節(jié)流管匯節(jié)流壓力控制模糊自適應回饋仿真

張方舟，李 龍，王雪珊

(東北石油大學 計算機與信息技術學院，黑龍江 大慶 163318)

節(jié)流管匯節(jié)流壓力控制模糊自適應回饋仿真

張方舟，李 龍，王雪珊

(東北石油大學 計算機與信息技術學院，黑龍江 大慶 163318)

在現(xiàn)代石油與天然氣勘探開發(fā)的過程中，為了防止井噴必須對職工進行技術培訓,以提高現(xiàn)場作業(yè)人員的專業(yè)水平和操作技能。為了給培訓人員創(chuàng)造與真實相近的鉆井環(huán)境并客觀反映培訓人員的技能水平，針對井控實物仿真培訓系統(tǒng)中的節(jié)流管匯節(jié)流壓力調節(jié)操作進行了仿真，通過在節(jié)流管匯的控制管線上安裝電磁比例閥控制管線中液壓油流量和流動方向實現(xiàn)節(jié)流壓力的精確控制；根據系統(tǒng)的特性，結合傳統(tǒng)PID控制算法，將模糊推理和神經網絡應用到控制系統(tǒng)中，提出了節(jié)流壓力模糊自適應回饋算法。為了驗證該方法的可行性，選取大慶鉆探工程公司的實際項目為背景進行仿真實驗。實驗結果表明，所提的方法能夠實現(xiàn)節(jié)流管匯節(jié)流壓力調節(jié)的真實操作和訓練功能，節(jié)流壓力模糊自適應回饋算法具有較好的抗干擾能力，在模擬及訓練過程中發(fā)揮了重要作用。

節(jié)流管匯；模糊控制；PID自適應；仿真

0 引 言

在石油天然氣鉆井中，節(jié)流管匯的節(jié)流壓力控制是保證鉆井安全、保護自然環(huán)境及地下資源的重要技術課題。在常規(guī)鉆井過程中，當地層壓力和井眼環(huán)空流體柱壓力平衡關系被破壞時，地層流體就可能侵入到井眼環(huán)空鉆井液中，導致溢流，甚至引發(fā)井噴事故，因此必須及時進行壓井控制[1]。目前，針對節(jié)流壓力調節(jié)安全操作的培訓方式大部分是教師講解，觀看錄像，上井實踐以及虛擬仿真等集中式培訓，這些培訓方式存在培訓成本高、周期長、培訓手段單一枯燥、效果有限、工學矛盾突出等弊端[2]。

為此，針對以上問題研發(fā)了與實際生產工況密切相關且操作性極強的井控實物仿真培訓系統(tǒng)。為實現(xiàn)采油井控現(xiàn)場場景的逼真再現(xiàn)，該系統(tǒng)將文字、3D動畫、聲音等多種表現(xiàn)形式有機融合。在節(jié)流壓力模糊自適應仿真系統(tǒng)設計中，將現(xiàn)有的蓄能器壓力表、管匯壓力表等壓力信號儀表改為電信號儀表，使連續(xù)的氣動壓力信號轉換為離散的電信號，安裝解碼器記錄各個平板閥的操作狀態(tài)，在節(jié)流管匯的控制管線上安裝電磁比例閥來完成節(jié)流閥的開度調節(jié)。將傳統(tǒng)的PID控制算法、模糊推理、神經網絡相結合，設計出節(jié)流壓力模糊自適應回饋算法來控制電磁比例閥，通過電磁比例閥控制管線中液壓油流量和流動方向實現(xiàn)液動節(jié)流閥的開度實時調節(jié)以完成節(jié)流壓力的精確控制。

1 節(jié)流管匯

節(jié)流管匯是控制井口回壓和井內流體，實施油氣井壓力控制的可靠且必要的設備。在油氣鉆井過程中，當井筒中的鉆井液被地層流體污染時，就會破壞鉆井液靜液柱壓力和地層壓力之間的平衡關系，從而導致溢流。發(fā)生事故后，在循環(huán)出被污染的鉆井液和泵入高密度鉆井液重新建立井內壓力平衡關系的過程中，可以利用節(jié)流閥控制井口回壓維持一定的井底壓力，避免地層流體更進一步侵入，減少事故帶來的損失[3]。節(jié)流管匯除了約束流體流動的管道外，還包括各種控制流體流動的閥門，主要有平板閥和節(jié)流閥。平板閥只有“通流”或“斷流”兩個狀態(tài)，在節(jié)流管匯中起到了選擇不同流通路徑的作用。節(jié)流閥是節(jié)流管匯的核心控制部件。在壓井過程中，在泥漿的排量保持不變的情況下，必須保證井底壓力始終大于地層壓力。井底壓力等于井筒內液柱壓力和井口壓力之和，當井底壓力小于要求的壓力時就需要依靠手動或液動節(jié)流閥調節(jié)節(jié)流管匯的流道面積大小，以實現(xiàn)對節(jié)流壓力的控制，進而保證井底壓力在一定的范圍內變化，保持壓力平衡[4]。

