一种基于深度信念网络的自动送钻方法
阅读说明：本技术 一种基于深度信念网络的自动送钻方法 (Automatic bit feeding method based on deep belief network ) 是由 张译戈 于 2020-11-30 设计创作，主要内容包括：本发明公开了一种基于深度信念网络的自动送钻方法,首先建立DBN网络模型,构建DBN-PID控制器,将在钻井过程与井底钻压有关联的4个重要参数,钻头直径、井深、转盘转速、泥浆排量以及钻压,进行预处理后输入DBN网络进行训练,DBN根据当前系统运行状态,在线计算使控制系统达到性能要求的PID参数,PID控制器直接作用于主控制器,主控制器输出给定的速度控制信号送给变频器,然后控制钻头钻压,最终使钻头的钻压会达到希望的钻压值。从而提高整个网络的鲁棒性和适应性,达到提高钻速,减小钻头磨损,降低钻井成本的目的。(The invention discloses an automatic bit feeding method based on a depth belief network, which comprises the steps of firstly establishing a DBN network model, constructing a DBN-PID controller, preprocessing 4 important parameters related to the drilling pressure at the bottom of a well in the drilling process, namely the diameter of a drill bit, the depth of the well, the rotating speed of a rotary table, the slurry discharge capacity and the drilling pressure, inputting the preprocessed parameters into the DBN network for training, calculating PID parameters enabling a control system to meet performance requirements on line by the DBN according to the current system running state, directly acting on a main controller by the PID controller, outputting a given speed control signal to a frequency converter by the main controller, controlling the drilling pressure of the drill bit, and finally enabling the drilling pressure of the drill bit to reach a desired drilling pressure value. Therefore, the robustness and adaptability of the whole network are improved, and the purposes of improving the drilling speed, reducing the abrasion of the drill bit and reducing the drilling cost are achieved.)
技术领域
本发明涉及石油钻井技术领域，具体为一种基于深度信念网络的自动送钻方法。
背景技术
恒钻压自动送钻技术就是钻机在正常钻井过程中，根据钻井工艺的要求，保持钻头对井底的压力为恒定值。采用参数适宜的PID(Proportion IntegrationDifferentiation)控制器，就可以达到预期设想的控制效果。但是在钻进过程中，系统的控制模型并不是一成不变的，因此为了达到更好的控制效果，就需要对PID的参数进行校正。然而，对PID参数值进行合理的校正是很困难的，这对现场的操作人员的技术要求极高，从而导致自动送钻的使用效果往往并不理想。
