CN114280927B - 模糊神经网络pid火驱智能点火控制方法 - Google Patents
模糊神经网络pid火驱智能点火控制方法 Download PDFInfo
- Publication number
- CN114280927B CN114280927B CN202111396557.8A CN202111396557A CN114280927B CN 114280927 B CN114280927 B CN 114280927B CN 202111396557 A CN202111396557 A CN 202111396557A CN 114280927 B CN114280927 B CN 114280927B
- Authority
- CN
- China
- Prior art keywords
- neural network
- temperature
- pid
- fuzzy
- control
- 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.)
- Active
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开了一种模糊神经网络PID火驱智能点火控制方法,包括PLC控制系统实时监测热电偶的温度值、气量表的气量值信号,通过地层设定温度,进行模糊RBF神经网络运算,将运算结果反馈给PID控制器;所述PID控制器给测控柜发出信号,测控柜再通过动力电缆给出电流值,连续管电点火器按照提供的功率去加热井下油层附近空气,井下热电偶温度变化又及时反映给PLC控制系统;所述PLC控制系统再根据反馈的温度进行运算,将给出调整的电流值反馈给连续管电点火器,如此循环反馈,对井下温度进行精确控制。本发明中模糊RBF神经网络PID控制在点火作业控制中温度达到稳定的过度时间短,超调量小,提高了点火作业中温度的控制精度和控制平稳性。
Description
技术领域
本发明涉及火驱点火技术中的智能控制领域,具体涉及模糊神经网络PID火驱智能点火控制方法。
背景技术
在火驱工艺中,点火控制技术起到了至关重要的作用,尤其在电点火技术中,对点火工艺的控制决定了火驱工艺的成败和点火效果的好坏。在现今的点火控制中,基本采用的都是人工控制,由现场施工人员去动态实时调节点火控制柜的功率大小,给井底的加热器进行温度调节,来加热注入井底油层附近的空气。根据火烧油层的温度要求设定,采用人工手动调节控制柜,这种方式工作量繁琐,需要白天黑夜二十四小时有人看守监控,工人劳动强度大。由于现场空压机不稳定,气量上下波动,井底温度会发生变化,就需要人员频繁去控制柜调节功率,这样会增加很多工作量还会增加安全隐患,尤其夜晚和雨天点火作业不能停止时,人工调节就显出很多弊端,极大地影响了点火作业的工作效率,导致不能高效安全施工。因此现场急需改进这一工作现状,找到一种高效、便捷、智能的控制点火作业的方法。
结合现代控制理论,很多工业系统采用PID控制器这种线性控制器,它根据给定值r与实际输出值y构成控制偏差e,将偏差e按比例、积分和微分通过线性组合构成控制量u,对被控对象进行控制。控制器的输出和输入之间采用比例增益P、积分时间I、微分时间D进行调节。采用常规PID控制,稳定性好、可靠性高、参数易调整。在一般的系统温度控制过程中,常规PID控制方法能够实现对温度惯性大、容量滞后等动态特性的控制。在一些对控制速度和控制精度要求不是很高的工业控制过程中,常规PID控制能获得较高的性价比。但常规PID控制器的设计依赖于被控对象的精确数学模型,而点火作业反应机理复杂,各个参数在系统反应过程中具有时变特性,并受外界干扰等不确定因素的影响,难以建立精确的数学模型,参数调整也比较困难,不能解决系统的相对稳定性和快速性的矛盾问题。常规PID控制器在控制过程中不会随着误差或误差变化率的变化而改变,对于本身带有大惯性、大滞后的控制过程常常会容易产生较大的超调量,增大调节时间,降低调节的稳定性。因此采用常规的PID控制器无法实现对点火作业中温度参数的精确控制。
发明内容
本发明的目的是提供一种智能点火控制技术,通过数据采集监控,采用模糊RBF神经网络PID控制,应用到火驱点火工艺中,进行数据分析和数据管理,实现智能高效安全点火作业。
为实现上述目的,本申请提出一种模糊神经网络PID火驱智能点火控制方法,包括:
注气设备产生的空气通过管线从井口油管一侧注入,所述管线上安装气量表,采集注气压力、流量、总量、注气温度信息,并传输到测控柜;
所述油管另一侧安装油压表,记录油压值,压力数值,并传输到测控柜;
套管一侧管线安装套压表,记录套压值、压力数值,并传输到测控柜;
连续油管作业机将连续管电点火器穿过油管、封隔器下入到隔热管底部且位于油层上部,连续管电点火器通电对注入的空气加热,热空气通过筛管进入油层进行加热。