2 基于節(jié)流壓力調節(jié)的閉環(huán)回饋控制系統(tǒng)

該系統(tǒng)針對鉆井井控設備節(jié)流管匯中液動節(jié)流閥的開度、節(jié)流壓力、操作者的視角等信息進行采集。傳感器采集到的電信號先通過PLC控制系統(tǒng)進行整理、分析以及邏輯判斷，然后在以專業(yè)書籍和現(xiàn)有的鉆井井控教程為藍本的評分系統(tǒng)中進行數據運算，并將運算結果通過PLC控制系統(tǒng)輸出到電流表上，實時地顯示操作者的操作結果并給出相應的操作成績。為使改造后的實物仿真系統(tǒng)的工況能夠逼近真實操作工況，設計了一種適合節(jié)流管匯節(jié)流壓力調節(jié)過程的模糊自適應穩(wěn)態(tài)回饋仿真算法。在算法的實際運算過程中，液動節(jié)流閥是被控制對象，節(jié)流閥的進口壓力是被控參數。在節(jié)流管匯的控制管線上安裝電磁比例閥，通過電磁比例閥控制管線中液壓油流量和流動方向實現(xiàn)液壓缸活塞桿的位移控制。由于液壓缸活塞桿連接著液動節(jié)流閥的閥心，因此可以通過控制液壓缸中的活塞桿位移實現(xiàn)液動節(jié)流閥的開度調節(jié)，從而控制井口回壓。

2.1 節(jié)流壓力調節(jié)過程PID算法的建立

在井控培訓過程中，節(jié)流壓力調節(jié)是重要的一個培訓項目，其迅速、精準地調節(jié)節(jié)流壓力關系到井控操作的安全[5]。使用傳統(tǒng)的PID算法進行節(jié)流壓力控制，如下所示：

(1)

其中，KP為比例系數，用以控制系統(tǒng)偏差，提高系統(tǒng)的響應速度和精度；TI為積分系數，用以消除控制系統(tǒng)的靜態(tài)誤差，提高控制系統(tǒng)的無差度；TD為微分系數，用以改善具有較大慣性的被控對象即液動節(jié)流閥的動態(tài)性能，進而提高此系統(tǒng)抗干擾的能力。

節(jié)流壓力調節(jié)過程中采用的是數字式的采樣控制方式，它與模擬式控制器的區(qū)別在于不能做到連續(xù)輸出控制量，實現(xiàn)對液動節(jié)流閥開度的連續(xù)控制；而僅僅只能基于采樣時刻的系統(tǒng)偏差值計算出系統(tǒng)控制量，實現(xiàn)對液動節(jié)流閥的開度進行離散控制。因此，在式(1)中涉及到的微分項與積分項，在計算機上可利用數值計算進行無限近似值計算[6]。若假設采樣周期為時間T，則連續(xù)時間t由離散采樣時刻點Ti來代替，積分由和式來代替，微分項由增量來替換，即可做出如下變換：

(2)

將式(2)代入式(1)中，即可得到離散控制的近似表達式：

(3)

其中，ei為PID系統(tǒng)第i個采樣時刻的輸出偏差；u0為初始控制常量；ui為第i個采樣時刻的輸出值。

如果系統(tǒng)采樣周期T足夠小，則連續(xù)控制過程與被控制過程無限接近，使上述近似過程的計算相對準確?；谑?3)，可計算出PID控制器的第i-1個采樣時刻的值ui-1，則可由此計算出增量式PID算法：

(4)

將式(3)與式(4)相減可計算出增量式PID控制算法的表達式：

(5)

由于壓力控制具有反應迅速、計算時間短、實時性強等特點，為減少計算時間，提高運算效率，可將式(5)進行整理，改寫成：

(6)

需進行PID參數調整時，每次調整都需要計算一次a0，a1和a2。因此，還可將式(5)寫為：

(7)

