一种自适应的深度预测钻压控制方法与流程

本发明涉及钻压预测控制领域，尤其涉及一种自适应的深度预测钻压控制方法。

背景技术：

目前常规的钻井过程中，包括人工控制给进钻井和自动送钻。

其中，人工控制给进钻井凭借司钻的经验进行控制，传统的人工控制给进钻井存在的以下缺点，包括：钻压给定依靠司钻经验进行操作，导致钻头轴承负荷变化很大，加快钻头磨损，缩短钻头使用寿命；另外司钻尝试加锥栗高度集中，极易疲劳，不可避免会发生溜钻或卡钻事故；司钻手刹控制给进是间断的，司钻的技术水平直接影响钻井质量。

自动送钻是指钻机在正常钻进过程中，不依靠司钻调节，而是按照钻井工艺要求，让装置在给定的条件下实现钻头的自动给及；自动送钻的关键实现就是控制算法的设计，由于地层、钻柱和井壁摩擦等未知扰动，致使被控对象是时滞非线性的，传统的控制算法并不能实时根据时变模型进行控制。

技术实现要素：

本发明的目的在于提供一种自适应的深度预测钻压控制方法，从而解决现有技术中存在的前述问题。

为了实现上述目的，本发明采用的技术方案如下：

一种自适应的深度预测钻压控制方法，包括以下步骤:

s1、构建预测方程，根据系统的历史数据和未来输入值预测系统未来的输出值，所述预测方程为carma受控自回归滑动模型：

a(z^-1)y(k)＝b(z^-1)u(k-1)+c(z^-1)ξ(k)/δ

其中，y(k)为实时采集的钻压值,u(k)为电机的转速,ξ(k)为均值为零的白噪声序列，δ＝1-z^-1为差分算子；

s2、根据设定的钻压值与实际采集的钻压值相联系，构建参考轨迹方程：

w(k+j)＝α^jy(k)+(1-α)^jyr

其中，yr为设定的钻压值；y(k)为实时采集钻压值；w(k)为参考轨迹，是输出值；α为柔化系数；j为预测步长；

s3、根据预测模型输出的预测钻压值与实际采集到的钻压值进行比较，并对下一次的预测钻压值进行校正；

s4、将校正的预测钻压跟踪参考轨迹方程，建立目标函数：

其中，n为最大预测长度，m为控制长度，λ(j)是加权控制系数，y(k+j)为j步后的钻压给定值，w(k+j)为j步后的钻压采集值，△u(k+j-1)电机转速值，j是输出的目标函数；

s5、引入dioaphantine方程，对所述预测方程进行求解，预测超前j步的输出时，所述dioaphantine方程为:

1＝ej(z^-1)a(z^-1)δ+z^-jfj(z^-1)

其中，ej(z^-1)＝ej0+ej1z^-1+...+ej,j-1z^-j+1,ej0＝1；fj(z^-1)＝fj0+fj1z^-1+...+fjnz^-n1；

dioaphantine方程与所述预测方程一同简化，得到时刻k后j步的预测方程：

y(k+j)＝g(z^-1)δu(k+j-1)+fj(z^-1)y(k)+ej(z^-1)ξ(k+j)；

s6、将所述参考轨迹方程、所述时刻k后j步的预测方程带入到所述目标函数中，通过矩阵形式：

j＝(y-w)^t(y-w)+λδu^tδu

当时，得到最优控制率：δu＝(g^tg+λi)^-1g^t(w-f)，实际控制时：

u(k)＝u(k-1)+δu，

其中，u(k)为输出的j步之后的电机转速值，u(k-1)为上一次算的j步之后的电机转速值，△u为u(k)和u(k-1)两次计算的差值；

s7、电机以u(k)的转速进行钻进，所述受控对象输出的钻压即为y(k)；

s8、利用上述步骤s1～s7对预测模型进行实时调整，从而根据预测模型的输出数据对钻井过程进行实时控制。

优选的，所述被控对象采用自适应辨识模型，根据实时采集的电机转速和钻压值，实施辨识所述被控对象的参数，所述自适应辨识模型为：

其中，u(t)为被控对象的输入：电机转速，y(t)为被控对象的输出：实施采集的钻压值，a(z^-1)和b(z^-1)均为算子z-1常系数时不变多项式。

优选的，所述a(z^-1)和所述b(z^-1)定义为：

a(z^-1)＝1+a1z^-1+…+anaz^-na

b(z^-1)＝b1z^-1+…+bnbz^-nb

所述被控对象的可采用时间序列模型写成差分方程，并令θ＝[a1,a2,…,ana,b1,b2,…,bnb]，

则表达式为：

根据准则函数，将其极小化，得到下列递推最小二乘算法：

通过上述算法，计算出θ、l和p，其中θ为所述被控对象的可采用时间序列模型中的a(z^-1)和b(z^-1)。

优选的，所述a(z^-1)、b(z^-1)和c(z^-1)均为算子z-1常系数时不变多项式，其定义为：

a(z^-1)＝1+a1z^-1+a2z^-1+...+anaz^-na；

b(z^-1)＝b1z^-1+...+bnbz^nb；

c(z^-1)＝1+c1z^-1+c2z^-1+...+cncz^-nc。

优选的，所述ej(z^-1)和fj(z^-1)定义为：

ej(z^-1)＝ej0+ej1z^-1+...+ej,j-1z^-j+1,ej0＝1

fj(z^-1)＝fj0+fj1z^-1+...+fjnz^-n1。

优选的，所述参考轨迹方程的矩阵表示形式为：w＝[w(k+1),w(k+2),...,w(k+n)]^t；所述时刻k后j步的预测方程的矩阵表示形式为：y＝gu+fy(k)+hδu(k-1)；