套管另一侧管线下入热电偶并绑在油管壁上,通过油管与套管之间环空下入到筛管底端,对油层空气温度进行监控;该温度直接用测温线缆传输到测控柜;
所述测控柜将从所述气量表、油压表、套压表、热电偶获取的数据以及测控柜自身的电网电压、电流、变压器状态信号通过无线方式传送到板房内的PLC控制系统,并通过显示屏进行人机界面显示;
PLC控制系统实时监测热电偶的温度值、气量表的气量值信号,通过地层设定温度,进行模糊RBF神经网络运算,将运算结果反馈给PID控制器;
所述PID控制器给测控柜发出信号,测控柜再通过动力电缆给出电流值,连续管电点火器按照提供的功率去加热井下油层附近空气,井下热电偶温度变化又及时反映给PLC控制系统;
所述PLC控制系统再根据反馈的温度进行运算,将给出调整的电流值控制量反馈给连续管电点火器,如此循环反馈,对井下温度进行精确控制。
进一步的,所述PLC控制系统中通过模糊RBF神经网络获取PID控制器的相关系数。
进一步的,所述模糊RBF神经网络将地层设定温度与实际采集温度的误差e(k)、误差变化率ec(k)作为输入量送入输入层,所述输入层的输入量与输出量分别表示为:
输入量:I1(1)=e(k)
I2(2)=ec(k)
输出量:F1(i,j)=I(i),(i=1,2;j=1,2,…,n)
式中,n为模糊子集个数;
进一步的,将所述输入层的输出量送入模糊化层中,该层利用高斯函数作为隶属度函数;所述模糊化层输入量与输出量分别表示为:
输入量:
输出量:F2(i,j)=exp(I2(i,j),(i=1,2;j=1,2,...,n)
式中,cij为隶属度函数的中心值;bij为隶属度函数的宽度;
进一步的,所述模糊化层通过与模糊推理层的连接来实现模糊化规则的,每个模糊推理层节点的输出为所有输入该节点信号的乘积,即
输入量:I3(i)=F2(1,j)*F2(2,j),(i=1,2,...,n2;j=1,2,...,n)
中间量:F3(i)=I3(i),(i=1,2,...,n2)
输出量:
式中,ωij为模糊推理层到输出层的权值系数;输出为比例系数kp、积分系数ki、微分系数kd的整定结果,即:
更进一步的,所述PID控制器采用增量式PID控制器,其控制误差为:
e(k)=r(k)-y(k)
其中,e(k)为第k次采样误差值,r(k)为第k次给定值,y(k)为第k次输出值。
更进一步的,增量式PID控制方式为:
u(k)=u(k-1)+Δu(k)
Δu(k)=kpxc(1)+kixc(2)+kdxc(3)
式中
u(k)为第k次电流变化量,Δu(k)为电流变化值。
更进一步的,所述模糊RBF神经网络的初始权值ω在一定范围内服从高斯分布和均匀分布;随机分布X1在[0,0.18)和随机分布X2在(0.2,1]上服从均匀分布,随机分布X3在区间[0.18,0.2]上服从N(0.185,0.02)的高斯分布;根据经验法使得ω的取值为ω=0.01X1+0.01X2+0.98X3。
更进一步的,使用delta规则对所述模糊RBF神经网络参数进行修正,则输出层的权值为:
ωij(k)=ωij(k-1)+Δωij(k)+α(ωij(k-1)-ωij(k-2))
式中,η为学习效率;α为动量因子。
更进一步的,所述测控柜通过动力电缆给连续管作业机、连续管电点火器提供电力。
更进一步的,所述测控柜内的测控板基于物联网中的LoRa无线扩频技术,实现对气量表、油压表、套压表、测温线缆的热电偶温度信号的获取。
更进一步的,所述PLC控制系统采集的数据包括点火方案、注气状态、点火井状态、点火系统状态,四者均在显示屏中展示。
作为更进一步的,所述点火方案包括地层设定温度、温度阶段时间。
作为更进一步的,所述注气状态包括注气速度、注气压力、气体温度。
作为更进一步的,所述点火井状态包括地层温度、油压、套压。
作为更进一步的,所述点火系统状态包括电网电压、变压器状态、点火功率。
作为更进一步的,当注气状态异常、注气井异常、点火系统异常时PLC控制系统进行报警或紧急停机。
本发明采用的以上技术方案,与现有技术相比,具有的优点是:本发明提高了安全系数,使点火作业智能化、高效率,减轻了现场工人的劳动强度。模糊RBF神经网络PID控制在点火作业控制中温度达到稳定的过度时间短,超调量小,提高了点火作业中温度的控制精度和控制平稳性。
附图说明
图1为PLC控制系统原理图;
图2为模糊RBF神经网络结构层次图;
图3为电点火现场结构示意图;
图4为电点火采集控制系统框图。
图中序号说明:1-输入层,2-模糊化层,3-模糊推理层,4-输出层,5-注气设备,6-气量表,7-油管,8-油压表,9-套管,10-套压表,11-连续油管作业机,12-连续管电点火器,13-封隔器,14-隔热管,15-油层,16-筛管,17-热电偶,18-测控柜,19-动力电缆,20-测温线缆,21-板房,22-PLC控制系统,23-显示屏。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请,即所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