由式(7)可得，增量式算法相比位置式算法，工作量較小、計算時間較短，進行推導計算只需保留所求值前三個時刻的偏差值，因此增量式算法適合復雜的節(jié)流壓力控制過程的回饋仿真。

2.2 節(jié)流壓力模糊自適應穩(wěn)態(tài)回饋仿真算法

節(jié)流壓力的控制是一個數學控制模型不確定且大滯后的系統(tǒng)。因此，在系統(tǒng)的實際運行過程中，當參數發(fā)生變化時，仍采用傳統(tǒng)的固定參數的PID控制器就很難達到理想的控制效果?，F(xiàn)在常采用PID的控制參數實時在線整定的方法來提高系統(tǒng)的控制效果[7]。近年來，智能方法尤其是模糊推理和神經網絡得到了廣泛關注[8]。但是采用模糊推理改進的PID控制器，在模糊規(guī)則的歸納和模糊隸屬度函數的選取過程中，主要還是依靠個人經驗，使得控制器具有較大的主觀性。同時采用BP神經網絡改進的PID控制器，由于BP神經網絡隱層的節(jié)點數的選取無規(guī)律，導致其計算量大、收斂速度慢等缺點，無法滿足在線調整參數的實時性要求[9]。

模糊神經網絡兼?zhèn)淞四：评砗虰P神經網絡的優(yōu)點，其強大的邏輯表達能力和自身參數調整優(yōu)化能力使得它在大滯后性、強非線性且自身數學控制模型不易得到的復雜系統(tǒng)中被大量應用[10-11]。該系統(tǒng)提出模糊自適應回饋仿真算法是在傳統(tǒng)PID算法的基礎上，使用神經網絡來完成PID控制參數的模糊化，模糊推理，解模糊化等工作。

模糊自適應節(jié)流壓力控制器的原理如圖1所示。

圖1 模糊自適應節(jié)流壓力控制器的工作原理

系統(tǒng)中r是系統(tǒng)的理想輸出值，y是系統(tǒng)的實際輸出，e是理想輸出跟實際輸出的誤差，u是PID控制器的輸出。模糊神經網絡輸出kp，ki和kd三個參數到PID控制器上[12]。該系統(tǒng)是在傳統(tǒng)PID控制器的基礎上，實現(xiàn)PID參數的實時在線自整定功能。具體的工作原理是以偏差e和偏差變化率ec與被控參數PID的三個參數之間的模糊規(guī)則作為模糊推理的依據，利用模糊神經網絡和模糊推理實現(xiàn)kp，ki和kd的在線整定，以滿足不同時刻e和ec對控制參數的需求，從而使被控對象具有良好的動態(tài)性能，達到提高系統(tǒng)控制效果的目的。

模糊自適應節(jié)流壓力控制器的工作流程如圖2所示。

圖2 模糊自適應節(jié)流壓力控制系統(tǒng)的工作流程

節(jié)流壓力控制系統(tǒng)在運行過程中，模糊神經網絡控制器根據相應壓力傳感器實時采集節(jié)流管匯中的節(jié)流壓力，并結合計算機內部的模糊邏輯規(guī)則知識庫進行實時比對分析、查表和運算分析，形成對應的模糊推理決策供神經元進行權值調整修正。

2.3 模糊神經網絡自整定PID的原理與算法

模糊神經網絡自整定PID算法的網絡結構如圖3所示。本系統(tǒng)采用模糊神經網絡共有輸入層、模糊化層、模糊推理層和輸出層4層。

圖3 模糊神經網絡的網絡結構

模糊神經網絡將系統(tǒng)誤差e和誤差變化率ec作為輸入量，輸出為3個節(jié)點，即kp，ki和kd[13-14]。系統(tǒng)設計的模糊神經網絡有4層，各層具體描述如下:

(1)輸入層:該層的輸入為誤差e和誤差變化率ec，選取的活化函數為f(x)=x，因此該層的作用只是把系統(tǒng)的e和ec輸出給下層。

(2)模糊化層:該層有7個節(jié)點，分別將兩個輸入劃分到7個模糊集合中，即對輸入的e和ec進行模糊化，用隸屬度函數分別計算兩個輸入對于7個模糊集合的隸屬度。該層中的7個節(jié)點分別表示模糊集合中的[NB，NM，NS，ZO，PS，PM，PB]，其中元素分別代表了負大，負中，負小，零，正小，正中，正大。該層的隸屬度函數為:

(8)

