摘要：根據鉆桿自動排放系統存在的非線性特性和保證排放運動速度的平穩性。構造了一種適用于過程辨識的模糊神經網絡PID，來辨識操作機的對象模型，為動態規劃提供非線性關系模型。采用模糊神經網絡控制器和魯棒控制器相結合的實時控制器來保證閉環系統的穩定性和良好的控制效果。仿真表明改進的模糊神經網絡PID控制器動態響應速度快，超調小，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。隨著作業水深的增加,鉆井所需的鉆桿數量相應增加,鉆井作業時間和作業費用隨之也相應增加。傳統鉆桿操作方法現已無法解決所遇問題,唯采用機械化、自動化鉆桿操作系統。目前,鉆桿自動排放系統。已在深海鉆機中得到廣泛應用，在改進鉆井作業的安全性和經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，于是產生了鉆桿自動排放系統。目前，該系統已在深水及超深水海洋鉆機中得到廣泛應用，在改進鉆井作業的安全性和經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。因在海上鉆井作業中常遇風浪，工作環境惡劣，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  鉆桿自動排放系統介紹

海洋平臺機械手實際系統存在嚴重的非線性，對系統的參數變化比較敏感，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，使得控制精度降低，存在超調。模糊神經網絡PID控制器，采用動態遞歸神經網絡(即ELman網絡)對系統的模型進行辨識,將模糊控制與神經網絡相結合,通過神經網絡來實現模糊邏輯,同時利用了神經網絡的自學習能力,可動態調整隸屬度函數、在線優化控制規則,并利用模糊神經網絡在線調整PID控制參數,使控制器既能具有模糊神經網絡的自學習能力,又能充分利用PID的控制優勢。當NNI有偏差或學習尚未完全收斂時,利用魯棒反饋控制器,保證了模糊神經網絡學習初期閉環系統的穩定性。

鉆桿自動排放控制系統主要分為；邏輯控制部分和閉環控制部分。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，然后通過電液伺服系統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。其閉環控制部分工作原理圖如圖1所示。

圖1鉆桿自動排放系統閉環控制原理圖

2  改進的模糊神經網絡PID控制

2.1控制系統結構

結合鉆桿自動排放系統構建控制系統結構如圖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。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。活化函數為：

因此本層的輸出為e和y(k)

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。

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。

2.3動態遞歸網絡模型辨識

利用網絡的內部狀態反饋來描述系統的非線性動力學行為，在線辨識鉆桿自動排放系統的模型。一個三層的遞歸神經網絡如圖4所示。

圖4遞歸神經網絡結構

網絡的隱含層節點具有動態遞歸連接關系,其輸入輸出關系:

輸入層：

隱含層：

輸出層：

式中：Xi(k)———網絡的輸入節點；Sj(k)，Hj(k)———隱含層的輸入與輸出；y^(k)———網絡輸出；f(x)———激活函數，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。定義網絡權值調整的函數為：

式中:y(k)———實際系統輸出;y^(k)———網絡輸出。

利用梯度下降法可以求得動態遞歸網絡權值的調整式：

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

為保證閉環系統的穩定性和良好的控制效果,實時控制器由一個模糊神經網絡控制器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；Em為NNI輸出與系統實際輸出之差的平方。

2.4PID控制算法

控制器算法為：

傳統增量式PID控制算法：

3  鉆桿自動排放系統仿真研究

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

圖5系統階躍響應曲線

圖5為采用常規PID控制和改進的模糊神經網絡PID控制時，系統階躍信號的響應曲線。由圖5可見，改進的模糊神經網絡PID控制能很好地抑制系統的超調，響應快、穩態誤差小，性能遠優于常規PID控制。圖6為常規PID控制器和改進模糊神經網絡PID控制器對正弦信號跟蹤的誤差響應曲線，通過對比可知：模糊神經網絡PID控制器在動態性能方面明顯優于常規PID控制器，可將正弦響應誤差從0.02rad降至0.001rad。

（a）PID控制                                                                  （b）神經網絡PID控制

圖6系統正弦誤差響應曲線

4  結論

本文中改進的模糊神經網絡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，本系統能縮短調節時間，加快響應速度，提高穩定精度，具有良好的魯棒性，能滿足非線性系統的要求，并具有現實應用價值。