实施例1
本发明采用物联网传输技术,通过测控柜对现场各种二次仪表参数进行采集分析处理,对地层温度,井口油压、套压,注气速度、压力、温度,电网电压,点火功率等参数进行人机界面显示,实现了报警处理,数据分析,通过模糊神经网络PID算法进行井下温度控制,提高点火控制精度、可控性和安全性。本发明应用模糊RBF(径向基函数)神经网络PID控制方法,对常规PID控制进行改进与优化,其是在原PID控制器的基础上,利用模糊RBF神经网络,以控制被控对象的输出误差e和误差变化率de/dt为输入量,整合出一组适合的(比例系数)kp、(积分系数)ki、(微分系数)kd控制参数,并通过RBF神经网络自身的学习功能,不断优化参数达到提高被控对象控制性能的目的,其结构见图1。在传统PID控制器之上又叠加了模糊神经网络控制功能,输入信号也不再是输出信号y(k)与给定信号r(k)的差值e,而是差值e与误差变化率de/dt共同为输入信号。模糊RBF神经网络包括输入层、模糊化层、模糊推理层和输出层,其结构如图2所示,模糊控制理论与RBF神经网络相融合的模糊RBF神经网络,不仅可以利用模糊推理规则模拟人的思维方式,对复杂的被控对象进行有效控制,而且比神经网络算法有更强的非线性逼近能力和推理能力,二者结合可以大大提高复杂控制系统的控制效果。本发明中可以将r代表为地层设定温度,y代表为井下测温热电偶输出温度,e代表为二者之差就是温度误差值,de/dt代表温度误差变化率。I,F代表模糊RBF神经网络结构各级层次输入和输出。PLC控制系统实际输入信号是误差和误差变化率,即输出和设定温度差值,和温度差值变化率,PLC控制系统根据二者输入去调节井下连续管电点火器电流去改变井底温度值,井底温度再反馈回来继续与设定值对比,再将误差和误差变化率输入PLC控制系统调节,如此反复。模糊的作用是根据很多隶属度函数去加速逼近设定值,神经网络通过自学习具有判断优化能力。
所示模糊RBF神经网络内部实现方式为:
将地层设定温度与实际采集温度的误差e(k)、误差变化率ec(k)作为输入量送入输入层,所述输入层的输入量与输出量分别表示为:
输入量:I1(1)=e(k)
I2(2)=ec(k)
输出量:F1(i,j)=I(i),(i=1,2;j=1,2,…,n)
式中,n为模糊子集个数;本实施例中n=7。
将所述输入层的输出量送入模糊化层中,该层利用高斯函数作为隶属度函数;所述模糊化层输入量与输出量分别表示为:
输入量:
输出量:F2(i,j)=exp(I2(i,j),(i=1,2;j=1,2,...,n)
式中,cij为隶属度函数的中心值;bij为隶属度函数的宽度;
所述模糊化层通过与模糊推理层的连接来实现模糊化规则的,每个模糊推理层节点的输出为所有输入该节点信号的乘积,即输入量:I3(i)=F2(1,j)*F2(2,j),(i=1,2,...,n2;j=1,2,...,n)
中间量:F3(i)=I3(i),(i=1,2,...,n2)
输出量:
式中,ωij为模糊推理层到输出层的权值系数;输出为比例系数kp、积分系数ki、微分系数kd的整定结果,即:
所述PID控制器采用增量式PID控制器,其控制误差为:
e(k)=r(k)-y(k)
其中,e(k)为第k次采样误差值,r(k)为第k次给定值,y(k)为第k次输出值。
增量式PID控制方式为:
u(k)=u(k-1)+Δu(k)
Δu(k)=kpxc(1)+kixc(2)+kdxc(3)
式中
u(k)为第k次电流变化量,Δu(k)为电流变化值。
所述模糊RBF神经网络的选取初始权值ω不合适时,会使PLC控制系统的调节时间变长,超调量变大。本实施例中,初始权值ω在一定范围内服从高斯分布和均匀分布;随机分布X1在[0,0.18)和随机分布X2在(0.2,1]上服从均匀分布,随机分布X3在区间[0.18,0.2]上服从N(0.185,0.02)的高斯分布;根据经验法使得ω的取值为:ω=0.01X1+0.01X2+0.98X3。
由于系统是时变、非线性的,因此,神经网络需要对权值进行不断优化,使用delta规则对所述模糊RBF神经网络参数进行修正,则输出层的权值为:
ωij(k)=ωij(k-1)+Δωij(k)+α(ωij(k-1)-ωij(k-2))
式中,η为学习效率;α为动量因子。
