)

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。

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。

2.3動態(tài)遞歸網(wǎng)絡模型辨識

    利用網(wǎng)絡的內(nèi)部狀態(tài)反饋來描述系統(tǒng)的非線性動力學行為,在線辨識鉆桿自動排放系統(tǒng)的模型。一個三層的遞歸神經(jīng)網(wǎng)絡如圖4所示。

圖4遞歸神經(jīng)網(wǎng)絡結構

網(wǎng)絡的隱含層節(jié)點具有動態(tài)遞歸連接關系,其輸入輸出關系:

輸入層:

隱含層:

輸出層:

式中:Xi(k)———網(wǎng)絡的輸入節(jié)點;Sj(k),Hj(k)———隱含層的輸入與輸出;y^(k)———網(wǎng)絡輸出;f(x)———激活函數(shù),f(x)=1(1+e-x);w1ij,w2j,w3j———輸入層到隱含層,遞歸到輸出之間的連接權向量;k=1,…,m,m為學習模式對數(shù)。定義網(wǎng)絡權值調(diào)整的函數(shù)為:

式中:y(k)———實際系統(tǒng)輸出;y^(k)———網(wǎng)絡輸出。

利用梯度下降法可以求得動態(tài)遞歸網(wǎng)絡權值的調(diào)整式:

因此被控對象的梯度信息為:

上式中:

。式(1)和(2)是隨時間變化的非線性動態(tài)遞歸方程,可通過已知初始條件:

遞歸求得。

2.3魯棒控制器

    為保證閉環(huán)系統(tǒng)的穩(wěn)定性和良好的控制效果,實時控制器由一個模糊神經(jīng)網(wǎng)絡控制器NNC和一個魯棒控制器RC組成。這兩個控制器的輸出信號通過加權綜合后,作為系統(tǒng)的控制輸入,構成一個變魯棒控制器u(k):

式中:un(k)為NNC的輸出;ur(k)為魯棒控制器的輸出;γ為系統(tǒng)模型NNI的辨識精度,稱為魯棒因子。γ的表達形式為:

式中:τ為魯棒因子的變魯棒系數(shù);Em為NNI輸出與系統(tǒng)實際輸出之差的平方。

2.4PID控制算法

控制器算法為:

傳統(tǒng)增量式PID控制算法:

3  鉆桿自動排放系統(tǒng)仿真研究

    為了驗證所提出的模糊神經(jīng)網(wǎng)絡PID控制算法的有效性,在MATLAB中創(chuàng)建模糊神經(jīng)網(wǎng)絡,利用隸屬函數(shù)和模糊規(guī)則將抽象的模糊規(guī)則轉化為模糊神經(jīng)網(wǎng)絡的訓練樣本,隱層采用在任意點可微的Tansig作為傳遞函數(shù),輸出層采用常用非負的Sigmoid函數(shù)。

圖5系統(tǒng)階躍響應曲線

    圖5為采用常規(guī)PID控制和改進的模糊神經(jīng)網(wǎng)絡PID控制時,系統(tǒng)階躍信號的響應曲線。由圖5可見,改進的模糊神經(jīng)網(wǎng)絡PID控制能很好地抑制系統(tǒng)的超調(diào),響應快、穩(wěn)態(tài)誤差小,性能遠優(yōu)于常規(guī)PID控制。圖6為常規(guī)PID控制器和改進模糊神經(jīng)網(wǎng)絡PID控制器對正弦信號跟蹤的誤差響應曲線,通過對比可知:模糊神經(jīng)網(wǎng)絡PID控制器在動態(tài)性能方面明顯優(yōu)于常規(guī)PID控制器,可將正弦響應誤差從0.02rad降至0.001rad。

(a)PID控制     

                        (b)神經(jīng)網(wǎng)絡PID控制                      

圖6系統(tǒng)正弦誤差響應曲線

4  結論

    本文中改進的模糊神經(jīng)網(wǎng)絡PID控制器與魯棒控制器相結合,通過MATLAB仿真器實驗,實驗結果表明,本系統(tǒng)能縮短調(diào)節(jié)時間,加快響應速度,提高穩(wěn)定精度,具有良好的魯棒性,能滿足非線性系統(tǒng)的要求,并具有現(xiàn)實應用價值。

中傳動網(wǎng)版權與免責聲明:

凡本網(wǎng)注明[來源:中國傳動網(wǎng)]的所有文字、圖片、音視和視頻文件,版權均為中國傳動網(wǎng)(m.u63ivq3.com)獨家所有。如需轉載請與0755-82949061聯(lián)系。任何媒體、網(wǎng)站或個人轉載使用時須注明來源“中國傳動網(wǎng)”,違反者本網(wǎng)將追究其法律責任。

本網(wǎng)轉載并注明其他來源的稿件,均來自互聯(lián)網(wǎng)或業(yè)內(nèi)投稿人士,版權屬于原版權人。轉載請保留稿件來源及作者,禁止擅自篡改,違者自負版權法律責任。

如涉及作品內(nèi)容、版權等問題,請在作品發(fā)表之日起一周內(nèi)與本網(wǎng)聯(lián)系,否則視為放棄相關權利。

伺服與運動控制

關注伺服與運動控制公眾號獲取更多資訊

直驅與傳動

關注直驅與傳動公眾號獲取更多資訊

中國傳動網(wǎng)

關注中國傳動網(wǎng)公眾號獲取更多資訊

熱搜詞
  • 運動控制
  • 伺服系統(tǒng)
  • 機器視覺
  • 機械傳動
  • 編碼器
  • 直驅系統(tǒng)
  • 工業(yè)電源
  • 電力電子
  • 工業(yè)互聯(lián)
  • 高壓變頻器
  • 中低壓變頻器
  • 傳感器
  • 人機界面
  • PLC
  • 電氣聯(lián)接
  • 工業(yè)機器人
  • 低壓電器
  • 機柜
回頂部
點贊 0
取消 0
往期雜志
  • 2024年第四期

    2024年第四期

    伺服與運動控制

    2024年第四期

  • 2024年第三期

    2024年第三期

    伺服與運動控制

    2024年第三期

  • 2024年第二期

    2024年第二期

    伺服與運動控制

    2024年第二期

  • 2024年第一期

    2024年第一期

    伺服與運動控制

    2024年第一期

  • 2023年第六期

    2023年第六期

    伺服與運動控制

    2023年第六期