一种基于模糊神经网络的旋转导向电机调速方法与流程

本发明涉及石油、天然气钻井设备技术领域，尤其是应用于旋转导向领域且基于模糊神经网络pid控制器的一种基于模糊神经网络的旋转导向电机调速方法。

背景技术：

旋转导向钻井技术是迈向自动化、智能化钻井的重要标志，是以井下闭环控制系统为核心的三维井眼轨迹控制钻井技术，代表了当今油气钻井工程的领先水平。近几年，国外在水平井、大位移井、三维多目标井钻井，尤其针对北美页岩气井，广泛推广应用旋转导向钻井技术，既提高了钻井速度，减少了事故，也降低了钻井成本，达到了降本增效的目的。

旋转导向系统按导向方式可分为推靠式和指向式。推靠式旋转导向系统主要利用导向块推靠井壁，从而对钻头产生侧向力，推动钻头离开该方向，以达到改变井斜和方位的目的。指向式旋转导向系统通过外套与旋转主轴之间的偏置机构使主轴偏置，从而为钻头提供一个与井眼轴线不一致的倾角，产生导向作用。由于指向式较于推靠式，工作时不推靠井壁，因此指向式旋转导向钻井系统钻出的井眼轨迹更为平滑，井眼质量更好，成为目前旋转导向系统技术的发展方向。

偏心轴电机是指向式旋转导向系统的关键导向部件之一。偏心轴电机输出扭矩，通过齿轮减速箱驱动偏心轴转动，偏心轴又通过偏心安装的轴承与钻头驱动轴相连接，带动钻头转动。偏心轴转动方向与钻铤相反，当二者转速一致时，偏心轴相对于大地为不旋转体，此时工具面角不变。因此，为改变工具面，偏心轴电机需提高或降低转速，与钻铤转速产生一定的偏差，当达到预期工具面后，偏心轴电机再次保持与钻铤相同的转速，使新工具面稳定。与常规电机转速单速度闭环控制不同，指向式旋转导向系统要求在只控制偏心轴转速的情况下，控制偏心轴转速在能达到钻铤转速的同时，工具面也能达到希望控制的位置，即同时实现转速速度环与工具面角位置环的双闭环控制。

目前已有的旋转导向系统偏心轴电机转速在线调速pid系统工作状态不稳定，抗干扰能力弱。因此，研制一种基于模糊神经网络的旋转导向电机调速方法，以克服上述缺陷。

技术实现要素：

本发明的目的在于弥补现有技术的不足之处，提供一种基于模糊神经网络的旋转导向电机调速方法，其计算精度高、抗干扰能力强、模型结构自动更新和优化、推广性能好，而且集合了模糊控制与神经网络的优点，既能利用有限的模糊规则信息进行模糊逻辑推理，还有对非线性系统很好的逼近能力，在解决非线性、大时滞的问题上有很好的效果。

