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

關鍵詞：神經網絡；開關磁阻電機；PID控制；節能

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階段及稠油井、低產井的增多和低產區的開發，為保證產量，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,據不完全統計，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,功率因數低，能耗較大。降低采油能耗、提高采油效率的新型節能型抽油設備將是今后抽油機生產行業的發展趨勢和努力目標[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、節能環保、適應面廣等優點,，因此長沖程抽油機成為國內近些年開發試驗推廣的熱點[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可調的神經網絡PID控制策略[3~5]。

本文在原PID控制器的基礎上，利用模糊RBF神經網絡，以系統實際輸出和系統誤差為輸入，整合出一組最優的PID參數，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辨識，根據被控對象的變化，實時調整控制器的參數，達到提高系統控制性能的目的。

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節、積分環節和微分環節將偏差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，其控制規則為：

在該文的系統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，積分常數，微分常數。

3.神經網絡PID控制器

基于神經網絡整定的PID控制系統結構如圖2所示，通過調整網絡權值使控制器的參數達到最優，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辨識，根據轉矩變化，實時調整控制器的參數[3]。

圖2.基于RBF神經網絡整定的PID控制系統結構圖

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和系統實際輸出y(k)作為下一層的輸入?；罨瘮禐椋?/p>

因此本層的輸出為e和y(k)

(2)模糊化層。活化函數即為該隸屬度函數。因此，輸出為：

其中，i=l，2;j=l，2，...6。cij和bij分別為高斯函數第i個輸入變量的第j個模糊集合的隸屬函數的均差和標準差。

（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，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，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y是動力因子

3.4基于RBF神經網絡的參數辨識

長沖抽油機控制系統采用3層RBF神經網絡進行參數辨識,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，RBF辨識網絡得到系統靈敏度信息后對自身參數進行修正。

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響應特性進行了研究。本實驗系統采用四相8/6極開關磁阻電機，電機參數為額定功率為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的響應過程。圖5為模糊RBF神經網絡對PID參數的在線整定。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及現場測試報告。從表1數據可以看出,使用開關磁阻電機驅動的節能型長沖程抽油機,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能效果顯著;在功率因數上也有進一步的提高;綜合節電率為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,尤其是在節能方面展示出新型抽油機的諸多優點。

圖4系統動態響應曲線（本文方法）

圖5模糊RBF神經網絡對PID參數的在線整定

表1長沖程抽油機開關磁阻電機的主要參數及現場測試

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，系統辨識和神經網絡相結合，并利用其調整PID參數的控制方法，使PID控制系統達到很好的控制性能，解決了普通PID控制器在控制時變、非線性系統中所出現的問題。通過網絡的在線辨識及網絡參數的在線調整，快速、準確地跟蹤系統運行狀態的變化，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。，通過MATLAB仿真器實驗表明系統動態特性好，節能效果顯著，具有較好的自適應性和魯棒性。新型控制系統可大大提高抽油機工作效率，同時也具備了節能效果良好,得到業界很多關注。

參考文獻

[1]張曉東,賈國超，關于我國抽油機發展的幾點思考[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神經網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神經網絡的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神經網絡優化的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.