其中，

本发明的有益效果是：本发明公开了一种自适应的深度预测钻压控制方法，carima受控自回归积分滑动平均模型可以根据历史与未来输入数据建立模型，而不需要知道被控对象模型的具体数学表达式，解决了建立数学模型变量不确定性及模型形式不确定性的问题；rls在线辨识，可以针对被控对象模型受随机扰动，致使模型参数变化，进行实时的辨识出模型参数；引入的dioaphantine方程，能够将预测方程简化，以便进行求解；参考轨迹柔化模型使输出缓慢跟踪给定值，避免系统超调；目标函数、最优控制率加入了控制量的影响，避免控制量输出过大，系统失衡。综上所述，本发明所述的控制算法可以实现自动预测钻压，实现自动送钻的控制；并且可以在钻井进程中，实时调整预测模型，从而根据实际情况实时调整预测模型并对钻井进程实现实时控制。

附图说明

图1是自适应的深度预测钻压控制方法过程示意图；

图2是辨识过程示意图；

图3是控制过程示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。

一种自适应的深度预测钻压控制方法，如图1所示，包括：gpc控制和辨识；所述gpc控制中包括预测模型、滚动优化和反馈校正；所述预测模型利用过去已知数据信息预测未来的输出行为，通过滚动优化在线调节以达到最优目标函数，并通过所述反馈校正根据实际输出与给定目标对控制输出进行修正；所述辨识能够实时辨识被控对象的参数。

首先通过辨识进行rls在线识别，如图2所示，采用自适应辨识模型，根据系统的输入和输出的实时变化，实时的辨识对象模型；被控对象的可采用时间序列模型表达式为：

其中，u(t)为系统的输入，即电机转速；y(t)为系统的输出，即实时采集的钻压，a(z^-1)、b(z^-1)为算子z^-1常系数时不变多项式，定义如下：

a(z^-1)＝1+a1z^-1+…+anaz^-na

b(z^-1)＝b1z^-1+…+bnbz^-nb

所述被控对象的可采用时间序列模型写成差分方程，其表达式为：

y(t)+a1y(t-1)+a2y(t-2)+…+anay(t-na)＝b1u(t-1)+b2u(t-2)+…+bnbu(t-nb)；

令θ＝[a1,a2,…,ana,b1,b2,…,bnb]，

则长式变成：

根据准则函数：

将其极小化，可得下列递推最小二乘算法：

其中，t0(0<t0≤1)为遗忘因子，p(0)＝p0i，

通过上述算法，计算出θ、l和p，其中θ为所述被控对象的可采用时间序列模型中的a(z^-1)和b(z^-1)；通过系统的输入和输出数据的实时变化，计算出算子z^-1常系数时不变多项式a(z^-1)和b(z^-1)。

所述自适应的深度预测钻压控制方法，gpc控制中通过预测模型利用过去已知数据信息预测未来的输出行为；通过滚动优化在线调节最优目标函数；反馈校正根据实际输出与给定目标进行控制输出的修正；所述滚动优化包括参考轨迹柔化模型、目标函数和最优控制率。如图3所示，包括以下步骤：

s1、建立预测模型，根据系统的历史数据和未来输入，预测系统的未来；所述预测模型为：a(z^-1)y(k)＝b(z^-1)u(k-1)+c(z^-1)ξ(k)/δ，

其中，a(z^-1)和b(z^-1)由上述rls在线识别得出；c(z^-1)＝1+c1z^-1+c2z^-1+...+cncz^-nc，y(k)为时刻k时采集的钻压值,u(k)为时刻k时电机的转速,ξ(k)为时刻k时均值为零的白噪声序列，δ＝1-z^-1为差分算子；当系统存在时滞时，b(z^-1)的开头几项为0；

s2、建立参考轨迹柔化模型，钻压值跟踪所述参数轨迹，使控制钻进过程平稳；所述参考轨迹为：w(k+j)＝α^jy(k)+(1-α)^jyr；

其中，yr为设定的钻压值；y(k)为时刻k时采集的钻压值；w(k)为时刻k时的参考轨迹，是输出值；w(k+j)为时刻k后j步的参考轨迹；α为柔化系数；j为预测步长；

s3、根据预测模型输出的目前位置的预测钻压值与实际采集到的目前位置的钻压值进行比较，修正预测的不确定性，从而对下一次的预测的预测模型进行反馈校正，使优化建立在较为准确地预测基础上；

s4、将校正的预测钻压跟踪参考轨迹方程，建立目标函数：

其中，n为最大预测长度，m为控制长度，λ(j)是加权控制系数，y(k+j)为j步后的钻压给定值，w(k+j)为j步后的钻压采集值，△u(k+j-1)电机转速值，j是输出的目标函数；

s5、引入dioaphantine方程，对所述预测方程进行求解，预测超前j步的输出时，所述dioaphantine方程为:

