CN109800454A - 一种基于卡尔曼滤波的煤层气采集方法、系统及存储介质 - Google Patents
一种基于卡尔曼滤波的煤层气采集方法、系统及存储介质 Download PDFInfo
- Publication number
- CN109800454A CN109800454A CN201811525247.XA CN201811525247A CN109800454A CN 109800454 A CN109800454 A CN 109800454A CN 201811525247 A CN201811525247 A CN 201811525247A CN 109800454 A CN109800454 A CN 109800454A
- Authority
- CN
- China
- Prior art keywords
- temperature
- pressure
- equation
- kalman
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于卡尔曼滤波的煤层气采集方法、系统及存储介质,方法包括分别获取煤层气解吸时的温度实时测量值和压力实时测量值;基于卡尔曼滤波方法,根据温度实时测量值和压力实时测量值分别建立卡尔曼滤波模型,并根据卡尔曼滤波模型分别获取煤层气解吸时的温度最优估计值和压力最优估计值;分别获取温度最优估计值与预设的温度期望值之间的温度误差,以及压力最优估计值与预设的压力期望值之间的压力误差,基于模糊控制方法,根据温度误差和压力误差调节煤层气解吸时的气体收集阀的开度。本发明基于卡尔曼滤波方法和模糊控制方法,能实时检测数据并提高数据的精确度,实现煤层气气体的匀速采集,提升煤层气的采集效率,降低了开采成本。
Description
技术领域
本发明涉及构造煤勘探开发技术领域,尤其涉及一种基于卡尔曼滤波的煤层气采集方法、系统及存储介质。
背景技术
构造煤广泛发育和构造煤煤层气资源丰富是煤层气资源的显著特征,对于构造煤原位煤层气的高效勘探开发已提上日程。在勘探开发的过程中,煤层气气体的收集会受到诸多因素的影响,如压力、温度、流量、位移等一系列物理量。针对于构造煤原位煤层气勘探开发系统,压力和温度对煤层气气体的解吸过程和收集速率影响很大,在解吸过程中,温度升高,煤层气的解吸率增大,温度降低,煤层气的解吸率减小;压力降低,煤层气的解吸率较大,压力升高,煤层气的解吸率减小,当温度升高且压力增大时,会加快煤层气气体的流速。因此对于地下构造煤原位煤层气开采过程中的温度和压力应该进行有效的测量,否则会引发煤层气开采过程中的效率低下,安全性、稳定性降低、甚至瓦斯爆炸等问题,温度和压力的数据采集对于构造煤原位煤层气高效勘探开发显得尤为重要。
而在煤层气勘探开发过程中,温度和压力的数据采集存在着很多的干扰因素,直接用传统的温度、压力传感器测量地下系统的数据无法保证数据的可靠性和稳定性,且温度和压力的变化会影响煤层气的解吸率和气体流速。
卡尔曼滤波方法是一种基于概率论和数理统计的优化自回归数据处理方法,采用由状态方程和测量方程组成的线性随机系统的状态空间模型来描述滤波器,并利用状态方程的递推性,以有限时间的数据作为计算依据,按线性无偏最小均方误差估计准则,采用一套递推方法对滤波器的状态变量作最佳估计,从而求得有用信号的最佳估计。测量方程的测量数据中包括系统中的噪声和干扰的影响,所以最佳估计也被看作是滤波过程。因此在煤层气的温度和压力的数据采集中,可以应用卡尔曼滤波算法来进行最优估计,抑制干扰。
在传统的控制领域里,控制系统动态模式的精确与否是影响控制优劣的最主要关键,系统动态的信息越详细,则越能达到精确控制的目的;然而对于复杂的系统,由于变量太多,往往难以正确地描述系统的动态。模糊控制算法作为一种智能控制算法,具有以下优势:不需要知道被控对象的数学模型;与人类脑部活动的特点一致:模糊性、经验性(模糊规则和推理均建立在人的成熟经验之上);易构造(单片机、工业计算机、专用模糊控制芯片等均可以构造);鲁棒性好;可适用于模型参数不确定或波动较大的线性和非线性系统的控制)。
然而目前在煤层气勘探开发上,还没有将卡尔曼滤波和模糊控制应用到该领域上,也还没有一种有效的智能化控制方法来控制煤层气解吸时的气体采集,来有效抑制煤层气采集控制过程中出现的控制干扰和数据采集中出现的噪声,以达到煤层气匀速采集的理想效果。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足,提供一种基于卡尔曼滤波的煤层气采集方法、系统及存储介质。
本发明解决上述技术问题的技术方案如下:
一种基于卡尔曼滤波的煤层气采集方法,包括以下步骤:
步骤1:分别获取所述煤层气解吸时的温度实时测量值和压力实时测量值;
步骤2:基于卡尔曼滤波方法,根据所述温度实时测量值和所述压力实时测量值分别建立卡尔曼滤波模型,并根据所述卡尔曼滤波模型分别获取所述煤层气解吸时的温度最优估计值和压力最优估计值;
步骤3:分别获取所述温度最优估计值与预设的温度期望值之间的温度误差,以及所述压力最优估计值与预设的压力期望值之间的压力误差,基于模糊控制方法,根据所述温度误差和所述压力误差调节所述煤层气解吸时的气体收集阀的开度。
本发明的有益效果是:温度期望值和压力期望值分别表示煤层气气体匀速采集过程中对应的理想的温度值和压力值,由于环境因素的干扰和测量的误差,需要通过温度实时测量值与压力实时测量值对温度和压力进行预估,得到温度预估值和压力预估值,但随着采集过程的不断进行,温度预估值和压力预估值的偏差会逐渐增大,因此需要对温度预估值和压力预估值进行不断地的优化,即得到温度最优估计值和压力最优估计值,因此温度最优估计值和压力最优估计值分别表示通过卡尔曼滤波方法获取的采集过程中的温度预估值和压力预估值的优化值。由于卡尔曼滤波方法是一种基于概率论和数理统计的优化自回归数据处理方法,采用由状态方程和测量方程组成的线性随机系统的状态空间模型来描述滤波器,并利用状态方程的递推性,以有限时间的数据作为计算依据,按线性无偏最小均方误差估计准则,采用一套递推方法对滤波器的状态变量作最佳估计,从而求得有用信号的最佳估计,因此通过卡尔曼滤波方法可以获得煤层气解析采集过程中温度最优估计值和压力最优估计值,便于根据温度最优估计值和压力最优估计值分别获取温度误差和压力误差,而基于模糊控制方法,无需过多的关于气体收集阀的数学模型和模型参数,即可根据温度误差和压力误差制定智能化的模糊控制方法,来控制气体收集阀的开度,实现煤层气勘探开发的实时控制。
本发明能实时检测数据并提高数据的精确度,能在复杂的数学模型难以建立的情况下,实现煤层气气体在匀速采集过程中对于气体收集阀的有效控制,大大提升煤层气气体采集的效率,降低了开采成本,能有效的运用于构造煤原位煤层气水平井洞穴卸压开发系统中,方法简单,易于实现,硬件要求低。