为了解决上述技术问题，本发明采用如下技术方案：

一种基于模糊神经网络的旋转导向电机调速方法，包括以下步骤：

步骤s1、计算指向式旋转导向系统已钻井眼轨迹和设计井眼轨迹之间的几何偏移矢量；

步骤s2、根据计算得出的几何偏移矢量，对指向式旋转导向系统偏心轴电机的角速度进行pid控制调节。

进一步地，所述步骤s1的具体过程如下：

步骤s11、计算指向式旋转导向系统已钻井眼曲率k；

步骤s12、计算指向式旋转导向系统已钻井眼轨迹的装置角tfapath；

步骤s13、计算旋转导向系统位置偏移矢量ac’以及旋转导向系统工具的工具面tfarss。

进一步地，所述步骤s2的具体过程如下：

步骤s21、采用常规的pid控制器对控制对象进行闭环控制，由模糊神经网络对pid控制器的3个参数进行在线调整，从而实现pid控制器控制参数的自适应控制；

步骤s22、建立模糊神经网络；模糊神经网络包括输入层、隶属函数层、模糊推理层、归一化层、输出层；其中，

输入层用于将偏心轴电机转速的转速误差e和转速误差变化率△e传递到隶属函数层；

隶属函数层用于负责对输入变量进行模糊化处理，计算输入层的各个分量相对于各个语言变量值模糊集合的隶属度函数；

模糊推理层中的每个节点分别表示已知模糊规则库中的一条模糊规则，该层用于确定模糊规则的匹配情况，并计算出各个模糊规则的适应度；

归一化层的节点数与模糊推理层的节点数相同，该层用于实现归一化运算；

输出层是将pid控制器的三个指标比例系数kp、积分系数ki、微分增益系数kd作为输出，进行清晰化运算；

步骤s23、对模糊神经网络结构参数的优化；模糊神经网络参数隶属高斯函数的均值、标准差和网络连接权值通过随机梯度下降的训练方法，对参数不断调整，实现对旋转导向系统工具的工具面的实时环节与时滞环节进行非线性精准控制。

进一步地，所述步骤s23的具体过程如下：

步骤s231、初始化；粒子群初始化包括设置粒子数、粒子初始位置、速度、惯性因子、加速因子、最大迭代次数；

步骤s232、采用粒子群算法改进模糊神经网络结构参数最优解；

步骤s233、循环次数增1；若满足最优解条件，则得到改进的最优个体；

步骤s234、如果进化满足最大迭代次数，便停止迭代过程，同时得出模糊神经网络结构参数最优解，否则将跳至步骤s232进行循环执行。

与现有技术相比，本发明的有益效果是：

(1)与常规控制方法相比，本实施例的实时环节上升时间、时滞环节上升时间大大缩短，使得模糊神经网络具有更好的鲁棒性和跟踪能力，更加适合在线训练学习；

(2)利用该控制方法对指向式旋转导向系统偏心轴电机转速处理后，在保证实时环节调节时间符合要求时，也可减少实时环节超调量。

附图说明

为了使本发明的优点更容易理解，将通过参考在附图中示出的具体实施方式更详细地描述上文简要描述的本发明。可以理解这些附图只描绘了本发明的典型实施方式，因此不应认为是对其保护范围的限制，通过附图以附加的特性和细节描述和解释本发明。

图1为本发明提供的关于一种基于模糊神经网络的旋转导向电机调速方法的流程图；

图2为本发明提供的关于一种基于模糊神经网络的旋转导向电机调速方法的模糊神经网络结构；

图3为本发明提供的关于一种基于模糊神经网络的旋转导向电机调速方法的旋转导向系统工具计算示意图；

图4为本发明提供的关于一种基于模糊神经网络的旋转导向电机调速方法的旋转导向系统工具偏移矢量计算示意图；

图5为本发明提供的关于一种基于模糊神经网络的旋转导向电机调速方法的粒子群算法流程图；

图6为本发明提供的关于一种基于模糊神经网络的旋转导向电机调速方法的效果图。

具体实施方式

在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员来说显而易见的是，本发明实施方式可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本发明实施方式发生混淆，对于本领域公知的一些技术特征未进行描述。

为了彻底了解本发明实施方式，将在下列的描述中提出详细的结构。显然，本发明实施方式的施行并不限定于本领域的技术人员所熟习的特殊细节。本发明的较佳实施方式详细描述如下，然而除了这些详细描述外，本发明还可以具有其他实施方式。

下面结合附图对本发明的实施例作进一步详细的说明：

本发明提供了基于模糊神经网络pid控制器的一种基于模糊神经网络的旋转导向电机调速方法，其示意图如图1所示。

步骤s1：计算指向式旋转导向系统已钻井眼轨迹和设计井眼轨迹之间的偏移矢量。

进一步地，步骤s11：计算指向式旋转导向系统已钻井眼曲率k；旋转导向偏置机构与mwd工具相配合使用，构成旋转导向系统，可以实时测量装置角，可以控制工具装置角不变，因此旋转导向系统采用的是圆柱螺线模式，钻出的井眼轨迹属于恒装置角曲线，曲线上任意一点的曲率不变，都等于曲线的平均曲率；

