基于RBF神经网络的游梁式抽油机示功图在线软测量方法及装置

摘要

基于RBF神经网络的游梁式抽油机示功图在线软测量方法及装置，装置包括光电码盘、电量变送器、控制器、人机接口面板和行程开关。在线软测量方法包括以下步骤：样本数据采集，神经网络训练，设备安装，数据采集，由控制器上传的数据：曲柄角度、电机功率和电机电流。执行人机接口面板里的神经网络的脚本程序，得到示功图所需数据，显示和打印示功图。本方法由RBF神经网络进行非线性映射，可准确、可靠地预测游梁式抽油机示功图。本装置测量的数据准确可靠。

说明书

技术领域

本发明涉及游梁式抽油机示功图测量方法及装置领域，特别涉及基于RBF 神经网络的游梁式抽油机示功图在线软测量方法及装置。

背景技术

游梁式抽油机在油田中广泛应用，示功图是分析、诊断游梁式抽油机是否 正常运行的一种有效手段，也是对游梁式抽油机日常管理的一个重要组成部分。 游梁式抽油机示功图是悬点载荷和位移的关系图，通过示功图可以判断游梁式 抽油机井下的工作状况。现在测量示功图方法都是定期测量，而且每次测量需 要载荷传感器。测量示功图时需要停止游梁式抽油机和起动抽油机，这样不仅 测量过程非常麻烦，同时对游梁式抽油机有冲击，影响游梁式抽油机寿命。另 外因为示功图是定期测量，所以不能及时知道游梁式抽油机的运行状况、油井 下面的液面状况、光杆载荷变化等现象，这样游梁式抽油机得不到及时维护， 影响产油量，浪费能源。从表面上看游梁式抽油机的动作似乎很简单，实际它 涉及电量和非电量多种数量复杂关系，并且它们的变化全是非线性的。为此， 本发明提出了一种基于RBF神经网络的游梁式抽油机示功图在线软测量方法， 本发明无需载荷传感器,只要通过测量容易测量的游梁式抽油机物理量，如电机 功率、电机电流和曲柄角度,这些物理量与游梁式抽油机示功图高度相关，由 RBF神经网络进行非线性映射，可准确、可靠地预测游梁式抽油机示功图。

发明内容

本发明的一个目的在于提供基于RBF神经网络的游梁式抽油机示功图在线 软测量方法，本发明的另一个目的在于提供此种测量方法使用的装置，由RBF 神经网络进行非线性映射，可准确、可靠地预测游梁式抽油机示功图。

基于RBF神经网络的游梁式抽油机示功图在线软测量方法：

RBF神经网络结构见附图2，RBF神经网络预测示功图的过程描述如下： 控制器把游梁式抽油机一个冲次的曲柄角度(θ)、电机功率(A)和电机电流 (I)记录在控制器中，即记录θ₁、θ₂、···θ_i；A₁、A₂、···A_i；I₁、I₂、···I_i。 其中i的大小按测量精度要求确定,一般i＝24，曲柄转15°(即Δθ)记录一 次。控制器将θ₁、θ₂、···θ_i、A₁、A₂、···A_i和I₁、I₂、···I_i上载到人机 接口面板(HMI)。θ₁、θ₂、···θ_i和A₁、A₂、···A_i及I₁、I₂、···I_i作为 RBF神经网络输入变量，即构成X₁、X₂、···X_m输入向量,这里m＝3*i。由 X₁、X₂、···X_m,通过已经训练成功的RBF神经网络计算得到输出变量P₁、 P₂、···P_n，这里n＝i，P₁、P₂、···P_i就是游梁式抽油机一个冲次的载荷。再 通过游梁式抽油机运动原理及几何尺寸，由θ₁、θ₂、···θ_i换算为游梁式抽油 机悬点位移S₁、S₂、···S_i。这样就得到游梁式抽油机的示功图数据，人机接口 面板(HMI)显示游梁式抽油机示功图，或者打印记录游梁式抽油机示功图。