在上述技术方案的基础上,本发明还可以做如下改进:
进一步:在所述步骤1之前还包括以下步骤:
预先分别设定所述温度期望值和所述压力期望值。
上述进一步方案的有益效果是:通过预先设定温度期望值和压力期望值,便于后续获取温度期望值与温度最优估计值之间的温度误差,以及压力期望值与压力最优估计值之间的压力误差,便于获取模糊控制器的输入变量,从而方便制定对气体收集阀的模糊控制方法,实现煤层气气体在匀速采集过程中对于气体收集阀的有效控制。
进一步:在所述步骤1中,具体采用温度传感器获取所述温度实时测量值,采用压力传感器获取所述压力实时测量值。
上述进一步方案的有益效果是:通过温度传感器和压力传感器,便于分别获取温度实时测量值和压力实时测量值,从而方便建立卡尔曼滤波模型,并根据卡尔曼滤波模型获取温度最优估计值和压力最优估计值,有效抑制温度和压力数据采集过程中的干扰因素。
进一步:在所述步骤2中,所述卡尔曼滤波模型包括温度卡尔曼滤波模型和压力卡尔曼滤波模型;且所述温度卡尔曼滤波模型包括温度卡尔曼预测模型和温度卡尔曼更新模型,所述压力卡尔曼滤波模型包括压力卡尔曼预测模型和压力卡尔曼更新模型。
上述进一步方案的有益效果是:由于温度和压力的数据采集在煤层气气体收集过程中至关重要,因此需要分别克服温度采集和压力采集过程中的各种干扰因素,则需要分别建立温度卡尔曼滤波模型和压力卡尔曼滤波模型,分别对温度和压力进行滤波;基于卡尔曼滤波方法,需要首先获取温度和压力数据采集过程的温度预估值和压力预估值,则需要根据温度卡尔曼预测模型获取温度预估值,根据压力卡尔曼预测模型获取压力预估值,再根据温度预估值获取温度最优估计值,根据压力预估值获取压力最优估计值,即还需要建立温度卡尔曼更新模型和压力卡尔曼更新模型,以便获得最终的温度最优估计值和压力最优估计值。
进一步:所述步骤2的具体步骤包括:
步骤21:根据所述温度实时测量值建立所述温度卡尔曼预测模型,并根据所述温度卡尔曼预测模型得到所述温度预估值;根据所述压力实时测量值建立所述压力卡尔曼预测模型,并根据所述压力卡尔曼预测模型得到所述压力预估值;
其中,所述温度卡尔曼预测模型包括温度状态方程、温度测量方程和温度协方差方程,所述压力卡尔曼预测模型包括压力状态方程、压力测量方程和压力协方差方程,所述温度状态方程、所述温度测量方程和所述温度协方差方程,以及所述压力状态方程、所述压力测量方程和所述压力协方差方程具体如下:
Xit=f(Xit-1,uit-1)=Fit-1Xit-1+Bit-1uit-1
Zit=HitXit+Vit
i=1或2,当i=1时,上述方程分别代表所述温度状态方程、所述温度测量方程和所述温度协方差方程,当i=2时,上述方程分别代表所述压力状态方程、所述压力测量方程和所述压力协方差方程,Xit为根据t-1时刻预测的t时刻的所述温度预估值或所述压力预估值,Zit为t时刻的所述温度实时测量值或所述压力实时测量值,Pit为t时刻的温度协方差或压力协方差,f(Xit-1,uit-1)为t时刻的温度状态函数或压力状态函数,Xit-1为t-1时刻的所述温度预估值或所述压力预估值,Fit-1为t-1时刻的温度状态转移矩阵或压力状态转移矩阵,Bit-1为t-1时刻的温度噪声控制矩阵或压力噪声控制矩阵,uit-1为t-1时刻的温度噪声序列或压力噪声序列,Hit为t时刻的温度测量矩阵或压力测量矩阵,Vit为t时刻的温度测量噪声序列或压力测量噪声序列,Fit为t时刻的所述温度状态转移矩阵或所述压力状态转移矩阵,为t时刻的所述温度状态转移矩阵的转置矩阵或所述压力状态转移矩阵的转置矩阵,Pit-1为t-1时刻的所述温度协方差或所述压力协方差,Qit-1为t-1时刻的温度噪声序列或压力噪声序列的协方差矩阵,Bit为t时刻的所述温度噪声控制矩阵或所述压力噪声控制矩阵,为t时刻的所述温度噪声控制矩阵的转置矩阵或所述压力噪声控制矩阵的转置矩阵;
步骤22:根据所述温度状态方程和所述温度测量方程获取温度卡尔曼增益方程,根据所述压力状态方程和所述压力测量方程获取压力卡尔曼增益方程;
其中,所述温度卡尔曼增益方程和所述压力卡尔曼增益方程分别为:
i=1或2,当i=1时,上述方程代表所述温度卡尔曼增益方程,当i=2时,上述方程代表所述压力卡尔曼增益方程,为t时刻的所述温度测量矩阵的转置矩阵或所述压力测量矩阵的转置矩阵,为t时刻的所述温度测量噪声序列的转置矩阵或所述压力测量噪声序列的转置矩阵;
步骤23:根据所述温度状态方程、所述温度测量方程、所述温度协方差方程和所述温度卡尔曼增益方程建立所述温度卡尔曼更新模型,并根据所述温度卡尔曼更新模型获取所述温度最优估计值;根据所述压力状态方程、所述压力测量方程、所述压力协方差方程和所述压力卡尔曼增益方程建立所述压力卡尔曼更新模型,并根据所述压力卡尔曼更新模型获取所述压力最优估计值;
其中,所述温度卡尔曼更新模型包括温度最优估计值更新方程和温度协方差更新方程,所述压力卡尔曼更新模型包括压力最优估计值更新方程和压力协方差更新方程,所述温度最优估计值更新方程和所述温度协方差更新方程、以及所述压力最优估计值更新方程和所述压力协方差更新方程具体如下为:
i=1或2,当i=1时,上述方程分别代表所述温度最优估计值更新方程和所述温度协方差更新方程,当i=2时,上述方程分别代表所述压力最优估计值更新方程和所述压力协方差更新方程,为t时刻的所述温度最优估计值或所述压力最优估计值,为t时刻的所述温度协方差或所述压力协方差的更新值,I为单位矩阵。
上述进一步方案的有益效果是:本发明中i=1代表的是温度,i=2代表的是压力,因此当下标中i取1时,所对应的参数均为与温度相关的参数或参数值,当下标中i取2时,所对应的参数均为与压力相关的参数或参数值;卡尔曼滤波模型包括五个重要的方程,分别为状态方程、协方差方程、卡尔曼增益方程、t时刻的最优估计值的更新方程和t时刻的协方差的更新方程,因此将温度状态方程和温度协方差方程作为温度卡尔曼预测模型,将压力状态方程和压力协方差方程作为压力卡尔曼预测模型,并根据初始时刻的温度实时测量值和压力实时测量值,分别进行预测迭代,可分别获得温度预估值和压力预估值;然后将卡尔曼增益方程、t时刻的最优估计值的更新方程和t时刻的协方差的更新方程作为卡尔曼更新模型,再根据卡尔曼更新模型的更新迭代可分别获得温度最优估计值和压力最优估计值,而卡尔曼增益方程需要根据状态方程和测量方程获得,因此还需要联立测量方程,便于获取温度卡尔曼增益方程和压力卡尔曼增益方程,从而建立温度卡尔曼更新模型和压力卡尔曼更新模型,分别获取温度最优估计值和压力最优估计值;此外,在概率论和统计学中,协方差用于衡量两个变量之间的总体误差,而卡尔曼滤波方法是一种基于概率论和数理统计的优化自回归数据数量方法,因此通过协方差的更新方程,便于在卡尔曼滤波方法中优化自回归过程中,保证得到更准确的最佳估计值,即得到更准确的温度最优估计值和压力最优估计值,有效抑制数据采集过程的噪声等干扰因素,得到的结果明显优于传统的传感器测量,明显提高了数据采集的精确度。