圆柱螺线模式井眼曲率的计算公式为：

其中，k为井眼曲率，kinc为井斜变化率，kazi为井斜方位变化率。

进一步地，步骤s12：计算指向式旋转导向系统已钻井眼轨迹的装置角；

其中，inc1、inc2分别为曲线上始点井斜角、终点井斜角；azi1、azi2分别为曲线上始点方位角、终点方位角。

进一步地，步骤s13：计算旋转导向系统位置偏移矢量；位置偏移矢量表示实际井眼轨迹与设计井眼轨迹在空间位置上的几何偏移矢量。

建立井口坐标系，o-xyz(o-neh),on沿正北方向，oe沿正东方向，oh沿重力方向，则井眼曲线上任意一点的位置和方向都可以用位置参数(x,y,z)井深l、井斜角inc和井斜方位角azi唯一确定表示：

即x＝x(l),y＝y(l),z＝z(l),inc＝inc(l),azi＝azi(l)。

在实际井眼轨迹控制过程中，出现偏移矢量ab,需要改变旋转导向系统工具的装置角，使其沿着ab的方向钻进，但是在钻进过程中井深也随着增加，所以实际逼近的点不是b点，而是比b点更深的c点，b点井深lb和c点井深lc根据具体情况从设计井眼轨迹中进行选定，间距不宜过大。c点的位置和方位参数已经确定，将其投影在偏移平面得到c’,ac’为实际偏移矢量，ta为a点的切线方向，其单位矢量可以表示为：

ta＝sinincacosaziai+sinincasinaziaj+cosaziak(3)

其中，i、j、k分别表示x、y、z的单位方向向量；

设偏移平面上任意一点的坐标为(x,y,z),则偏移平面可以表示为：

sinincacosazia(x-xa)+sinincasinazia(y-ya)+cosazia(z-za)＝0(4)

a点与c’点的偏移矢量为：

ε＝(xc'-xa)i+(yc'-ya)j+(zc'-za)k(5)

偏移矢量的模为：

旋转导向系统工具的装置角为偏移矢量ac’与a点处井眼高边ηa的夹角，可以表示为：

ac’与ηa的计算原理如图3和图4所示：

c点在偏移平面的投影c’(xc’,yc’,zc’)满足如下方程：

sinincacosazia(xc'-xa)+sinincasinazia(yc'-ya)+cosazia(zc'-za)＝0(8)

偏移矢量ac’为：

ac'＝(xc'-xa)i+(yc'-ya)j+(zc'-za)k(10)

由井眼高边定义可知，过井眼高边ηa的平面i与z轴平行，并且与偏移平面垂直，即满足：

ηa＝ta×r(11)

其中r为平面i的法平面，ta为偏移平面的法平面；

其中a＝sinincacosazia，b＝sinincasinazia，c＝cosazia；

联立式(7)、(11)、(12)所得：

其中a点的位置参数和方向参数已知，c点的位置参数可以由(8)(9)的得出。

步骤s2：根据计算得出的几何偏移矢量，对指向式旋转导向系统偏心轴电机的角速度进行pid控制调节，在旋转导向系统工具的工具面角达到目标工具面角后，偏心轴电机转速与钻铤转速保持一致。

进一步地，步骤s21：采用常规的pid控制器对控制对象进行闭环控制，由模糊神经网络对pid控制器的3个参数进行在线调整，从而实现pid控制器控制参数的自适应控制；

其输出信号：

其中kp,ki,kd,e分别为pid控制器控制的比例系数、积分系数、微分增益系数和误差。

进一步地，步骤s22：建立模糊神经网络，其结构图如图2所示；模糊神经网络是由输入层、隶属函数层、模糊推理层、归一化层、输出层五层神经网络组成；

其中，输入层的目的是为了将转速误差e和转速误差变化率△e传递到隶属函数层，由输入层传至第二层，可以表示为：

yi⁽¹⁾＝xi⁽¹⁾i＝1,2；x1＝e；x2＝δe(15)

隶属函数层(模糊化层)主要负责对输入变量进行模糊化处理，每个输入变量均分别表示为模糊子集{nb、nm、ns、zo、ps、pm、pb}，其中，nb、pb分别代表为负大、正大，nm、pm分别代表负中、正中，ns、ps分别代表负小、正小，zo为零；隶属函数层用于计算输入层的各个分量相对于各个语言变量值模糊集合的隶属度函数，这里隶属度函数采取高斯函数形式表示,由以上可知e和△e分成7个语言变量，该层第j个节点的输出与输入可表示为：