在现场点火施工中,注气设备5产生的空气通过管线从井口油管7一侧注入,该管线上安装气量表6,用于记录注气压力、流量、总量、注气温度等信息,通过无线通讯传到测控柜18。油管7另一侧安装油压表8,用于记录油压值、压力数值,然后无线传输到测控柜18。套管9一侧安装套压表10,用于记录套压值、压力数值,然后无线传输到测控柜18。连续油管作业机11把连续管电点火器12穿过油管7、封隔器13下入到隔热管14底部且位于油层15上部,通电对注入的空气加热,热空气通过筛管16进入油层15进行加热。套管9另一侧管线下入热电偶17,其绑在油管7壁上,通过油管7与套管9环空下入到筛管16底端,对油层15空气温度进行监控。这个温度也是点火监控的重点,关系点火状况评判。这个点火温度直接用测温线缆20传输到测控柜18。测控柜18通过动力电缆19给连续管作业机11提供电力,给井下的连续管电点火器12提供电力支持。测控柜18内的测控板基于物联网中的LoRa无线扩频技术,对气量表6、油压表8、套压表10、测温线缆20的热电偶17温度信号等实现了低功耗、远距离、低成本的无线组网来进行通信。并把这些信号连带测控柜18自身的电网电压、电流、变压器状态信号通过无线方式传送到板房14里的PLC控制系统22,显示屏16进行人机界面显示。PLC控制系统22通过实施监测热电偶17温度值、气量表6气量值信号,通过地层设定温度,进行模糊RBF神经网络运算,给测控柜18发出信号,测控柜18再通过动力电缆19给出电流值,连续管电点火器按照提供的功率去加热井下油层附近空气,井下热电偶温度变化又及时反映给PLC控制系统;所述PLC控制系统再根据反馈的温度进行运算,将给出调整的电流值反馈给连续管电点火器,如此循环反馈,对井下温度进行精确控制。
PLC控制系统22对各种信号进行检测,并通过显示屏进行显示和控制。点火方案包括地层设定温度、温度阶段时间。注气状态包括注气速度、注气压力、气体温度。点火井状态包括地层温度、油压、套压,点火系统状态包括电网电压、变压器状态、点火功率。当注气状态异常、注气井异常、点火系统异常时PLC控制系统进行报警或紧急停机。数据分析包括数据报表和数据对比。温度控制PID包括点火功率调整,注气速度调整,具体如图4。模糊RBF神经网络控制PID方法固化在PLC里,既能通过测控柜无线通讯使动力电缆对连续管作业机下入的连续管电点火器进行功率调节,又能通过测控柜无线通讯对注气管线上的气量表进行调节。板房里的显示屏实时显示各种监测数据和故障报警,具有历史数据的显示和查询功能,
采用常规PID控制的方法和模糊RBF神经网络控制方法对给定点火系统进行仿真,取点火系统的数学模型为二阶传递函数:
采样时间为1s,输入信号为单位阶跃信号。常规PID参数采用经验法得到,取kp=15,ki=10,kd=0.5。模糊RBF神经网络控制方法中,输入量为误差e(k)和误差变化率ec(k),分别取7个模糊子集,并对其进行模糊化。模糊RBF神经网络结构选为2-7-7-3,学习速率η=0。25,动量因子α=0。02。初始权值在区间[0,0.18)∪(0.2,1]上服从均匀分布,在区间[0.18,0.2]上服从N(0.185,0.02)高斯分布。在t=150s时,加入一干扰信号。经过仿真对比,模糊RBF神经网络PID控制和常规PID控制相比较,超调量减少了,并且缩短了系统调节时间,加入干扰信号,模糊RBF神经网络PID控制比常规PID控制的波动小,调节时间快。
将点火系统传递函数改为:
其它参数不变,经过仿真,得到的曲线进行对比可以知道,在被控对象参数改变后,常规PID控制在PID参数不是最优的情况下超调变大,响应时间变长,实用性差,而模糊RBF神经网络PID控制则能通过智能学习自适应调节控制参数,仍能保持较好的控制效果,具有更好的控制性能和更强的适应性。
当点火系统滞后时间为T=5s和T=15s时,即将传递函数改为:
其它参数不变,经过仿真,可以看出在被控对象滞后时间改变后,由于模糊RBF神经网络PID控制对PID参数的实时调整,超调量小,系统达到稳定时间短,其控制效果总是大大优于常规PID的控制效果。
现场点火作业实施时,整个电点火PLC控制系统将点火方案的设定温度与现场采集的注气速度、注气压力、井下地层温度等信息输入模糊RBF神经网络控制PID负反馈算法,计算得出点火器科学合理的加热功率,能够顺利控制点火器完成各点火阶段的加热。采用常规PID控制升温较模糊RBF神经网络PID控制升温慢,且易发生振荡,使调节电流频繁动作,系统很难稳定下来,现场温度显示来回跳动。而采用模糊RBF神经网络PID控制升温控制快而稳定,温度显示也稳定,尤其当点火温度恒定时,系统很稳定,安全可靠性高。现场点火作业比人工调节快速准确,工人在板房通过显示屏就可容易观察到整个点火作业情况,通过显示屏人机界面可以自动控制或者人工调节控制系统。如有问题显示屏就会发出报警信号,还可以记录点火数据,形成数据报表,进行数据分析。夜间工人可以适当休息,不用实时监控,大大减少工作强度,提高点火作业效率和安全等级。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式,并且很显然,根据上述教导,可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用,从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