游梁式抽油机示功图是悬点载荷(P)和悬点位移(S)之间的关系图，而控 制器直接测量的是曲柄角度θ，需要把曲柄角度θ换算成游梁式抽油机的悬点 位移。游梁式抽油机运动机构示意图见附图3，设游梁式抽油机的下死点作为悬 点位移的零点(S＝0)，向上为位移正方向。

曲柄角度θ_i，其中i为控制器采样记录序号。

此时对于游梁式抽油机曲柄，下死点对于曲柄角度θ的起始角度(θmin)， 曲柄顺时针旋转对应悬点从位移零开始向上运动。曲柄旋转360°完成一个冲 次。

根据游梁式抽油机的机构运动原理及几何尺寸，由曲柄角度θ计算悬点位移 S的公式如下：

α＝arcsin(I/K)  其中α为K与垂直方向夹角；K为基杆；I为基杆的水平投 影。

θ₂＝2π-θ+α  其中θ为曲柄转角；θ₂为K到曲柄R的夹角。

L＝(R²+K²-2RKCOSθ₂)^1/2  其中R为曲柄；L为曲柄销轴心到游梁支撑中心距 离。

β＝arcsin(R sinθ₂/L)  其中β为K到L的夹角。

χ＝arcos((C²+L²-P²)/2CL)  其中χ为C到L的夹角；C为游梁后臂。

  其中为C到K的夹角。

  其中是下死点对于的最小角度；A为游梁前臂；S为 悬点位移。

说明书附图的附图3中：A为游梁前臂。C为游梁后臂。R为曲柄。P为连 杆。K为基杆。I为基杆的水平投影。L为曲柄销轴心到游梁支撑中心距离。α 为K与垂直方向夹角。θ为曲柄转角。θ₂为K到R的夹角。θ₃为K到P的夹角。 θ₄为K到C的夹角。β为K到L的夹角。χ为C到L的夹角。为C到K的夹 角。

神经网络训练：神经网络训练采用离线方式，由样本数据对RBF神经网络 进行训练，如达不到目标要求，则改变相应的RBF神经网络的参数，直到满足 指标。

将离线方式训练好的RBF神经网络模型进行编程，编程模式应该符合人机 接口面板(HMI)的脚本编程规范，神经网络的脚本程序应包含曲柄角度(θ) 换算为悬点位移(S)的功能，把神经网络的脚本程序下载到人机接口面板(HMI)。

或者RBF神经网络训练采用在线方式，将神经网络和训练程序下载到人机接 口面板(HMI)，通过运行程序人机接口面板(HMI)实现在线训练。

基于RBF神经网络的游梁式抽油机示功图在线软测量方法使用的装置，包 括光电码盘、电量变送器、控制器、人机接口面板和行程开关。

光电码盘的输出端连接控制器的光电码盘接口。

电量变送器的功率信号输出端连接控制器的第一模拟量接口，电量变送器 的电流信号输出端连接控制器的第二模拟量接口。

控制器和人机接口面板之间通过RS485接口连接。

行程开关连接控制器的开关接口。

还可包括上位机和打印机，所述的人机接口面板和上位机之间通过RS232 接口连接。所述的人机接口面板的打印机接口连接打印机。

其优点在于：

本方法由RBF神经网络进行非线性映射，可准确、可靠地预测游梁式抽油 机示功图。本装置测量的数据准确可靠。

说明书附图

图1：基于RBF神经网络的游梁式抽油机示功图在线软测量方法的装置框 图。

图2：RBF神经网络结构图。

图3：游梁式抽油机运动机构示意图。

具体实施方式

实施例1

基于RBF神经网络的游梁式抽油机示功图在线软测量方法，过程分以下步 骤：

①样本数据采集:采用游梁式抽油机的示功图数据库。

②神经网络训练：神经网络训练采用离线方式，由样本数据对RBF神经网 络进行训练，如达不到目标要求，则改变相应的RBF神经网络的参数，直到满 足指标。

③神经网络应用：将训练好的RBF神经网络模型进行编程，编程应该符合 人机接口面板(HMI)4的脚本模式，神经网络的脚本程序应包含曲柄角度(θ) 换算为悬点位移(S)的功能，把神经网络的脚本程序下载到人机接口面板(HMI) 4。