其中σij分别为第二层i个输入变量的第j模糊集合的隶属度函数的均值和标准差,yij⁽²⁾为第i个输入变量该层第j个神经元输出，t1^(j)表示e输入变量下的隶属度函数，t2^(j)表示△e输入变量下的隶属度函数；

模糊推理层中的每个节点分别表示已知模糊规则库中的其中一条模糊规则，该层主要用来确定模糊规则的匹配情况，由模糊规则数可知该层节点数为49，并计算出各个模糊规则的适应度；

每个节点相应的模糊逻辑运算规则的适应度为：

ykj1j2⁽³⁾＝t1^(j1)·t2^(j2)j1，j2＝1,2,3...7；k＝12.....49(17)

归一化层的节点数与模糊推理层节点数相同，该层的作用是实现归一化运算；计算出每条模糊控制规则的适用度：

输出层是将pid控制器的三个指标比例系数kp、积分系数ki、微分增益系数kd作为输出，进行清晰化运算，其输出量为归一化层输出信号经处理后的总和；

kp＝y1⁽⁵⁾，ki＝y2⁽⁵⁾，kd＝y3⁽⁵⁾(21)

其中，wij为归一化层与输出层之间的连接权值。

进一步地，步骤s23：对模糊神经网络控制器结构参数的优化；模糊神经网络控制器的参数wij，σij通过随机梯度下降的训练方法，对参数不断调整，实现对旋转导向工具面的实时环节与时滞环节进行多变量非线性精准控制；

粒子群优化(pso)算法是一种基于仿生的集群优化算法，pso算法来源于对鸟群的捕食行为模拟和研究，pso算法中，每个优化问题解都是搜索空间的一只鸟，称为“粒子”，即每个粒子的位置就是一个潜在的解；标准pso算法根据式(22)和(23)进行迭代，直至搜寻粒子群中达到最小误差要求的最优位置；

vid＝ω·vid+c1·r1(pid-xid)+c2·r2(pgd-xid)(22)

xid⁺＝vid+xid(23)

其中，ω为惯性权重因子(其值非负)，其经典取值为ω0＝0.9,ωend＝0.4；c1和c2叫做学习常数(其值也是非负的)；r1和r2为随机数，取值范围是[0，l]；pid为第i个变量的个体极值的第d维；pgd为第i个变量的全局极值的第d维，xid⁺为下一时刻粒子位置，xid为当前时刻粒子位置。

更进一步地，如图5所示，步骤s23的具体过程如下：

步骤s231:初始化；粒子群初始化包括设置粒子数h、粒子初始位置、速度、惯性因子ωmax和ωmin、加速因子c1和c2、最大迭代次数mp等；

步骤s232:采用粒子群算法改进步骤s23中求得的最优解；首先按式(18)计算粒子适应度，并按式(20)和式(21)及时更新粒子的运行速度与所处位置；假如当前找到的粒子最好位置pbest不能优于粒子当前位置pnew，那么令pbest＝pnew；假如当前搜出的全局最好位置gbest不能优于粒子当前位置pnow，那么令gbest＝pnow；如果没有达到粒子群最大迭代次数，继续对粒子当前位置与最优位置pbest及gbest进行比较执行；

步骤s233：循环次数增1，若目前最优解得到改进的最个体；

步骤s234：如果进化满足最大迭代次数，便停止迭代过程，同时得出模糊神经网络结构参数最优解，否则将跳至步骤s232进行循环执行。

如图6所示，与传统模糊控制pid算法优化相比，模糊神经网络控制器的控制系统的动态响应与静态特性明显优于传统模糊神经。转速响应快，转速波动小，对外界负载扰动能快速自动调节，抗干扰能力强，稳态后系统控制精度较高网络控制。所以，综合超声电机起动、速度跟踪及负载扰动情况而言，经过蚁群算法优化的模糊神经网络控制器具有更好的动态特性和鲁棒性。

综上所述，本发明的内容并不局限在上述的实施例中，本领域的技术人员可以在本发明的技术指导思想之内提出其他的实施例，但这些实施例都包括在本发明的范围之内。