进一步:在所述步骤3中,基于模糊控制方法,根据所述温度误差和所述压力误差调节所述气体收集阀的开度的具体步骤包括:
步骤31:将所述温度误差与所述压力误差作为模糊控制器的两个输入变量,并根据两个所述输入变量的范围分别选取两个模糊子集和两个对应的模糊子集论域;将所述气体收集阀的开度作为模糊控制器的输出量,并根据预先获取的所述气体收集阀在所述煤层气解吸时的开度期望值和开度范围选取模糊集合和对应的模糊论域;
步骤32:根据两个所述模糊子集和两个对应的所述模糊子集论域分别确定两个对应的子集隶属函数,根据所述模糊集合和对应的所述模糊论域确定输出隶属函数,并根据所述子集隶属函数和所述输出隶属函数制定模糊控制规则表;
步骤33:根据所述模糊控制表调节所述气体收集阀的开度。
上述进一步方案的有益效果是:由于模糊控制方法不需要知道被控对象的数学模型,且具有模糊性、经验性和鲁棒性,因此首先通过步骤2中获得的较精确的温度最优估计值和压力最优估计值,分别获取与预先设定的温度期望值之间的温度误差,以及与压力期望值之间的压力误差,然后将该温度误差和压力误差分别作为模糊控制器的两个输入变量,并根据该温度误差和压力误差的变化范围选取模糊子集和对应的模糊子集论域,便于获取温度、压力与气体收集阀的开度之间的模糊控制方法,即制定模糊控制规则表,充分将模糊控制方法的优势展现出来,从而通过对煤层气解吸采集过程中的温度和压力的数据采集的智能化控制,来实现对煤层气气体收集阀的有效控制,既保证了气体匀速采集,又能避免温度和压力在气体采集过程的变化对气体采集的难以掌控的影响,无需复杂的数学模型,控制精度高,具有鲁棒性,且大大提高了煤层气气体采集的效率,降低了开采成本,方法简单,易于实现,硬件要求低。
进一步:在所述步骤31之前还包括以下步骤:
步骤30:预先获取所述气体收集阀的所述开度期望值和所述开度范围。
上述进一步方案的有益效果是:通过预先获取的开度期望值和开度范围便于选取模糊集合和对应模糊论域,便于后续制定模糊控制规则表,从而实现对气体收集阀的控制。其中,开度期望值可根据实际情况设定,而开度范围则根据气体收集阀的类型来确定。
依据本发明的另一方面,提供了一种基于卡尔曼滤波的煤层气采集系统,包括采集单元、卡尔曼滤波模型建立单元、第一运算单元、第二运算单元和模糊控制单元;
所述采集单元,用于分别获取所述煤层气解吸时的温度实时测量值和压力实时测量值;
所述卡尔曼滤波模型建立单元,用于基于卡尔曼滤波方法,根据所述温度实时测量值和所述压力实时测量值分别建立卡尔曼滤波模型;
所述第一运算单元,用于根据所述卡尔曼滤波模型分别获取所述煤层气解吸时的温度最优估计值和压力最优估计值;
所述第二运算单元,用于分别获取所述温度最优估计值与预设的温度期望值之间的温度误差,以及所述压力最优估计值与预设的压力期望值之间的压力误差;
所述模糊控制单元,用于基于模糊控制方法,根据所述温度误差和所述压力误差调节所述煤层气解吸时的气体收集阀的开度。
本发明的有益效果是:通过采集单元、卡尔曼滤波模型建立单元和第一运算单元,便于通过卡尔曼滤波方法获得煤层气解析采集过程中温度最优估计值和压力最优估计值,为后续模糊控制单元提供输入变量;通过第二运算单元和模糊控制单元,便于根据温度最优估计值和压力最优估计值分别获取温度误差和压力误差,而基于模糊控制方法,无需过多的关于气体收集阀的数学模型和模型参数,即可根据温度误差和压力误差制定智能化的模糊控制方法,来控制气体收集阀的开度,实现煤层气勘探开发的实时控制。本发明基于卡尔曼滤波的煤层气采集系统,能实时检测数据并提高数据的精确度,能在复杂的数学模型难以建立的情况下,实现煤层气气体在匀速采集过程中对于气体收集阀的有效控制,大大提升煤层气气体采集的效率,降低了开采成本,能有效的运用于构造煤原位煤层气水平井洞穴卸压开发系统中,方法简单,易于实现,硬件要求低。
依据本发明的另一方面,提供了另一种基于卡尔曼滤波的煤层气采集系统,包括处理器、存储器和存储在所述存储器中且可运行在所述处理器上的计算机程序,所述计算机程序运行时实现本发明的一种基于卡尔曼滤波的煤层气采集方法中的具体步骤。
本发明的有益效果是:通过存储在存储器上的计算机程序,并运行在处理器上,实现本发明的基于卡尔曼滤波的煤层气采集系统,能实时检测数据并提高数据的精确度,能在复杂的数学模型难以建立的情况下,实现煤层气气体在匀速采集过程中对于气体收集阀的有效控制,大大提升煤层气气体采集的效率,降低了开采成本,能有效的运用于构造煤原位煤层气水平井洞穴卸压开发系统中,方法简单,易于实现,硬件要求低。
依据本发明的另一方面,提供了一种计算机存储介质,所述计算机存储介质包括:至少一个指令,在所述指令被执行时实现本发明的一种基于卡尔曼滤波的煤层气采集方法中的具体步骤。
本发明的有益效果是:通过执行包含至少一个指令的存储介质,实现本发明的基于卡尔曼滤波的煤层气采集,能实时检测数据并提高数据的精确度,能在复杂的数学模型难以建立的情况下,实现煤层气气体在匀速采集过程中对于气体收集阀的有效控制,大大提升煤层气气体采集的效率,降低了开采成本,能有效的运用于构造煤原位煤层气水平井洞穴卸压开发系统中,方法简单,易于实现,硬件要求低。
附图说明
图1为本发明一种基于卡尔曼滤波的煤层气采集方法的流程示意图一;
图2为本发明一种基于卡尔曼滤波的煤层气采集方法的应用示意图;
图3为本发明一种基于卡尔曼滤波的煤层气采集方法的流程示意图二;
图4-1为本发明实施例一中温度实时测量值、温度最优估计值与温度期望值的曲线图;
图4-2为本发明实施例一中温度最优估计值与温度实时测量值的误差分析曲线图;
图4-3为本发明实施例一中温度最优估计值与温度期望值的误差分析曲线图;
图5-1为本发明实施例一中压力实时测量值、压力最优估计值与压力期望值的曲线图;
图5-2为本发明实施例一中压力最优估计值与压力实时测量值的误差分析曲线图;
图5-3为本发明实施例一中压力最优估计值与压力期望值的误差分析曲线图;
图6为本发明实施例一中模糊控制器的模拟示意图;
图7为本发明实施例一中模糊控制器的配置界面;
图8为本发明实施例一中模糊控制器的仿真结果的示意图;
图9为本发明一种基于卡尔曼滤波的煤层气采集方法的流程示意图三;
图10为本发明一种基于卡尔曼滤波的煤层气采集系统的结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