Claims (13)
1.一种模糊神经网络PID火驱智能点火控制方法,其特征在于,包括:
注气设备产生的空气通过管线从井口油管一侧注入,所述管线上安装气量表,采集注气压力、流量、总量、注气温度信息,并传输到测控柜;
所述油管另一侧安装油压表,记录油压值,压力数值,并传输到测控柜;
套管一侧管线安装套压表,记录套压值、压力数值,并传输到测控柜;
连续油管作业机将连续管电点火器穿过油管、封隔器下入到隔热管底部且位于油层上部,连续管电点火器通电对注入的空气加热,热空气通过筛管进入油层进行加热;
套管另一侧管线下入热电偶并绑在油管壁上,通过油管与套管之间环空下入到筛管底端,对油层空气温度进行监控;该温度直接用测温线缆传输到测控柜;
所述测控柜将从所述气量表、油压表、套压表、热电偶获取的数据以及测控柜自身的电网电压、电流、变压器状态信号通过无线方式传送到板房内的PLC控制系统,并通过显示屏进行人机界面显示;
PLC控制系统实时监测热电偶的温度值、气量表的气量值信号,通过地层设定温度,进行模糊RBF神经网络运算,将运算结果反馈给PID控制器;
所述PID控制器给测控柜发出信号,测控柜再通过动力电缆给出电流值,连续管电点火器按照提供的功率去加热井下油层附近空气,井下热电偶温度变化又及时反映给PLC控制系统;
所述PLC控制系统再根据反馈的温度进行运算,将给出调整的电流值反馈给连续管电点火器,如此循环反馈,对井下温度进行精确控制;
所述PLC控制系统中通过模糊RBF神经网络获取PID控制器的相关系数;
所述模糊RBF神经网络将地层设定温度与实际采集温度的误差e(k)、误差变化率ec(k)作为输入量送入输入层,所述输入层的输入量与输出量分别表示为:
输入量:I1(1)=e(k)
I2(2)=ec(k)
输出量:F1(i,j)=I(i),(i=1,2;j=1,2,…,n)
式中,n为模糊子集个数;
将所述输入层的输出量送入模糊化层中,该层利用高斯函数作为隶属度函数;所述模糊化层输入量与输出量分别表示为:
输入量:
输出量:F2(i,j)=exp(I2(i,j)),(i=1,2;j=1,2,...,n)
式中,cij为隶属度函数的中心值;bij为隶属度函数的宽度;
所述模糊化层通过与模糊推理层的连接来实现模糊化规则的,每个模糊推理层节点的输出为所有输入该节点信号的乘积,即
输入量:I3(i)=F2(1,j)*F2(2,j),(i=1,2,...,n2;j=1,2,...,n)
中间量:F3(i)=I3(i),(i=1,2,...,n2)
输出量:式中,ωij为模糊推理层到输出层的权值系数;输出为比例系数kp、积分系数ki、微分系数kd的整定结果,即:
2.根据权利要求1所述一种模糊神经网络PID火驱智能点火控制方法,其特征在于,所述PID控制器采用增量式PID控制器,其控制误差为:
e(k)=r(k)-y(k)
其中,e(k)为第k次采样误差值,r(k)为第k次给定值,y(k)为第k次输出值。
3.根据权利要求2所述一种模糊神经网络PID火驱智能点火控制方法,其特征在于,增量式PID控制方式为:
u(k)=u(k-1)+Δu(k)
Δu(k)=kpxc(1)+kixc(2)+kdxc(3)
式中
u(k)为第k次电流变化量,Δu(k)为电流变化值。
4.根据权利要求1所述一种模糊神经网络PID火驱智能点火控制方法,其特征在于,所述模糊RBF神经网络的初始权值ω在一定范围内服从高斯分布和均匀分布;随机分布X1在[0,0.18)和随机分布X2在(0.2,1]上服从均匀分布,随机分布X3在区间[0.18,0.2]上服从N(0.185,0.02)的高斯分布;根据经验法使得ω的取值为:ω=0.01X1+0.01X2+0.98X3。
5.根据权利要求1所述一种模糊神经网络PID火驱智能点火控制方法,其特征在于,使用delta规则对所述模糊RBF神经网络参数进行修正,则输出层的权值为:
ωij(k)=ωij(k-1)+Δωij(k)+α(ωij(k-1)-ωij(k-2))
式中,η为学习效率;α为动量因子。
6.根据权利要求1所述一种模糊神经网络PID火驱智能点火控制方法,其特征在于,所述测控柜通过动力电缆给连续管作业机、连续管电点火器提供电力。
7.根据权利要求1所述一种模糊神经网络PID火驱智能点火控制方法,其特征在于,所述测控柜内的测控板基于物联网中的LoRa无线扩频技术,实现对气量表、油压表、套压表、测温线缆的热电偶温度信号的获取。