④设备安装：光电码盘1安装在游梁式抽油机的曲柄中心轴上。行程开关5 安装在曲柄角度θmin位置。控制箱安装在游梁式抽油机附近，控制箱内有电量 变送器1、控制器3、人机接口面板4和打印机6。

所述的打印机6可选择微型打印机。

⑤数据采集：

对于游梁式抽油机一个冲次，控制器3数据采集从游梁式抽油机悬点的下 死点对应的曲柄角度θmin开始，控制器3通过行程开关5确定曲柄角度θmin 位置。

从曲柄角度θ的起始角度(θmin)开始，控制器3通过光电码盘1和电 量变送器2采集曲柄角度(θ₁、θ₂、···θ_i)、电机功率(A₁、A₂、···A_i)、电机 电流(I₁、I₂、···I_i)，这里取i＝24，即每隔15°(即Δθ)采集一次数据。曲 柄旋转360°完成一个冲次，控制器3采集到对应该冲次测量示功图所需的数据， 然后将数据上传至人机接口面板(HMI)4。

⑥在线计算示功图数据：由控制器3上传的数据，通过执行人机接口面板 (HMI)4的神经网络的脚本程序，得到示功图所需数据，即悬点载荷(P_i)和 悬点位移(S_i)。

⑦显示和打印记录：人机接口面板(HMI)4得到悬点载荷(P_i)和悬点位 移(S_i)后，通过执行程序，即可显示示功图曲线。按是否需要打印记录示功图 曲线，选择打印方式，打印机6的打印有多种方式，如定时打印、按键打印等。

⑧若要继续测量游梁式抽油机示功图，则重复⑤-⑦步骤。

基于RBF神经网络的游梁式抽油机示功图在线软测量方法使用的装置，包 括光电码盘1、电量变送器2、控制器3、人机接口面板(HMI)4和行程开关5。

光电码盘1的输出端连接控制器3的光电码盘接口。

电量变送器2的功率信号输出端连接控制器3的第一模拟量接口，电量变 送器2的电流信号输出端连接控制器3的第二模拟量接口。

控制器3和人机接口面板(HMI)4之间通过RS485接口连接。

行程开关5连接控制器3的开关接口。

人机接口面板(HMI)4和上位机之间通过RS232接口连接

人机接口面板(HMI)4的打印机接口连接打印机6。

光电码盘1用于测量游梁式抽油机曲柄角度，采用欧姆龙E6B2-CWZ6码盘。

电量变送器2用于测量电机功率和电机电流，采用上海安瑞BD-3P/Q/I组合 电量变送器。

控制器3完成数据采集及计算，采用西门子S7-200可编程控制器。

人机接口面板(HMI)4用于由训练好的神经网络在线预测游梁式抽油机示 功图及显示游梁式抽油机示功图，采用威纶通MT6070iH触摸屏。

示功图样本数据用于神经网络学习，随着新的示功图数据增加，示功图样本 数据可以滚动更新。示功图样本数据可采用游梁式抽油机的数据库,数据库的数 据包含：游梁式抽油机的几何参数、悬点载荷、悬点位移、电机功率和电流。

示功图样本数据保存在上位机内，上位机可为pc机。

行程开关5确定曲柄角度θmin位置。行程开关6型号为D4NH。

人机接口面板(HMI)4的数据接口用于设备之间交换数据，例如可以连接 U盘进行数据传递。

打印机6记录游梁式抽油机示功图，采用炜煌WH-C1微型打印机。

实施例2

实施例2与实施例1的不同之处在于：

RBF神经网络训练采用在线方式，可不需要使用上位机，将RBF神经网络 和训练程序下载到人机接口面板(HMI)4，示功图样本数据也保存在人机接口 面板(HMI)4内，通过运行程序人机接口面板(HMI)4实现在线训练，生成 神经网络的脚本程序。