下面结合附图,对本发明进行说明。
实施例一、如图1-9所示,一种基于卡尔曼滤波的煤层气采集方法,包括以下步骤:
S1:分别获取所述煤层气解吸时的温度实时测量值和压力实时测量值;
S2:基于卡尔曼滤波方法,根据所述温度实时测量值和所述压力实时测量值分别建立卡尔曼滤波模型,并根据所述卡尔曼滤波模型分别获取所述煤层气解吸时的温度最优估计值和压力最优估计值;
S3:分别获取所述温度最优估计值与预设的温度期望值之间的温度误差,以及所述压力最优估计值与预设的压力期望值之间的压力误差,基于模糊控制方法,根据所述温度误差和所述压力误差调节所述煤层气解吸时的气体收集阀的开度。
本实施例通过卡尔曼滤波方法可以获得煤层气解析采集过程中温度最优估计值和压力最优估计值,便于根据温度最优估计值和压力最优估计值分别获取温度误差和压力误差,而基于模糊控制方法,无需过多的关于气体收集阀的数学模型和模型参数,即可根据温度误差和压力误差制定智能化的模糊控制方法,来控制气体收集阀的开度,实现煤层气勘探开发的实时控制。本发明能实时检测数据并提高数据的精确度,能在复杂的数学模型难以建立的情况下,实现煤层气气体在匀速采集过程中对于气体收集阀的有效控制,大大提升煤层气气体采集的效率,降低了开采成本,能有效的运用于构造煤原位煤层气水平井洞穴卸压开发系统中,方法简单,易于实现,硬件要求低。
本实施例基于卡尔曼滤波的煤层气采集方法的应用示意图如图2所示,在该应用中,在煤矿勘探开发的地下系统中,通过破碎扰动装置,对煤层气气体进行解吸;在煤矿勘探开发的地上系统中,通过气体收集阀对煤层气气体的匀速采集进行控制。
优选地,如图3和图9所示,在S1之前还包括以下步骤:
预先分别设定所述温度期望值和所述压力期望值。
通过预先设定温度期望值和压力期望值,便于后续获取温度期望值与温度最优估计值之间的温度误差,以及压力期望值与压力最优估计值之间的压力误差,便于获取模糊控制器的输入变量,从而方便制定对气体收集阀的模糊控制方法,实现煤层气气体在匀速采集过程中对于气体收集阀的有效控制。
本实施例预先设定的温度期望值和压力期望值均为恒定值,如图4-1和图5-1所示。根据煤层气气体开采的实际情况,结合相关的文献和实际工程经验,设定煤层气开采时的温度期望值为18℃,压力期望值为25MPa,同时还可以设置对应的气体收集阀的开度期望值为45°,预先获取气体收集阀的开度F的范围为[0,90°],在此温度和压力及收集阀的开度控制的环境下,气体解吸和收集效果最佳。
优选地,如图3和图9所示,在S1中,具体采用温度传感器获取所述温度实时测量值,采用压力传感器获取所述压力实时测量值。
通过温度传感器和压力传感器,便于分别获取温度实时测量值和压力实时测量值,从而方便建立卡尔曼滤波模型,并根据卡尔曼滤波模型获取温度最优估计值和压力最优估计值,有效抑制温度和压力数据采集过程中的干扰因素。
本实施例获取到的温度实时测量值和压力实时测量值,分别如图4-1和图5-1所示。
优选地,如图3所示,在S2中,所述卡尔曼滤波模型包括温度卡尔曼滤波模型和压力卡尔曼滤波模型;且所述温度卡尔曼滤波模型包括温度卡尔曼预测模型和温度卡尔曼更新模型,所述压力卡尔曼滤波模型包括压力卡尔曼预测模型和压力卡尔曼更新模型。
由于温度和压力的数据采集在煤层气气体收集过程中至关重要,因此需要分别克服温度采集和压力采集过程中的各种干扰因素,则需要分别建立温度卡尔曼滤波模型和压力卡尔曼滤波模型,分别对温度和压力进行滤波;基于卡尔曼滤波方法,需要首先获取温度和压力数据采集过程的温度预估值和压力预估值,则需要根据温度卡尔曼预测模型获取温度预估值,根据压力卡尔曼预测模型获取压力预估值,再根据温度预估值获取温度最优估计值,根据压力预估值获取压力最优估计值,即还需要建立温度卡尔曼更新模型和压力卡尔曼更新模型,以便获得最终的温度最优估计值和压力最优估计值。
优选地,如图3所示,S2的具体步骤包括:
S21:根据所述温度实时测量值建立所述温度卡尔曼预测模型,并根据所述温度卡尔曼预测模型得到所述温度预估值;根据所述压力实时测量值建立所述压力卡尔曼预测模型,并根据所述压力卡尔曼预测模型得到所述压力预估值;
其中,所述温度卡尔曼预测模型包括温度状态方程、温度测量方程和温度协方差方程,所述压力卡尔曼预测模型包括压力状态方程、压力测量方程和压力协方差方程,所述温度状态方程、所述温度测量方程和所述温度协方差方程、以及所述压力状态方程、所述压力测量方程和所述压力协方差方程具体如下:
Xit=f(Xit-1,uit-1)=Fit-1Xit-1+Bit-1uit-1
Zit=HitXit+Vit
i=1或2,当i=1时,上述方程分别代表所述温度状态方程、所述温度测量方程和所述温度协方差方程,当i=2时,上述方程分别代表所述压力状态方程、所述压力测量方程和所述压力协方差方程,Xit为根据t-1时刻预测的t时刻的所述温度预估值或所述压力预估值,Zit为t时刻的所述温度实时测量值或所述压力实时测量值,Pit为t时刻的温度协方差或压力协方差,f(Xit-1,uit-1)为t时刻的温度状态函数或压力状态函数,Xit-1为t-1时刻的所述温度预估值或所述压力预估值,Fit-1为t-1时刻的温度状态转移矩阵或压力状态转移矩阵,Bit-1为t-1时刻的温度噪声控制矩阵或压力噪声控制矩阵,uit-1为t-1时刻的温度噪声序列或压力噪声序列,Hit为t时刻的温度测量矩阵或压力测量矩阵,Vit为t时刻的温度测量噪声序列或压力测量噪声序列,Fit为t时刻的所述温度状态转移矩阵或所述压力状态转移矩阵,为t时刻的所述温度状态转移矩阵的转置矩阵或所述压力状态转移矩阵的转置矩阵,Pit-1为t-1时刻的所述温度协方差或所述压力协方差,Qit-1为t-1时刻的温度噪声序列或压力噪声序列的协方差矩阵,Bit为t时刻的所述温度噪声控制矩阵或所述压力噪声控制矩阵,为t时刻的所述温度噪声控制矩阵的转置矩阵或所述压力噪声控制矩阵的转置矩阵;
S22:根据所述温度状态方程和所述温度测量方程获取温度卡尔曼增益方程,根据所述压力状态方程和所述压力测量方程获取压力卡尔曼增益方程;
其中,所述温度卡尔曼增益方程和所述压力卡尔曼增益方程分别为:
i=1或2,当i=1时,上述方程代表所述温度卡尔曼增益方程,当i=2时,上述方程代表所述压力卡尔曼增益方程,为t时刻的所述温度测量矩阵的转置矩阵或所述压力测量矩阵的转置矩阵,为t时刻的所述温度测量噪声序列的转置矩阵或所述压力测量噪声序列的转置矩阵;
S23:根据所述温度状态方程、所述温度测量方程、所述温度协方差方程和所述温度卡尔曼增益方程建立所述温度卡尔曼更新模型,并根据所述温度卡尔曼更新模型获取所述温度最优估计值;根据所述压力状态方程、所述压力测量方程、所述压力协方差方程和所述压力卡尔曼增益方程建立所述压力卡尔曼更新模型,并根据所述压力卡尔曼更新模型获取所述压力最优估计值;