8.根据权利要求1所述一种模糊神经网络PID火驱智能点火控制方法,其特征在于,所述PLC控制系统采集的数据包括点火方案、注气状态、点火井状态、点火系统状态,四者均在显示屏中展示。
9.根据权利要求8所述一种模糊神经网络PID火驱智能点火控制方法,其特征在于,所述点火方案包括地层设定温度、温度阶段时间。
10.根据权利要求8所述一种模糊神经网络PID火驱智能点火控制方法,其特征在于,所述注气状态包括注气速度、注气压力、气体温度。
11.根据权利要求8所述一种模糊神经网络PID火驱智能点火控制方法,其特征在于,所述点火井状态包括地层温度、油压、套压。
12.根据权利要求8所述一种模糊神经网络PID火驱智能点火控制方法,其特征在于,所述点火系统状态包括电网电压、变压器状态、点火功率。
13.根据权利要求8所述一种模糊神经网络PID火驱智能点火控制方法,其特征在于,当注气状态异常、注气井异常、点火系统异常时PLC控制系统进行报警或紧急停机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111396557.8A CN114280927B (zh) | 2021-11-23 | 2021-11-23 | 模糊神经网络pid火驱智能点火控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111396557.8A CN114280927B (zh) | 2021-11-23 | 2021-11-23 | 模糊神经网络pid火驱智能点火控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114280927A CN114280927A (zh) | 2022-04-05 |
CN114280927B true CN114280927B (zh) | 2023-09-08 |
Family
ID=80869719
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111396557.8A Active CN114280927B (zh) | 2021-11-23 | 2021-11-23 | 模糊神经网络pid火驱智能点火控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114280927B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114895431B (zh) * | 2022-07-14 | 2022-09-27 | 中国科学院长春光学精密机械与物理研究所 | 一种通用大口径光电设备快速捕获控制系统及控制方法 |
CN115629535A (zh) * | 2022-11-14 | 2023-01-20 | 国网浙江省电力有限公司金华供电公司 | 一种基于bp神经网络的变电站智能降温控制方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103147733A (zh) * | 2013-03-12 | 2013-06-12 | 中国石油天然气股份有限公司 | 火烧油层可收卷式电点火及监测系统 |
CN111963471A (zh) * | 2020-08-14 | 2020-11-20 | 苏州浪潮智能科技有限公司 | 一种风扇转速控制方法和装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004059211A1 (fr) * | 2002-12-25 | 2004-07-15 | Yanxin Li | Bruleur auto-commande et methode de gestion de combustion |
US20140216732A1 (en) * | 2012-11-12 | 2014-08-07 | Schlumberger Technology Corporation | Hydrocarbon recovery control system and method |
-
2021
- 2021-11-23 CN CN202111396557.8A patent/CN114280927B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103147733A (zh) * | 2013-03-12 | 2013-06-12 | 中国石油天然气股份有限公司 | 火烧油层可收卷式电点火及监测系统 |
