基于神经网络的抽油机远程监控信息延时的预测研究

姚向新 李晓彤

(1.宁夏煤矿设计研究院有限责任公司，宁夏 银川 750011；2.神华宁煤集团教育培训中心，宁夏 银川 750021)

基于神经网络的抽油机远程监控信息延时的预测研究

姚向新1李晓彤2

(1.宁夏煤矿设计研究院有限责任公司，宁夏 银川 750011；2.神华宁煤集团教育培训中心，宁夏 银川 750021)

针对抽油机远程监控中信息延时的问题，提出了基于神经网络的信息延时预测方法。采用GPRS技术和Quest3D软件，构建了抽油机网络监控环境，分析了网络监控中存在的较大延时、不确定延时、数据丢失等问题，建立了信息延时的预测模型，为提高抽油机监控质量、保证采油作业安全提供了技术保障，利用现场数据，在MATLAB环境中进行了仿真，仿真结果验证了该方法的有效性。

抽油机；神经网络预测；遥操作

0 引言

抽油机是油田生产的常用设备，在世界范围内，抽油机数量超过100万台[1]，而且还有增加的趋势。目前，在抽油机远程监测方面取得了大量的研究成果。潘峥嵘等人研究了基于GPRS的油田抽油机远程在线监控系统，开发了抽油机在线监控系统，该系统能对抽油机及油井的各种状态参数进行实时监测[2]。魏航信对抽油机远程监控系统客户端通信进行了研究，设计了包括现场层、监控层和管理层的3层抽油机远程监控体系结构[3]。在这些研究中，都没有考虑系统或网络的延时特性。

然而，在油田采油过程中，从数据采集、网络传输、故障诊断及停机维修之间有较长的时间间隔，若在2次巡检之间抽油机的某些部件发生故障而无法及时排除，抽油机将工作于非正常状态，易导致更深层次的故障发生，甚至损坏设备，威胁到人的生命安全[4]。因此，必须研究和探讨能够克服系统或网络延时的监测方法。

随着计算机技术、网络技术、传感技术及信息处理技术的不断发展，网络监控技术成为工业控制、航空航天、军事等众多领域的研究热点[5]，将抽油机与网络相结合，使它具有跨空间性、交互多样性、成本低、容易维护等特点[6]是抽油机监控系统的发展趋势。由于网络具有较大延时、不确定延时、数据丢失等问题，本文提出了基于神经网络的信息延时预测方法，为提高抽油机监控质量以及保证采油作业安全，提供了技术保障。

1 抽油机远程监控系统设计

抽油机远程监控系统由数据采集、GPRS通信网络和操作端计算机系统构成。数据采集和GPRS通信网络借鉴前人研究成果。操作端计算机系统由神经网络预测模型、虚拟抽油机、人机交互等组成，是实现抽油机远程监控与信息预测的核心。基于神经网络的抽油机远程监控结构框架如图1所示。

图1 基于神经网络的抽油机远程监控结构框架

1.1 虚拟抽油机环境的构造

虚拟抽油机环境包括抽油机三维建模、运动虚拟等模块。采用Quest3D编程软件，快速构建虚拟抽油机环境，构建过程如图2所示，建立的虚拟抽油机模型如图3所示。

图2 虚拟抽油机环境的构建过程

图3 虚拟抽油机模型

1.2 系统延时分析

遥操作具有将操作端的命令和行为，通过网络，传给执行端的功能，将操作端和执行端分开，提高操作者的安全性和工作效率，降低成本。但由于网络具有较大延时或不确定延时、数据丢失等问题，不但影响了操作者对现场设备工况的正确感知，而且导致系统的不稳定，降低了系统的操作性能。因此，必须对抽油机网络监控系统进行延时分析。

如图1所示，ui1为抽油机的实时状态信号，ui2为经网络传输延时后的信号，也是操作端的输入信号，uo1为操作端的输出信号，uo2为抽油机的输入信号，其中uo2是uo1经网络传输的延时信号。设信息传输时，网络延时为Tw，系统处理时间为Tm，系统延时为T，则历史延时数据可以表示为：

{T|k=1,2,…,K;0

(1)

式中，Tmax为系统最大延时；K为最大时刻。

实时测量的抽油机状态数据包通过网络传输到操作端，经处理以后，再通过网络将控制信号传给现场设备，总共花费的时间为系统延时，则有：

T=Tw+Tm

(2)

2 神经网络预测模型

目前解决延时问题存在几种具有代表性的方法，如监督控制、共享控制、预测控制、基于事件的控制等，其中应用最广泛的是预测控制。本文采用神经网络预测控制方法，对抽油机参数进行预测，在危险发生前实施控制，保证采油作业安全。

BP算法中，单纯的梯度下降法其权值调节公式仅为按梯度负方向进行修正，未考虑积累的经验，且学习率为常数，存在学习过程易发生振荡、收敛慢、易陷入局部极小等缺点。本文采用改进的BP算法，在其权向量调整公式基础上加入动量项，同时让学习率自适应调整，以减少学习过程中的振荡趋势，提高网络的收敛速度，抑制网络陷于局部极小。

3 仿真研究

数据采集及控制频率为200 Hz，通讯延时为Tw=1.5 s，Tm=0.5 s，用Matlab仿真，设仿真的给定信号是神经元变换函数采用Sigmoid型函数。以抽油机悬点加速度测试为例，对测试参数进行预测。本地测试的加速度信号如图4所示，神经网络预测误差如图5所示。

图4 实时测量数据

图5 神经网络预测误差

4 结语

本文将机器人遥操作技术引入到抽油机远程监测监控领域，将抽油机与网络相结合，使其具有跨空间性、交互多样性、成本低、容易维护等特点。由于网络具有较大延时或不确定延时、数据丢失等问题，建立了遥操作抽油机系统，提出了基于神经网络预测的控制策略。利用现场数据仿真，证明了该方法的有效性。为进一步提高抽油机监控质量、保证采油作业安全，提供了新的技术保障。

[1] 张晓东，贾国超.关于我国抽油机发展的几点思考[J].石油矿场机械，2008，37(1)：24～27

[2] 潘峥嵘，滕尚伟，尹晓霈，等.基于GPRS的油田抽油机远程在线监控系统的设计与实现[J].化工自动化及仪表，2008，35(1)：75～77

[3] 魏航信.基于GPRS的抽油机远程监控系统研究[J].计算机测量与控制，2010，8(3)：530～533

[4] 孙东.抽油机电参数远程智能故障诊断技术研究[J].自动化仪表，2012，33(5)：22～24

[5] 王明明，李世其，朱文革，等.基于人工神经网络的遥操作预测仿真[J].载人航天，2012，18(5)：71～76

[6] 景兴建，王越超，谈大龙.遥操作机器人系统时延控制方法综述[J].自动化学报，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，甘肃静宁人，工程师，研究方向：煤矿机电工程设计。