其中,所述温度卡尔曼更新模型包括温度最优估计值更新方程和温度协方差更新方程,所述压力卡尔曼更新模型包括压力最优估计值更新方程和压力协方差更新方程,所述温度最优估计值更新方程和所述温度协方差更新方程、以及所述压力最优估计值更新方程和所述压力协方差更新方程具体如下为:
i=1或2,当i=1时,上述方程分别代表所述温度最优估计值更新方程和所述温度协方差更新方程,当i=2时,上述方程分别代表所述压力最优估计值更新方程和所述压力协方差更新方程,为t时刻的所述温度最优估计值或所述压力最优估计值,为t时刻的所述温度协方差或所述压力协方差的更新值,I为单位矩阵。
本实施例中,i=1代表的是温度,i=2代表的是压力,因此当下标中i取1时,所对应的参数均为与温度相关的参数或参数值,当下标中i取2时,所对应的参数均为与压力相关的参数或参数值;卡尔曼滤波模型包括五个重要的方程,分别为状态方程、协方差方程、卡尔曼增益方程、t时刻的最优估计值的更新方程和t时刻的协方差的更新方程,因此将温度状态方程和温度协方差方程作为温度卡尔曼预测模型,将压力状态方程和压力协方差方程作为压力卡尔曼预测模型,并根据初始时刻的温度实时测量值和压力实时测量值,分别进行预测迭代,可分别获得温度预估值和压力预估值;然后将卡尔曼增益方程、t时刻的最优估计值的更新方程和t时刻的协方差的更新方程作为卡尔曼更新模型,再根据卡尔曼更新模型的更新迭代可分别获得温度最优估计值和压力最优估计值,而卡尔曼增益方程需要根据状态方程和测量方程获得,因此还需要联立测量方程,便于获取温度卡尔曼增益方程和压力卡尔曼增益方程,从而建立温度卡尔曼更新模型和压力卡尔曼更新模型,分别获取温度最优估计值和压力最优估计值;此外,在概率论和统计学中,协方差用于衡量两个变量之间的总体误差,而卡尔曼滤波方法是一种基于概率论和数理统计的优化自回归数据数量方法,因此通过协方差的更新方程,便于在卡尔曼滤波方法中优化自回归过程中,保证得到更准确的最佳估计值,即得到更准确的温度最优估计值和压力最优估计值,有效抑制数据采集过程的噪声等干扰因素,得到的结果明显优于传统的传感器测量,明显提高了数据采集的精确度。
本实施例中,在采用卡尔曼滤波方法对温度采集和压力采集分别进行滤波时,分别根据煤层气气体开采环境分别建立温度卡尔曼滤波模型和压力卡尔曼滤波模型,设定初始参数,初始参数包括:初始时刻的温度实时测量值和压力实时测量值(根据温度传感器和压力传感器获取),初始时刻的Fi0、Bi0、Hi0、Vi0、Qi0和Ri0,且由于温度卡尔曼滤波模型和压力卡尔曼滤波模型均为一维数学模型,因此单位矩阵I取1;根据初始参数的迭代可分别获得对应的t-1时刻的各参数,再根据t-1时刻的各参数预测到对应的t时刻的各参数和对应的温度最优估计值和压力最优估计值。
本实施例,获取到的温度最优估计值和压力最优估计值,分别如图4-1和图5-1所示。
本实施例根据S2获取的温度最优估计值,将温度最优估计值分别与温度实时测量值和温度期望值之间的误差进行误差分析,分别如图4-2和图4-3所示;根据S2获取的压力最优估计值,将压力最优估计值分别与压力实时测量值和压力期望值之间的误差进行误差分析,分别如图5-2和图5-3所示,由此可见,本实施例的卡尔曼滤波方法可有效抑制温度数据采集和压力数据采集过程的干扰因素,数据采集精度较高,可靠性高。此外,将图4-3和图5-3中获得的温度误差E1和压力误差E2分别作为模糊控制器的两个输入变量。
优选地,如图3和图9所示,在S3中,基于模糊控制方法,根据所述温度误差和所述压力误差调节所述气体收集阀的开度的具体步骤包括:
S31:将所述温度误差与所述压力误差作为模糊控制器的两个输入变量,并根据两个所述输入变量的范围分别选取两个模糊子集和两个对应的模糊子集论域;将所述气体收集阀的开度作为模糊控制器的输出量,并根据预先获取的所述气体收集阀在所述煤层气解吸时的开度期望值和开度范围选取模糊集合和对应的模糊论域;
S32:根据两个所述模糊子集和两个对应的所述模糊子集论域分别确定两个对应的子集隶属函数,根据所述模糊集合和对应的所述模糊论域确定输出隶属函数,并根据所述子集隶属函数和所述输出隶属函数制定模糊控制规则表;
S33:根据所述模糊控制表调节所述气体收集阀的开度。
由于模糊控制方法不需要知道被控对象的数学模型,且具有模糊性、经验性和鲁棒性,因此将温度误差和压力误差分别作为模糊控制器的两个输入变量,并根据该温度误差和压力误差的变化范围选取模糊子集和对应的模糊子集论域,便于获取温度、压力与气体收集阀的开度之间的模糊控制方法,即制定模糊控制规则表,充分将模糊控制方法的优势展现出来,从而通过对煤层气解吸采集过程中的温度和压力的数据采集的智能化控制,来实现对煤层气气体收集阀的有效控制,既保证了气体匀速采集,又能避免温度和压力在气体采集过程的变化对气体采集的难以掌控的影响,无需复杂的数学模型,控制精度高,具有鲁棒性,且大大提高了煤层气气体采集的效率,降低了开采成本,方法简单,易于实现,硬件要求低。
本实施例依据经验值,根据温度误差和压力误差的变化范围,两个模糊子集和模糊集合的语言变量均选取为{NB、NS、ZO、PS、PB},选取五个区间作为模糊子集,同时,根据气体收集阀的开度范围也选取五个区间作为模糊集合,在保证模糊控制方法能有效实现的前提下,进一步简化了模糊控制方法中的模糊控制规则表,更易实现通过对温度和压力数据采集的控制达到对气体收集的有效控制,提高了控制速度,从而提高了气体收集效率,降低了开采成本,方法简单,易于实现,硬件要求低。
本实施例设置的模糊控制器如图6所示,且根据图4-3和图5-3中获得的温度误差E1和压力误差E2的范围,分别为[-2.18,2.21]和[-2.91,3.63];如图3和图9所示,将E1和E2作为模糊控制器的两输入变量,根据误差的范围设定输入变量的模糊子集论域,温度误差的模糊子集论域为[-3,3],对应的量化论域为:{-2,-1,0,1,2},压力误差的模糊子集论域为[-3,4],对应的量化论域为:{-2,-1,0,1,2};分别确定输入变量的模糊子集,温度和压力的模糊子集均设定为{负大、负小、零、正小、正大},简记为{NB、NS、ZO、PS、PB},并选取三角函数来构建隶属函数,根据该隶属函数、温度和压力的模糊子集论域及对应的量化论域的范围,设定温度的模糊子集论域的区间分别为[-3,-1.2]、[-1.5,-0.2]、[-0.5,0.5]、[0.2,1.5]和[1.2,3],设定压力的模糊子集论域的区间分别为[-3,-1.2]、[-1.5,-0.2]、[-0.5,0.5]、[0.2,1.5]和[1.2,4];