其中，i=1,2，j=1,2,…,7；cij和bij分別是高斯函數的第i個輸入變量的第j個模糊集合隸屬度函數的均差和標準差。

(3)模糊推理層:該層有7個節(jié)點，它們各代表一種模糊推理規(guī)則。該層作用是將上層中的兩個模糊輸入兩兩相乘，得到此層的輸出值。因此，該層的活化函數輸出為:

(9)

(4)輸出層:這一層輸出是PID控制器的3個參數，該層與上一層有一個連接權值矩陣w。該層的輸出為:

(10)

2.4 模糊神經網絡的學習算法

由于節(jié)流壓力控制系統(tǒng)的參數是時變的、非線性的，因此，神經網絡需要隨時對權值進行調整，也就是對模糊規(guī)則進行調整。該系統(tǒng)定義的性能指標函數為:

(11)

其中，rin(k)和yout(k)分別表示系統(tǒng)的理想輸出和實際輸出。

系統(tǒng)采取最速下降法對網絡的權值系數進行修正，即按照性能指標函數的負梯度方向進行搜索，同時附加一個全局極小慣性項提高算法的收斂速度。

Δwij(k)的學習算法為：

(12)

其中，η為學習速率；α為慣性系數。

(13)

同理可求出模糊化層中心向量Δbj(k)和基寬向量Δcij(k)：

(14)

(15)

3 仿真分析

為了驗證所建立的模糊自適應控制器是否能夠適應節(jié)流壓力調節(jié)系統(tǒng)的多元動態(tài)時變，同時滿足實時響應調節(jié)的要求，使用Matlab軟件中的Simulink神經網絡工具箱進行仿真[15]，選取節(jié)流壓力調節(jié)系統(tǒng)被控對象的傳遞參數為：

(16)

其仿真結果如圖4所示。其中，曲線1為常規(guī)PID控制算法，曲線2為模糊自適應回饋算法。

圖4 不同控制算法的響應曲線

從圖4的2條響應曲線比較可知，使用模糊神經網絡對常規(guī)PID控制算法調節(jié)優(yōu)化后，整個控制器的收斂速度、控制超調量、魯棒性以及動態(tài)響應時間等方面均有了很大改善，表明此控制器比常規(guī)PID控制算法具有更好的動態(tài)性能。

為了驗證經優(yōu)化后控制器是否具有良好的收斂性和較強的魯棒性，在仿真運行的第360ms，給整個節(jié)流壓力調節(jié)系統(tǒng)外加一個幅值為0.4的負載干擾，獲得的不同穩(wěn)定收斂仿真曲線如圖5所示。

其中，曲線1為常規(guī)PID控制算法，曲線2為模糊自適應回饋算法。

圖5 添加干擾后不同控制算法的響應曲線

通過響應曲線對比可以看出，當對系統(tǒng)附加一個外部負載干擾后，經過優(yōu)化后的PID控制器可以在模糊神經網絡自適應調節(jié)作用下使得系統(tǒng)很快恢復平衡，說明此節(jié)流壓力調節(jié)系統(tǒng)受負載干擾的影響較小，魯棒性明顯優(yōu)于傳統(tǒng)的PID控制器。

4 結束語

為了完成對井控實物仿真培訓系統(tǒng)節(jié)流壓力調節(jié)過程中液動節(jié)流閥調節(jié)節(jié)流壓力操作的仿真，在深入研究了節(jié)流管匯的工作原理并分析節(jié)流壓力調節(jié)過程的基礎上，通過在節(jié)流管匯中加裝電磁比例閥控制液壓油的流向和流量的方式實現(xiàn)了節(jié)流管匯的壓力控制仿真操作。在實現(xiàn)過程中，針對節(jié)流壓力閉環(huán)回饋控制系統(tǒng)參數的不確定性和擾動性，提出了節(jié)流管匯節(jié)流壓力模糊自適應回饋算法。為驗證該方法的可行性，以大慶油田鉆探工程公司井控設備為仿真實例，對井涌控制的實際操作流程進行了MATLAB/Simulink仿真。結果表明，所采用的模擬方法可較好地實現(xiàn)節(jié)流管匯節(jié)流壓力調節(jié)的真實操作過程和訓練功能，所提出的算法可較好地適應節(jié)流壓力調節(jié)過程中的參數變化，具有很強的抗干擾能力，有效地提高了實物仿真系統(tǒng)的動態(tài)性能。

[1] 石油天然氣鉆井井控編寫組.石油天然氣鉆井井控[M].北京:石油工業(yè)出版社,2008.

