RBF神经网络在抽油机节能控制系统中的应用

　　0 引言

　　目前, 我国油田的抽油机保有量在10万台以上, 据不完全统计，近年来全国每年需新增抽油机1 万台以上，油田抽油机绝大多数仍采用游梁式抽油机, 其特点是结构简单运行可靠，缺点是整机效率很低, 功率因数低，能耗较大。降低采油能耗、提高采油效率的新型节能型抽油设备将是今后抽油机生产行业的发展趋势和努力目标[1]。由于长冲程抽油机具有效率高、质量轻，传动线路短，节能环保、适应面广等优点，因此成为国内近些年开发试验推广的热点。

　　长冲程抽油机的开关磁阻电机磁路大都设计得比较饱和，其双凸极结构和开关控制方式导致了其高度的非线性特性。为适应被控对象具有的非线性，采用变参数的自适应PID控制策略。将人工神经网络与PID控制律相结合，充分发挥神经网络的自适应、非线性映射能力和自学习能力形成一种自适应能力很强的参数可调的神经网络PID控制策略。

　　本文在原PID控制器的基础上，利用模糊RBF神经网络，以系统实际输出和系统误差为输入，整合出一组最优的PID参数，采用变学习速率加快网络收敛速度和RBF在线辨识网络对被控对象在线参数辨识，根据被控对象的变化，实时调整控制器的参数，达到提高系统控制性能的目的。

　　1 长冲程抽油机的工作原理

　　新型长冲程直线抽油机采用开关磁阻电机(SRM)作为动力元件，其主要工作原理是通过减速机构带动驱动轮，进而通过牵引绳，带动配重箱和油杆上升、下降来抽汲油液，极大地简化了传动机构，整体效率大大提高，为抽油机的节能提供了可能性。长冲程抽油机结构框图如图1。

　　图1 长冲程抽油机结构框图

　　2. 普通PID控制器

　　普通PID控制器主要是由比例环节、积分环节和微分环节将偏差e=给定值—实际输出值，通过线性组合构成控制量，控制器的输出u，其控制规则为：

　　在该文的系统中采用的是一种增量式PID控制算法：

　　其中e(k)为k时刻的偏差;Kp，KI，Kd分别为比例常数，积分常数，微分常数。

　　3. RBF神经网络PID控制器

　　基于RBF神经网络整定的PID控制系统结构如图2所示，通过调整网络权值使控制器的参数达到最优，采用变学习速率加快网络收敛速度，RBF在线辨识网络对抽油机的开关磁阻电机在线参数辨识，根据转矩变化，实时调整控制器的参数。

　　图 2. 基于RBF神经网络整定的PID控制系统结构图

　　3.1 模糊RBF神经网络的结构

　　该模糊神经网络为4层，如图3所示。第l层为输入层;第2层为模糊化层;第3层为模糊推理层;第4层为输出层[6]。模糊神经网络结构为2–6–6–3。

　　图 3. 模糊RBF神经网络的结构

　　(l)输入层。该层将输入误差e和系统实际输出y(k)作为下一层的输入。活化函数为：

　　因此本层的输出为e和y(k)

　　(2)模糊化层。活化函数即为该隶属度函数。因此，输出为：

　　其中，i=l，2;j=l，2，...6。cij和bij分别为高斯函数第i个输入变量的第j个模糊集合的隶属函数的均差和标准差。

　　(3)模糊推理层。将上层中的模糊量经过两两相乘，得到这一层的输出值。因此，本层的活化函数，即输出为：

　　这里 k=l，2，3，4，5，6。

　　(4)输出层。这一层要输出的就是PID控制器的参数，本层的输出值就是将权值以矩阵乘的方式，乘以第3层的输出。因此，本层的输出为：

　　增量式PID控制的控制量为

　　目标函数为：

　　其中 r(k) 为期望输出

　　3.2 学习速率的自适应调整

　　根据网络收敛性对学习速率采用在线自适应调整。即在收敛过程中，本次误差大于上次误差，减小学习速率增加的幅度重新迭代;反之，增大学习速率，即

这里 为初始网络学习速率。

　　3.3 模糊神经网络的学习算法

　　由于系统都是时变、非线性的，因此神经网络需要随时调整权值，即随时对wi(k)进行优化。因此，需要对神经网络进行在线调整。在这里采用负梯度方向搜索最小值的方法。

这里是动力因子

　　3.4 基于RBF神经网络的参数辨识长冲抽油机控制系统采用3层RBF神经网络进行参数辨识,选取X(k)=[u(k),y(k),y(k-1)]T作为辨识网络的输入向量，y(k)为系统输出的采样值，即当前的电机输出转矩值，辨识网络的输出 (如图2)。PID控制器的输出u(k)作为控制量同时传递给被控控制系统和RBF辨识网络，根据实际输出y(k+1)和辨识输出的偏差来修正模糊RBF控制网络的参数，RBF辨识网络得到系统灵敏度信息后对自身参数进行修正。

　　4. 仿真

　　通过实验对RBF神经网络控制的长冲程抽油机的开关磁阻电机动态响应特性进行了研究。本实验系统采用四相8/6极开关磁阻电机，电机参数为额定功率为30KW，额定转速为1500r/min，图4为在经典PID控制下的系统的动态响应过程，图5为在本文提出的控制策略控制下系统的响应过程。图6为模糊RBF神经网络对PID参数的在线整定。表1为基于本文控制方法的长冲程抽油机开关磁阻电机的主要参数及现场测试报告。从表中可以看出控制系统的节能效果显著。

　　图4 系统动态响应曲线(传统PID)

　　图 5 系统动态响应曲线(本文方法)

　　图 6 模糊RBF神经网络对PID参数的在线整定

　　表1 长冲程抽油机开关磁阻电机的主要参数及现场测试报告

　　5 结论(conclusion)

　　神经网络控制器特别适合于非线性性对象的自适应控制。本文将模糊理论，系统辨识和神经网络相结合，并利用其调整PID参数的控制方法，使PID控制系统达到很好的控制性能，解决了普通PID控制器在控制时变、非线性系统中所出现的问题。通过网络的在线辨识及网络参数的在线调整，快速、准确地跟踪系统运行状态的变化，采用变学习速率的神经网络学习训练算法，大大加快了神经网络的收敛速度。实验表明系统动态特性好，节能效果显著，具有较好的自适应性和鲁棒性。