在钻进过程中，钻压会受到多种因素包括地质构造、钻井液性质和井筒摩擦等的影响，且送钻电机具有多变量、强耦合和非线性的特点。钻进过程是一个时变的过程,建模工作十分困难,因而仅采用常规的PID控制所达到的控制效果并不理想。
近些年，深度信念网络学习的发展十分迅猛，在很多领域都有着很大的发展与进步，基于此本发明引入深度信念网络模型，结合传统的PID控制算法，提出了基于深度信念网络的PID控制方法。
发明内容
本发明的目的在于提供一种基于深度信念网络的自动送钻方法，针对传统PID控制的控制效果并不理想的问题，提出了采用DBN(Deep Belief Nets)网络对PID参数进行调节，DBN根据当前系统运行状态，在线计算使控制系统达到性能要求的PID参数，PID控制器直接作用于主控制器，主控制器输出给定的速度控制信号送给变频器，然后控制钻头钻压，最终使钻头的钻压会达到给定值，从而实现恒钻压钻井的目的。
为实现上述目的，本发明提供如下技术方案：一种基于深度信念网络的自动送钻方法，包括以下步骤：
S1：取在钻井过程与井底钻压有关联的4个重要参数，钻头直径、井深、转盘转速、泥浆排量以及钻压，进行预处理后作为样本数据集，将样本数据集作为DBN网络的输入变量，即网络的输入层节点；
S2：构建深度信念网络模型，采用由两层受限玻尔兹曼机RBM和一层BP神经网络组成的深度信念网络模型；
将S1中的样本数据集送入深度信念网络模型中进行训练，从而对PID的参数进行调节；
输出转速控制信号；
S3：主控制器输出给定的速度控制信号送给变频器，控制电机转速，进而控制钻头钻压；
最终达到恒钻压自动送钻的目的。
优选的，在S1中，采用尺度变换的方法对输入数据进行预处理。即归一化处理，把网络的输入数据与输出数据限制在[0,1]区间内。
优选的，确定整个样本数据集中各个分量的最大值和最小值，进行归一化处理，归一化的变化式如下：其中，xi代表输入或输出数据，xmin代表数据变化的最小值，xmax代表数据的最大值。
优选的，在S1中，输入—输出非线性映射关系的复杂程度决定训练样本数的选取，选取网络连接权值总数的5-10倍作为训练样本数。
优选的，在S2中，深度置信网络DBN训练是按照以下步骤进行的：
确定DBN网络的结构和参数；
将归一化处理后样本数据集作为网络的输入，将电机的转速作为网络的输出，先进行RBM(Restricted Boltzmann Machine)无监督预训练；
将预处理后的数据作为训练样本输入到第一层RBM的可视层，利用对比散度算法来对第一层RBM网络进行训练，直到能量函数收敛；
第一层RBM训练后，将网络参数固定，把第一层RBM隐含层当作第二个RBM的可视层；
样本数据集经过第一层RBM抽取初步的特征数据，用于第二层RBM的输入，利用对比散度算法来对第二层RBM网络进行训练，直到能量函数收敛；
计算实际输出和理论输出的误差，利用BP(Back Propagation)神经网络采用梯度下降法进行微调与优化；RBM的能量函数可以表示：
其中，ωij表示第i个节点和第j个节点间的权值，cj和bi为偏置量，I和J分别为可视单元和隐层单元的数目。
优选的，在S3中，在常规PID控制器的基础上，设计能自动整定PID参数的DBN-PID控制器，PID控制器直接作用于主控制器，主控制器输出给定的速度控制信号送给变频器，然后控制钻头钻压，最终使钻头的钻压会达到给定值；实现恒钻压钻井的目的。
优选的，在S3中，采用增量式数字PID控制，根据系统的运行状态，通过DBN网络算法对PID控制器的参数Kp、Ki、Kd进行实时调整；如下：
u(k)＝u(k-1)+Kp[e(k)-e(k-1)]+Kie(k)+Kd[e(k)-2e(k-1)+e(k-2)]
其中，u(k)为PID控制响应输出信号，Kp为比例系数，Ki为积分系数，Kd为微分系数，e(k)为速度偏差。
与现有技术相比，本发明的有益效果是：
本发明提供一种基于深度信念网络的自动送钻方法，检测当前实际钻压值与希望钻压值进行比较，将比较结果送入DBN-PID控制器从而对绞车速度进行调节，使实际钻压值无限接近希望钻压值，从而达到提高钻速，减小钻头磨损，降低钻井成本的目的。结合对比散度算法对DBN网络进行训练，然后利用BP进行反向整体网络模型调优，从而提高整个网络的鲁棒性和适应性。
附图说明
图1是基于深度学习的自动送钻方法流程图；
图2是DBN网络结构示意图；
图3是DBN-PID控制结构示意图；
图4是基于DBN-PID控制自动送钻过程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1-4，本发明提供一种技术方案：一种基于深度信念网络的自动送钻方法，主要包括以下步骤：