[2] 田 嵐.石油天然氣鉆井工程風險識別與評價方法[J].鉆采工藝,2010,33(2):31-33.

[3] 集團公司井控培訓教材編寫組.中國石油化工集團公司井控培訓教材:井下作業(yè)技術、管理人員井控技術[M].東營:中國石油大學出版社,2013.

[4] 周英操,崔 猛,查永進.控壓鉆井技術探討與展望[J].石油鉆探技術,2008,36(4):1-4.

[5]SantosHM,MuirKJ,SonnemannP,etal.Optimizingandautomatingpressurizedmudcapdrillingwiththemicro-fluxcontrolmethod[R].[s.l.]:[s.n.],2008.

[6] 劉金琨.先進PID控制及其MATLAB仿真[M].北京:電子工業(yè)出版社,2005:203-206.

[7]YukitomoM,ShigemasaT,BabaY,etal.AtwodegreesoffreedomPIDcontrolsystemitsfeaturesandapplications[C]//Proceedingsofcontrolconference.[s.l.]:[s.n.],2004:112-121.

[8] 王 偉.智能控制的發(fā)展趨勢與展望[J].精密制造與自動化,2008,33(3):4-6.

[9] 楊雄文,周英操,方世良,等.控壓鉆井分級智能控制系統(tǒng)設計與室內試驗[J].石油鉆探技術,2011,39(4):13-18.

[10]WuBaogang,YingHao.Reviewoffuzzy-PIDcontroltechniquesandsomeimportantissues[J].ActaAutomaticaSinica,2001,27(4):567-584.

[11] 殷云華,樊水康,陳閩鄂.自適應模糊PID控制器的設計和仿真[J].火力與指揮控制,2008,33(7):96-99.

[12] 程啟明,陳 剛,王勇浩.一種模糊神經網絡控制系統(tǒng)研究[J].系統(tǒng)工程與電子技術,2005,27(3):501-504.

[13] 黃友銳,曲立國.PID控制器參數整定與實現(xiàn)[M].北京:科學出版社,2010:5-15.

[14] 徐春梅,爾聯(lián)潔,劉金琨.動態(tài)模糊神經網絡及其快速自調整學習算法[J].控制與決策,2005,20(2):226-229.

[15]SoyguderS,KarakoseM,AlliH.Designandsimulationofself-tuningPID-typefuzzyadaptivecontrolforanexpertHVACsystem[J].ExpertSystemswithApplications,2009,36(3):4566-4573.

Fuzzy Adaptive Feedback Simulation of Choke Manifold Throttle Pressure Control

ZHANG Fang-zhou，LI Long，WANG Xue-shan

(College of Computer and Information Technology,Northeast Petroleum University,Daqing 163318,China)

In order to prevent the well blowout in the process of modern oil and gas exploration and development,the technical training for workers is necessary to improve professional standards and skills of on-site workers.The simulation of choke manifold throttle pressure adjustment operation for well control loop simulation training system has been carried out,which could produce a close to real drilling environment for trainees and objectively reflect the skill level of the them.The electromagnetic proportional valve is installed on the control line of choke manifold,and the precise control of throttle pressure is realized with it for both the controls of hydraulic oil flow and its direction.According to the system’s characteristics,traditional PID control algorithm has been merged into the simulation method proposed,which is to employ fuzzy reasoning and neural network in the control system,and thus a throttle pressure fuzzy adaptive feedback algorithm has been achieved and presented for the simulation.In order to validate the feasibility of the method proposed,an actual project of drilling engineering company in Daqing has been taken as an example for the simulation calculation.Experimental results show that it can achieve the actual training functionality of choke manifold throttle pressure adjustment operation and the throttle pressure fuzzy adaptive feedback algorithm plays an important role in the process of simulation and training since its better anti-interference capacity.

choke manifold;fuzzy control;PID adaptive;simulation

2016-04-27

2016-08-11

時間：2017-02-17

中國石油天然氣集團公司重大專項“重大工程關鍵技術裝備研究與應用項目”(2013E-38-09)；黑龍江省高等教育教學改革項目(JG2013010153)

張方舟(1973-)，男，博士，教授，研究方向為計算機網絡安全、計算機仿真;李 龍(1992-)，男，碩士，研究方向為計算機應用技術。

http://www.cnki.net/kcms/detail/61.1450.TP.20170217.1632.066.html

TP31

A

1673-629X(2017)03-0147-05

10.3969/j.issn.1673-629X.2017.03.030