已知气体收集阀的开度F的范围为[0,90°],在模糊控制器的设计中,将气体收集阀的开度F作为输出量Y,设定气体收集阀的开度的模糊论域为[-1,1],对应的量化论域为{-0.8,-0.4,0,0.4,0.8}:根据气体收集阀的开度的模糊论域的范围,设定气体收集阀的开度对应的模糊集合为{NB、NS、ZO、PS、PB},且设定模糊论域的区间分别为[-1,-0.6]、[-0.6,-0.2]、[-0.2,0.2]、[0.2,0.6]、[0.6,1],如图8所示;并在气体收集阀的开度的模糊论域对应的输出设定中,NB对应为快关、NS对应为慢关、ZO对应为不变、PS对应为慢开、PB对应为快开,即:
①若模糊论域范围在[-1,-0.6],则对应调节气体收集阀的操作为快关;
②若模糊论域范围在[-0.6,-0.2],则对应调节气体收集阀的操作为慢关;
③若模糊论域范围在[-0.2,0.2],则对应调节气体收集阀的操作为不变;
④若模糊论域范围在[0.2,0.6],则对应调节气体收集阀的操作为慢开;
⑤若模糊论域范围在[0.6,1],则对应调节气体收集阀的操作为快开。
根据模糊子集及相关专家经验构建模糊控制规则表,如表1所示,并将该模糊控制规则表进行配置,具体的配置界面如图7所示,根据该模糊控制规则表进行仿真验证,仿真结果如图8所示,通过该仿真结果,可以直观地看出,当温度误差和压力误差作为输入变量发生变化时,煤层气气体收集阀的开度也会发生相应的变化。
表1实施例一构建的模糊控制规则表
实施例二、如图10所示,图10为本实施例一种基于卡尔曼滤波的煤层气采集系统的结构示意图。
一种基于卡尔曼滤波的煤层气采集系统,包括采集单元、卡尔曼滤波模型建立单元、第一运算单元、第二运算单元和模糊控制单元;
所述采集单元,用于分别获取所述煤层气解吸时的温度实时测量值和压力实时测量值;
所述卡尔曼滤波模型建立单元,用于基于卡尔曼滤波方法,根据所述温度实时测量值和所述压力实时测量值分别建立卡尔曼滤波模型;
所述第一运算单元,用于根据所述卡尔曼滤波模型分别获取所述煤层气解吸时的温度最优估计值和压力最优估计值;
所述第二运算单元,用于分别获取所述温度最优估计值与预设的温度期望值之间的温度误差,以及所述压力最优估计值与预设的压力期望值之间的压力误差;
所述模糊控制单元,用于基于模糊控制方法,根据所述温度误差和所述压力误差调节所述煤层气解吸时的气体收集阀的开度。
通过采集单元、卡尔曼滤波模型建立单元和第一运算单元,便于通过卡尔曼滤波方法获得煤层气解析采集过程中温度最优估计值和压力最优估计值,为后续模糊控制单元提供输入变量;通过第二运算单元和模糊控制单元,便于根据温度最优估计值和压力最优估计值分别获取温度误差和压力误差,而基于模糊控制方法,无需过多的关于气体收集阀的数学模型和模型参数,即可根据温度误差和压力误差制定智能化的模糊控制方法,来控制气体收集阀的开度,实现煤层气勘探开发的实时控制。本发明基于卡尔曼滤波的煤层气采集系统,能实时检测数据并提高数据的精确度,能在复杂的数学模型难以建立的情况下,实现煤层气气体在匀速采集过程中对于气体收集阀的有效控制,大大提升煤层气气体采集的效率,降低了开采成本,能有效的运用于构造煤原位煤层气水平井洞穴卸压开发系统中,方法简单,易于实现,硬件要求低。
实施例三、基于实施例一和实施例二,本发明还公开了另一种基于卡尔曼滤波的煤层气采集系统,包括处理器、存储器和存储在所述存储器中且可运行在所述处理器上的计算机程序,所述计算机程序运行时实现本发明的一种基于卡尔曼滤波的煤层气采集方法中S1-S3的具体步骤。
通过存储在存储器上的计算机程序,并运行在处理器上,实现本发明的基于卡尔曼滤波的煤层气采集系统,能实时检测数据并提高数据的精确度,能在复杂的数学模型难以建立的情况下,实现煤层气气体在匀速采集过程中对于气体收集阀的有效控制,大大提升煤层气气体采集的效率,降低了开采成本,能有效的运用于构造煤原位煤层气水平井洞穴卸压开发系统中,方法简单,易于实现,硬件要求低。
本发明还提供一种计算机存储介质,所述计算机存储介质上存储有至少一个指令,所述指令被执行时实现所述S1-S3的具体步骤。
通过执行包含至少一个指令的存储介质,实现本发明的基于卡尔曼滤波的煤层气采集,能实时检测数据并提高数据的精确度,能在复杂的数学模型难以建立的情况下,实现煤层气气体在匀速采集过程中对于气体收集阀的有效控制,大大提升煤层气气体采集的效率,降低了开采成本,能有效的运用于构造煤原位煤层气水平井洞穴卸压开发系统中,方法简单,易于实现,硬件要求低。其中,S1-S3中的未尽细节,参见实施例一和图1的具体描述。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于卡尔曼滤波的煤层气采集方法,其特征在于,包括以下步骤:
步骤1:分别获取所述煤层气解吸时的温度实时测量值和压力实时测量值;
步骤2:基于卡尔曼滤波方法,根据所述温度实时测量值和所述压力实时测量值分别建立卡尔曼滤波模型,并根据所述卡尔曼滤波模型分别获取所述煤层气解吸时的温度最优估计值和压力最优估计值;
步骤3:分别获取所述温度最优估计值与预设的温度期望值之间的温度误差,以及所述压力最优估计值与预设的压力期望值之间的压力误差,基于模糊控制方法,根据所述温度误差和所述压力误差调节所述煤层气解吸时的气体收集阀的开度。
2.根据权利要求1所述的基于卡尔曼滤波的煤层气采集方法,其特征在于,在所述步骤1之前还包括以下步骤:
预先分别设定所述温度期望值和所述压力期望值。
3.根据权利要求1所述的基于卡尔曼滤波的煤层气采集方法,其特征在于,在所述步骤1中,具体采用温度传感器获取所述温度实时测量值,采用压力传感器获取所述压力实时测量值。
4.根据权利要求1所述的基于卡尔曼滤波的煤层气采集方法,其特征在于,在所述步骤2中,所述卡尔曼滤波模型包括温度卡尔曼滤波模型和压力卡尔曼滤波模型;且所述温度卡尔曼滤波模型包括温度卡尔曼预测模型和温度卡尔曼更新模型,所述压力卡尔曼滤波模型包括压力卡尔曼预测模型和压力卡尔曼更新模型。
5.根据权利要求4所述的基于卡尔曼滤波的煤层气采集方法,其特征在于,所述步骤2的具体步骤包括:
步骤21:根据所述温度实时测量值建立所述温度卡尔曼预测模型,并根据所述温度卡尔曼预测模型得到所述温度预估值;根据所述压力实时测量值建立所述压力卡尔曼预测模型,并根据所述压力卡尔曼预测模型得到所述压力预估值;
其中,所述温度卡尔曼预测模型包括温度状态方程、温度测量方程和温度协方差方程,所述压力卡尔曼预测模型包括压力状态方程、压力测量方程和压力协方差方程,所述温度状态方程、所述温度测量方程和所述温度协方差方程,以及所述压力状态方程、所述压力测量方程和所述压力协方差方程具体如下:
Xit=f(Xit-1,uit-1)=Fit-1Xit-1+Bit-1uit-1