S1：取在钻井过程与井底钻压有关联的4个重要参数，钻头直径、井深、转盘转速、泥浆排量以及钻压，进行预处理后作为样本数据集，将样本数据集作为DBN网络的输入变量，即网络的输入层节点；
S2：构建深度信念网络模型，采用由两层受限玻尔兹曼机RBM和一层BP神经网络组成的深度信念网络模型。将S1中的样本数据集送入深度信念网络模型中进行训练，从而对PID的参数进行调节。输出转速控制信号；
S3：主控制器输出给定的速度控制信号送给变频器，控制电机转速，进而控制钻头钻压。最终达到恒钻压自动送钻的目的。
在S1中，采用尺度变换的方法对输入数据进行预处理。即归一化处理，把网络的输入数据与输出数据限制在[0，1]区间内。确定整个样本数据集中各个分量的最大值和最小值，进行归一化处理，归一化的变化式如下：
其中，xi代表输入或输出数据，xmin代表数据变化的最小值，xmax代表数据的最大值。
在S1中，输入-输出非线性映射关系的复杂程度决定训练样本数的选取，选取网络连接权值总数的5-10倍作为训练样本数。
在S2中，首先确定DBN网络的结构和参数，DBN的网络结构图如图2所示；然后将归一化处理后的样本数据集输入DBN网络，开始训练第一个RBM，训练完后固定好第一个RBM的权重和偏移量，然后将其隐性神经元的状态作为第二个RBM的输入向量，开始训练第二个RBM，最后用BP神经网络利用梯度下降法对整个DBN网络进行微调和优化。
DBN模型的训练过程可归纳为以下两个步骤：
①RBM无监督预训练，RBM采用对比散度法进行训练，其训练过程如下：根据来计算Q(h1i＝1|x1)，并对其进行采样h1i，其中h1i∈(0，1)；
根据来计算P(x2j＝h1)，并对其进行采样x2j，其中x2j∈(0，1)；
计算Q(h2i＝1|x2)并按照以下公式来更新权值：
W←W+ω(h1x1-Q(h2＝1|x2)x2)
b←b+ω(x1-x2)
c←c+ω(h1-Q(h2＝1|x2))
其中，是一个sigmoid逻辑函数。
其中，x为训练样本集的所有样本；ω为梯度下降法中的学习速率；h为隐层单元向量；W为RBM的权值矩阵；b为输入偏置向量；c为输出偏置向量。
②有监督权值调优：计算实际输出和理论输出的误差，利用BP神经网络采用梯度下降法进行微调与优化；在无监督逐层训练过程中，无法保证RBM的参数θ＝{ωij,ai,bj}能够达到全局最优。
因此把位于顶层的BP神经网络接收到的数据作为输入，然后将理论输出与实际输出的误差，沿相反的方向对RBM进行逐层传递，每层都会对参数θ进行调优，最终使θ←θ+Δθ从而达到全局最优。
在S3中，构建深度信念网络模型与PID控制器相结合的DBN-PID控制器，DBN-PID控制结构图如图3所示，其控制算法如下：
确定DBN的网络结构，即确定输入层节点数目为5，输出层节点数为3以及隐含层层数为2；
通过采样得到Rin和Yout。然后计算该时刻误差e＝Rin-Yout；
将微分后的误差输入DBN网络，DBN网络的输出会对PID控制器的三个参数进行调节；
最后输出u(k)，u(k)为PID控制器的输出；
对DBN进行训练，在线调整权值系数；
令k＝k+1，仅有当系统的精度与设置的精度相同，才会停止对网络的训练，否则，返回第一步重新执行。
在S3中，PID控制器直接作用于主控制器，主控制器输出给定的速度控制信号送给变频器，然后控制钻头钻压，最终使钻头的钻压会达到给定值。实现恒钻压钻井的目的。
在S3中，采用增量式数字PID控制，根据系统的运行状态，通过DBN网络算法对PID控制器的参数Kp、Ki、Kd进行实时调整。如下:
u(k)＝u(k-1)+Kp[e(k)-e(k-1)]+Kie(k)+Kd[e(k)-2e(k-1)+e(k-2)]
其中，u(k)为PID控制响应输出信号，Kp为比例系数，Ki为积分系数，Kd为微分系数，e(k)为速度偏差。
基于DBN-PID控制自动送钻过程如图4所示，在S3中，将希望钻压值与实际采集到的钻压值进行比较，然后进行反馈校正，最终使实际钻压等于或接近希望钻压，从而达到恒钻压送钻的目的。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内，不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种有缆瞬变电磁探管钻孔内采集数据的方法和装置