1＝ej(z^-1)a(z^-1)δ+z^-jfj(z^-1)

其中，ej(z^-1)＝ej0+ej1z^-1+...+ej,j-1z^-j+1,ej0＝1；fj(z^-1)＝fj0+fj1z^-1+...+fjnz^-n1；

dioaphantine方程与所述预测方程一同简化，得到时刻k后j步的预测方程：

y(k+j)＝g(z^-1)δu(k+j-1)+fj(z^-1)y(k)+ej(z^-1)ξ(k+j)；

所述时刻k后j步的预测方程的矩阵表示为：

y＝gu+fy(k)+h△u(k-1)

其中，

s6、将所述参考轨迹方程、所述时刻k后j步的预测方程带入到所述目标函数中，令w＝[w(k+1),w(k+2),...,w(k+n)]^t，则目标函数表示为：

j＝(y-w)^t(y-w)+λδu^tδu

将所述预测方程中求出的y及w代入j中，并令可求得最优控制率：

δu＝(g^tg+λi)^-1g^t(w-f)，

上述最优控制率在实际控制时为：

u(k)＝u(k-1)+△u,

其中，u(k)为输出的j步之后的电机转速值，u(k-1)为上一次算的j步之后的电机转速值，△u为u(k)和u(k-1)两次计算的差值；

s7、电机以u(k)的转速进行钻进，所述受控对象输出的钻压即为y(k)；

s8、利用上述步骤s1～s7对预测模型进行实时调整，从而根据预测模型的输出数据对钻井过程进行实时控制。

通过以上方法实现自适应的深度预测钻压控制的具体实现步骤如下：

首先关于rls在线识别的实现步骤包括：

s11、确定自适应辨识模型的变量过程，并选择模型的参数；

s12、采集上述模型的输入和输出数据，即电机转速和实时采集的钻压，构建所述自适应辨识模型的原始数据矩阵{y,u}，并通过所述自适应辨识模型对其进行数据预处理；

s13、并将所述自适应辨识模型通过差分方程和最小二分法计算出θ、l和p，同时通过所述θ，计算出a(z^-1)和b(z^-1)；

s14、将上述步骤s13中计算得出的a(z^-1)和b(z^-1)应用于自适应的深度预测钻压控制方法中的所述预测模型，并完成一次深度预测后，再采集新数据，将新数据再次通过步骤s12进行数据预处理，然后利用遗忘因子法对旧参数矩阵进行加权，即用遗忘因子t0(0<t0≤1)与旧参数矩阵从而达到削弱旧数据对建模的影响作用，再和旧参数组成新数据矩阵，返回步骤s13重新计算a(z^-1)和b(z^-1)；如此重复。

在上述rls在线识别的数据准备的基础上，所述自适应的深度预测钻压控制的具体实现步骤如下：

s21、构建预测模型，进行算法的初始化，确定预测最小、最大时域，控制时域，控制加权，输出设定值，柔化系数以及控制步数等固定参量；

s22、采集系统的输入和输出数据，对电机转速u(t)和实时采集钻压y(t)进行实时采样，并计算参考轨迹；

s23、引入dioaphantine方程并结合步骤s13所计算的a(z^-1)和b(z^-1)，计算出e、f和g；

s24、将参数方程和预测模型带入到目标函数中后，通过最优控制率计算出下一步的电机转速，从而计算出在上次电机转速的基础上需要增加或减小的量，及差值△u(k)；

s25、所述电机以步骤s24中计算出的转速进行钻进；

s26、每次预测步长的钻井任务完成后，对步长那个进行迭代：t＝t+1,并对u(t)和y(t)进行更新，并重新返回步骤s23进行下一步预测。

通过采用本发明公开的上述技术方案，得到了如下有益的效果：

本发明公开了一种自适应的深度预测钻压控制方法，carima受控自回归积分滑动平均模型可以根据历史与未来输入数据建立模型，而不需要知道被控对象模型的具体数学表达式，解决了建立数学模型变量不确定性及模型形式不确定性的问题；rls在线辨识，可以针对被控对象模型受随机扰动，致使模型参数变化，进行实时的辨识出模型参数；引入的dioaphantine方程，能够将预测方程简化，以便进行求解；参考轨迹柔化模型使输出缓慢跟踪给定值，避免系统超调；目标函数、最优控制率加入了控制量的影响，避免控制量输出过大，系统失衡。综上所述，本发明所述的控制算法可以实现自动预测钻压，实现自动送钻的控制；并且可以在钻井进程中，实时调整预测模型，从而根据实际情况实时调整预测模型并对钻井进程实现实时控制。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。