Zit=HitXit+Vit
i=1或2,当i=1时,上述方程分别代表所述温度状态方程、所述温度测量方程和所述温度协方差方程,当i=2时,上述方程分别代表所述压力状态方程、所述压力测量方程和所述压力协方差方程,Xit为根据t-1时刻预测的t时刻的所述温度预估值或所述压力预估值,Zit为t时刻的所述温度实时测量值或所述压力实时测量值,Pit为t时刻的温度协方差或压力协方差,f(Xit-1,uit-1)为t时刻的温度状态函数或压力状态函数,Xit-1为t-1时刻的所述温度预估值或所述压力预估值,Fit-1为t-1时刻的温度状态转移矩阵或压力状态转移矩阵,Bit-1为t-1时刻的温度噪声控制矩阵或压力噪声控制矩阵,uit-1为t-1时刻的温度噪声序列或压力噪声序列,Hit为t时刻的温度测量矩阵或压力测量矩阵,Vit为t时刻的温度测量噪声序列或压力测量噪声序列,Fit为t时刻的所述温度状态转移矩阵或所述压力状态转移矩阵,为t时刻的所述温度状态转移矩阵的转置矩阵或所述压力状态转移矩阵的转置矩阵,Pit-1为t-1时刻的所述温度协方差或所述压力协方差,Qit-1为t-1时刻的温度噪声序列或压力噪声序列的协方差矩阵,Bit为t时刻的所述温度噪声控制矩阵或所述压力噪声控制矩阵,为t时刻的所述温度噪声控制矩阵的转置矩阵或所述压力噪声控制矩阵的转置矩阵;
步骤22:根据所述温度状态方程和所述温度测量方程获取温度卡尔曼增益方程,根据所述压力状态方程和所述压力测量方程获取压力卡尔曼增益方程;
其中,所述温度卡尔曼增益方程和所述压力卡尔曼增益方程分别为:
i=1或2,当i=1时,上述方程代表所述温度卡尔曼增益方程,当i=2时,上述方程代表所述压力卡尔曼增益方程,为t时刻的所述温度测量矩阵的转置矩阵或所述压力测量矩阵的转置矩阵,为t时刻的所述温度测量噪声序列的转置矩阵或所述压力测量噪声序列的转置矩阵;
步骤23:根据所述温度状态方程、所述温度测量方程、所述温度协方差方程和所述温度卡尔曼增益方程建立所述温度卡尔曼更新模型,并根据所述温度卡尔曼更新模型获取所述温度最优估计值;根据所述压力状态方程、所述压力测量方程、所述压力协方差方程和所述压力卡尔曼增益方程建立所述压力卡尔曼更新模型,并根据所述压力卡尔曼更新模型获取所述压力最优估计值;
其中,所述温度卡尔曼更新模型包括温度最优估计值更新方程和温度协方差更新方程,所述压力卡尔曼更新模型包括压力最优估计值更新方程和压力协方差更新方程,所述温度最优估计值更新方程和所述温度协方差更新方程、以及所述压力最优估计值更新方程和所述压力协方差更新方程具体如下为:
i=1或2,当i=1时,上述方程分别代表所述温度最优估计值更新方程和所述温度协方差更新方程,当i=2时,上述方程分别代表所述压力最优估计值更新方程和所述压力协方差更新方程,为t时刻的所述温度最优估计值或所述压力最优估计值,为t时刻的所述温度协方差或所述压力协方差的更新值,I为单位矩阵。
6.根据权利要求5所述的基于卡尔曼滤波的煤层气采集方法,其特征在于,在所述步骤3中,基于模糊控制方法,根据所述温度误差和所述压力误差调节所述气体收集阀的开度的具体步骤包括:
步骤31:将所述温度误差与所述压力误差作为模糊控制器的两个输入变量,并根据两个所述输入变量的范围分别选取两个模糊子集和两个对应的模糊子集论域;将所述气体收集阀的开度作为模糊控制器的输出量,并根据预先获取的所述气体收集阀在所述煤层气解吸时的开度期望值和开度范围选取模糊集合和对应的模糊论域;
步骤32:根据两个所述模糊子集和两个对应的所述模糊子集论域分别确定两个对应的子集隶属函数,根据所述模糊集合和对应的所述模糊论域确定输出隶属函数,并根据所述子集隶属函数和所述输出隶属函数制定模糊控制规则表;
步骤33:根据所述模糊控制表调节所述气体收集阀的开度。
7.根据权利要求6所述的基于卡尔曼滤波的煤层气采集方法,其特征在于,在所述步骤31之前还包括以下步骤:
步骤30:预先获取所述气体收集阀的所述开度期望值和所述开度范围。
8.一种基于卡尔曼滤波的煤层气采集系统,其特征在于,包括采集单元、卡尔曼滤波模型建立单元、第一运算单元、第二运算单元和模糊控制单元;
所述采集单元,用于分别获取所述煤层气解吸时的温度实时测量值和压力实时测量值;
所述卡尔曼滤波模型建立单元,用于基于卡尔曼滤波方法,根据所述温度实时测量值和所述压力实时测量值分别建立卡尔曼滤波模型;
所述第一运算单元,用于根据所述卡尔曼滤波模型分别获取所述煤层气解吸时的温度最优估计值和压力最优估计值;
所述第二运算单元,用于分别获取所述温度最优估计值与预设的温度期望值之间的温度误差,以及所述压力最优估计值与预设的压力期望值之间的压力误差;
所述模糊控制单元,用于基于模糊控制方法,根据所述温度误差和所述压力误差调节所述煤层气解吸时的气体收集阀的开度。
9.一种基于卡尔曼滤波的煤层气采集系统,其特征在于,包括处理器、存储器和存储在所述存储器中且可运行在所述处理器上的计算机程序,所述计算机程序运行时实现如权利要求1-7任一项所述的步骤。
10.一种计算机存储介质,其特征在于,所述计算机存储介质包括:至少一个指令,在所述指令被执行时实现如权利要求1-7任一项所述的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811525247.XA CN109800454B (zh) | 2018-12-13 | 2018-12-13 | 一种基于卡尔曼滤波的煤层气采集方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811525247.XA CN109800454B (zh) | 2018-12-13 | 2018-12-13 | 一种基于卡尔曼滤波的煤层气采集方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109800454A true CN109800454A (zh) | 2019-05-24 |
CN109800454B CN109800454B (zh) | 2023-04-18 |
Family
ID=66556658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811525247.XA Active CN109800454B (zh) | 2018-12-13 | 2018-12-13 | 一种基于卡尔曼滤波的煤层气采集方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109800454B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110348603A (zh) * | 2019-06-12 | 2019-10-18 | 西安科技大学 | 一种煤自燃危险程度多源信息融合预警方法 |