CN111963471A (zh) * | 2020-08-14 | 2020-11-20 | 苏州浪潮智能科技有限公司 | 一种风扇转速控制方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114280927A (zh) | 2022-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114280927B (zh) | 模糊神经网络pid火驱智能点火控制方法 | |
CA2829788C (en) | Method for determining and tuning process characteristic parameters using a simulation system | |
Figueiredo et al. | A SCADA system for energy management in intelligent buildings | |
Yang et al. | Hybrid intelligent control of gas collectors of coke ovens | |
CN101529354A (zh) | 焦化加热器中的异常情况预防 | |
RU2739727C1 (ru) | Способ и система удаленного мониторинга и прогнозирования состояния технологических объектов | |
CN104281057A (zh) | 一种应用于变压器冷却系统的复合pid模糊控制方法 | |
CN102366967A (zh) | 蒸汽养护自动化温控系统 | |
CN108241392A (zh) | 温度控制方法及系统 | |
Liu et al. | Neurofuzzy network modelling and control of steam pressure in 300 MW steam-boiler system | |
EP3936770A1 (de) | Heizungssystem mit automatischem adaptivem hydraulischem abgleich | |
CH709120A2 (de) | Verfahren und System für einen Verbrennungsmodenübergang in einer Gasturbine. | |
CN202399385U (zh) | 蒸汽养护自动化温控系统 | |
Li et al. | Model parameter identification of indoor temperature lag characteristic based on hysteresis relay feedback control in VAV systems | |
CN102637020A (zh) | 一种轧钢加热炉集成型控制系统 | |
Berouine et al. | A fuzzy logic-based approach for HVAC systems control | |
WO2021075515A1 (ja) | コントローラの設定調整装置、設定調整方法およびプログラム | |
KR20160091942A (ko) | 플랜트에서의 생산 및/또는 공정-엔지니어링의 공정 및/또는 공정 단계를 분석하는 방법, 시스템, 및 컴퓨터 프로그램 제품 | |
CN108255219B (zh) | 一种表面处理设备智能控制系统 | |
JP2016171750A (ja) | 施設制御システム及び施設制御方法 | |
CN113377138A (zh) | 实验室控温系统 | |
US20210389748A1 (en) | Operator console with dynamic future representations for processing equipment | |
Tasmurzayev et al. | Implementation of an intelligent control system for heat distribution in rooms | |
Koprda et al. | Modeling and comparison of fuzzy PID controller with PSD regulation in the discrete systems | |
Tancredi et al. | Digital twin-enabled process control in the food industry: proposal of a framework based on two case studies |
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 |