基于神經網絡的抽油機遠程監控信息延時的預測研究

姚向新 李曉彤

(1.寧夏煤礦設計研究院有限責任公司，寧夏 銀川 750011；2.神華寧煤集團教育培訓中心，寧夏 銀川 750021)

基于神經網絡的抽油機遠程監控信息延時的預測研究

姚向新1李曉彤2

(1.寧夏煤礦設計研究院有限責任公司，寧夏 銀川 750011；2.神華寧煤集團教育培訓中心，寧夏 銀川 750021)

針對抽油機遠程監控中信息延時的問題，提出了基于神經網絡的信息延時預測方法。采用GPRS技術和Quest3D軟件，構建了抽油機網絡監控環境，分析了網絡監控中存在的較大延時、不確定延時、數據丟失等問題，建立了信息延時的預測模型，為提高抽油機監控質量、保證采油作業安全提供了技術保障，利用現場數據，在MATLAB環境中進行了仿真，仿真結果驗證了該方法的有效性。

抽油機；神經網絡預測；遙操作

0 引言

抽油機是油田生產的常用設備，在世界范圍內，抽油機數量超過100萬臺[1]，而且還有增加的趨勢。目前，在抽油機遠程監測方面取得了大量的研究成果。潘崢嶸等人研究了基于GPRS的油田抽油機遠程在線監控系統，開發了抽油機在線監控系統，該系統能對抽油機及油井的各種狀態參數進行實時監測[2]。魏航信對抽油機遠程監控系統客戶端通信進行了研究，設計了包括現場層、監控層和管理層的3層抽油機遠程監控體系結構[3]。在這些研究中，都沒有考慮系統或網絡的延時特性。

然而，在油田采油過程中，從數據采集、網絡傳輸、故障診斷及停機維修之間有較長的時間間隔，若在2次巡檢之間抽油機的某些部件發生故障而無法及時排除，抽油機將工作于非正常狀態，易導致更深層次的故障發生，甚至損壞設備，威脅到人的生命安全[4]。因此，必須研究和探討能夠克服系統或網絡延時的監測方法。

隨著計算機技術、網絡技術、傳感技術及信息處理技術的不斷發展，網絡監控技術成為工業控制、航空航天、軍事等眾多領域的研究熱點[5]，將抽油機與網絡相結合，使它具有跨空間性、交互多樣性、成本低、容易維護等特點[6]是抽油機監控系統的發展趨勢。由于網絡具有較大延時、不確定延時、數據丟失等問題，本文提出了基于神經網絡的信息延時預測方法，為提高抽油機監控質量以及保證采油作業安全，提供了技術保障。

1 抽油機遠程監控系統設計

抽油機遠程監控系統由數據采集、GPRS通信網絡和操作端計算機系統構成。數據采集和GPRS通信網絡借鑒前人研究成果。操作端計算機系統由神經網絡預測模型、虛擬抽油機、人機交互等組成，是實現抽油機遠程監控與信息預測的核心。基于神經網絡的抽油機遠程監控結構框架如圖1所示。

圖1 基于神經網絡的抽油機遠程監控結構框架

1.1 虛擬抽油機環境的構造

虛擬抽油機環境包括抽油機三維建模、運動虛擬等模塊。采用Quest3D編程軟件，快速構建虛擬抽油機環境，構建過程如圖2所示，建立的虛擬抽油機模型如圖3所示。

圖2 虛擬抽油機環境的構建過程

圖3 虛擬抽油機模型

1.2 系統延時分析

遙操作具有將操作端的命令和行為，通過網絡，傳給執行端的功能，將操作端和執行端分開，提高操作者的安全性和工作效率，降低成本。但由于網絡具有較大延時或不確定延時、數據丟失等問題，不但影響了操作者對現場設備工況的正確感知，而且導致系統的不穩定，降低了系統的操作性能。因此，必須對抽油機網絡監控系統進行延時分析。

如圖1所示，ui1為抽油機的實時狀態信號，ui2為經網絡傳輸延時后的信號，也是操作端的輸入信號，uo1為操作端的輸出信號，uo2為抽油機的輸入信號，其中uo2是uo1經網絡傳輸的延時信號。設信息傳輸時，網絡延時為Tw，系統處理時間為Tm，系統延時為T，則歷史延時數據可以表示為：

{T|k=1,2,…,K;0

(1)

式中，Tmax為系統最大延時；K為最大時刻。

實時測量的抽油機狀態數據包通過網絡傳輸到操作端，經處理以后，再通過網絡將控制信號傳給現場設備，總共花費的時間為系統延時，則有：

T=Tw+Tm

(2)

2 神經網絡預測模型

目前解決延時問題存在幾種具有代表性的方法，如監督控制、共享控制、預測控制、基于事件的控制等，其中應用最廣泛的是預測控制。本文采用神經網絡預測控制方法，對抽油機參數進行預測，在危險發生前實施控制，保證采油作業安全。

BP算法中，單純的梯度下降法其權值調節公式僅為按梯度負方向進行修正，未考慮積累的經驗，且學習率為常數，存在學習過程易發生振蕩、收斂慢、易陷入局部極小等缺點。本文采用改進的BP算法，在其權向量調整公式基礎上加入動量項，同時讓學習率自適應調整，以減少學習過程中的振蕩趨勢，提高網絡的收斂速度，抑制網絡陷于局部極小。

3 仿真研究

數據采集及控制頻率為200 Hz，通訊延時為Tw=1.5 s，Tm=0.5 s，用Matlab仿真，設仿真的給定信號是神經元變換函數采用Sigmoid型函數。以抽油機懸點加速度測試為例，對測試參數進行預測。本地測試的加速度信號如圖4所示，神經網絡預測誤差如圖5所示。

圖4 實時測量數據

圖5 神經網絡預測誤差

4 結語

本文將機器人遙操作技術引入到抽油機遠程監測監控領域，將抽油機與網絡相結合，使其具有跨空間性、交互多樣性、成本低、容易維護等特點。由于網絡具有較大延時或不確定延時、數據丟失等問題，建立了遙操作抽油機系統，提出了基于神經網絡預測的控制策略。利用現場數據仿真，證明了該方法的有效性。為進一步提高抽油機監控質量、保證采油作業安全，提供了新的技術保障。

[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，2008，37(1)：24～27

[2] 潘崢嶸，滕尚偉，尹曉霈，等.基于GPRS的油田抽油機遠程在線監控系統的設計與實現[J].化工自動化及儀表，2008，35(1)：75～77

[3] 魏航信.基于GPRS的抽油機遠程監控系統研究[J].計算機測量與控制，2010，8(3)：530～533

[4] 孫東.抽油機電參數遠程智能故障診斷技術研究[J].自動化儀表，2012，33(5)：22～24

[5] 王明明，李世其，朱文革，等.基于人工神經網絡的遙操作預測仿真[J].載人航天，2012，18(5)：71～76

[6] 景興建，王越超，談大龍.遙操作機器人系統時延控制方法綜述[J].自動化學報，2004，3(2)：214～223

[7] Eryure kE， Upadhyaya B R.Sensor validation for power plants usin g adaptive back propagation neural network[J].IEEE transaction on nuclear science，1990，37(2)：1 040～1 047

2014-07-04

姚向新(1978—)，男，甘肅靜寧人，工程師，研究方向：煤礦機電工程設計。