CN114001736A (zh) * | 2021-11-09 | 2022-02-01 | Oppo广东移动通信有限公司 | 定位方法、定位装置、存储介质与电子设备 |
CN114815916A (zh) * | 2022-03-22 | 2022-07-29 | 苏州华兴源创科技股份有限公司 | 一种压力测试方法和控制系统 |
CN115134904A (zh) * | 2022-06-27 | 2022-09-30 | 国网青海省电力公司信息通信公司 | 信号处理方法、装置、电子设备及计算机可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4577270A (en) * | 1980-07-04 | 1986-03-18 | Hitachi, Ltd. | Plant control method |
CN103115356A (zh) * | 2013-02-07 | 2013-05-22 | 华北电力大学 | 超临界cfb锅炉燃烧信号的监测方法及优化控制方法 |
-
2018
- 2018-12-13 CN CN201811525247.XA patent/CN109800454B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4577270A (en) * | 1980-07-04 | 1986-03-18 | Hitachi, Ltd. | Plant control method |
CN103115356A (zh) * | 2013-02-07 | 2013-05-22 | 华北电力大学 | 超临界cfb锅炉燃烧信号的监测方法及优化控制方法 |
Non-Patent Citations (2)
Title |
---|
廖文恺: "煤矿安全中多传感器模糊信息融合的应用", 《低碳世界》 * |
田春燕等: "基于数据融合的多传感器瓦斯监测系统设计", 《制造业自动化》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110348603A (zh) * | 2019-06-12 | 2019-10-18 | 西安科技大学 | 一种煤自燃危险程度多源信息融合预警方法 |
CN110348603B (zh) * | 2019-06-12 | 2021-11-23 | 西安科技大学 | 一种煤自燃危险程度多源信息融合预警方法 |
CN114001736A (zh) * | 2021-11-09 | 2022-02-01 | Oppo广东移动通信有限公司 | 定位方法、定位装置、存储介质与电子设备 |
CN114815916A (zh) * | 2022-03-22 | 2022-07-29 | 苏州华兴源创科技股份有限公司 | 一种压力测试方法和控制系统 |
CN115134904A (zh) * | 2022-06-27 | 2022-09-30 | 国网青海省电力公司信息通信公司 | 信号处理方法、装置、电子设备及计算机可读存储介质 |
CN115134904B (zh) * | 2022-06-27 | 2024-04-26 | 国网青海省电力公司信息通信公司 | 信号处理方法、装置、电子设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109800454B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109800454A (zh) | 一种基于卡尔曼滤波的煤层气采集方法、系统及存储介质 | |
CN109685314B (zh) | 一种基于长短期记忆网络的非侵入负荷分解方法和系统 | |
CN105389467B (zh) | 一种获得井间连通关系的方法及装置 | |
CN106228242B (zh) | 一种基于优化算法的高精度调洪演算方法 | |
CN107864071A (zh) | 一种面向主动安全的数据动态采集方法、装置及系统 | |
CN103198354B (zh) | 一种利用bp神经网络与非支配排序遗传算法nsga2实现油田抽油机采油节能增产优化方法 | |
CN104715292A (zh) | 基于最小二乘支持向量机模型的城市短期用水量预测方法 | |
CN102832617B (zh) | 一种基于精确化模式判别的大电网暂态稳定分析方法 | |
CN109787251B (zh) | 一种集群温控负荷聚合模型、系统参数辨识及反推控制方法 | |
CN104199283A (zh) | 一种电液伺服在线自调整模糊pid控制的测试系统及控制方法 | |
CN105633956A (zh) | 一种基于Spiking神经网络伪量测建模的配电网三相状态估计方法 | |
CN103177155A (zh) | 一种基于bp神经网络与spea2算法的油田抽油机采油节能增产优化方法 | |
CN107762456B (zh) | 一种抽油机变速运行智能控制方法及控制装置 | |
CN105046326A (zh) | 基于功图主元分析的抽油机参数优化方法 | |
CN102998976A (zh) | 一种智能减震结构的在线实时控制方法 | |
CN104578143B (zh) | 一种适用于新能源发电机的不确定大时滞的补偿方法 | |
CN102692491B (zh) | 基于分阶段禁忌寻优算法的土壤水分特征参数计算方法 | |
CN103149600A (zh) | 一种基于优化控制点确定水文地质参数的自动配线方法 | |
CN104616072A (zh) | 一种基于区间优化的提高谷氨酸发酵产物浓度的方法 | |
CN104881512A (zh) | 一种基于粒子群算法的无波纹最少拍控制器自动设计方法 | |
CN110928215B (zh) | 一种油田掺水管网智能控制系统及控制方法 | |
CN105044531B (zh) | 一种基于ekf和fsa的动态信号参数辨识方法 | |
CN104407547B (zh) | 一种通用波形再现控制方法及控制装置 | |
CN103411628B (zh) | 一种mems陀螺仪随机漂移误差的处理方法 | |
CN103995180A (zh) | 一种考虑不等式约束的电力系统频率估计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |