基础金属	铜电解铜铜精矿铜管铜棒废铜铜排铜合金精铜杆再生铜杆铜板带铝铝土矿氧化铝电解铝铝辅料铝棒铝合金锭废铝铝杆铝型材铝板卷铅铅精矿铅锭铅蓄电池再生精铅还原铅废铅蓄电池铅合金锌锌精矿电解锌锌合金氧化锌锌粉锡锡精矿锡锭锡材镁兰炭硅铁镁锭
稀有金属	稀土稀土矿稀土氧化物稀土金属钕铁硼稀散金属锑铋铟锗镓硒钽铌贵金属白银钨钨精矿 APT(仲钨酸铵)钨粉碳化钨钨酸钠钨条钨铁钨材钼钼精矿工业氧化钼钼铁钼化工高纯三氧化钼钼金属钛钛精矿钛渣四氯化钛海绵钛钛金属钛白粉
新能源	锂锂矿锂化合物金属锂镍镍矿镍铁精炼镍镍盐高冰镍 MHP 钴电解钴钴粉氯化钴四氧化三钴硫酸钴钴中间品氧化钴碳酸钴钴酸锂锰锰矿电解锰电池级硫酸锰锂电池三元前驱体隔膜磷酸铁电解液正极材料电芯石油焦针状焦包覆沥青人造石墨硅碳负极硅氧负极硅硅石有机硅硅粉三氯氢硅工业硅再生硅光伏多晶硅硅片电池片组件组件成本指数海外组件废旧组件

小型智能钻机的控制方法

750 编辑：北方有色网来源：西安石油大学

2023-12-20 13:50:51

权利要求书： 1.一种小型智能钻机的控制方法，其特征在于，包括以下步骤；

步骤一：根据钻井工艺要求确定小型智能钻机的组成，通过分析自动送钻控制系统的整个过程，详细设置小型智能钻机控制系统，根据钻井参数得出传递函数并在Simulink中设计出自动送钻系统控制框图；

步骤二：采用BP神经网络算法，建立神经网络识别岩性模型，采用三层BP神经网络结构，输入层包含4个神经元，分别对应输入的平均钻压、钻头平均转速、平均扭矩及平均机械钻速，输出层包含2个神经元，分别对应所需识别的2类岩性，构造钻进参数样本并在软件MATLAB中采用神经网络模式识别工具箱，输入为钻井参数数据集，输出为岩性数据矩阵，隐含层节点数为10，进行数据训练、验证和测试，实现岩性识别；

步骤三：结合步骤一和步骤二，结合模拟岩样钻进试验，获得的包括钻速、转速和钻压敏感钻进参数，作为训练样本进行岩性识别，并单独分析自动送钻部分每个控制环节的数学物理模型，设计每个环节的传递函数，通过结合实际的自动送钻控制系统的钻井关系将三个控制环节通过接口连接；

所述步骤一中控制系统是三环控制系统，包括液压环节、绞车调节钻速环节及对钻具的上提下放进行控制的钻压环节，液压系统采用阀控电液伺服控制,输入量是电液伺服阀端的电流信号,输出量是液压缸的输出压力,电液伺服阀传递函数确定为速度环是通过液压盘式刹车的制动力来实现，通过分析压力P与钻具下

放速度之间的关系建立速度环的控制框图；根据钻速与钻压之间的关系设计出钻压调节器；

所述液压环节、绞车调节钻速环节及对钻具的上提下放进行控制的钻压环节通过接口连接，采用BP?PID控制，控制器包括两部分：经典增量式PID控制器和BP神经网络，其中经典的PID控制器直接对被控对象进行闭环控制，并且控制器的三个参数kp,ki，kd为在线调整方式，而神经网络则根据系统的运行状态，调整PID控制器的参数，以期达到某种性能指标的最优化。

2.根据权利要求1所述的一种小型智能钻机的控制方法，其特征在于，所述BP神经网络具有任意非线性表达能力，利用BP神经网络可以建立比例环节参数Kp、积分环节Ki、微分环节Kd自整定的PID控制器，PID控制器的输出u(k)＝u(k?1)+Δu(k),其中Δu(k)＝kp(e(k)?e(k?1))+kie(k)+kd(e(k)?2e(k?1)+e(k?2))，e(k)为时刻误差；系统进行神经网络学习，在线调整加权系数和PID控制器参数的自适应调整，实时实现钻机恒钻压钻进。

3.根据权利要求1所述的一种小型智能钻机的控制方法，其特征在于，所述控制系统自动检测钻压,然后与钻压给定值比较,如果有偏差就通过控制算法进行运算,然后输出一个刹车力的给定信号(O一20mA的电流信号)给液压盘刹机构,于是盘刹产生一定的刹车力,在该刹车力下钻具开始改变速度,最终速度稳定,在该速度下钻头压力就会达到给定值，实现钻机正常钻进过程中能够自动识别岩性和控制钻进参数的功能。

说明书：一种小型智能钻机的控制方法技术领域[0001] 本发明涉及智能钻机技术领域，特别涉及一种小型智能钻机的控制方法。背景技术[0002] 智能石油钻机可脱离人的干预，自动完成整个钻井过程，并能与钻井、地质和测井等专业进行大数据融合，从而有效提高钻井效率及作业安全性。面对复杂的地层环境，岩性识别是地层评价、油藏描述以及实时钻井监控等方面的重要研究内容之一。又钻井过程是一个受地层因素和人为因素影响的动态、复杂的非线性过程，很难用传统方法建立精确的数学模型进行描述，于是研究新型的石油钻机尤为重要。[0003] 目前的自动送钻控制系统采用的智能控制算法大多为PID控制，具有时滞性的缺点，又为了实现复杂地质条件下岩性识别研究，基于BP算法的神经网络控制技术应用于小型智能钻机控制是基于理论和实际的需要，精选样本数据后对网络进行训练，训练成功后的网络即可对其进行有效的控制，大大降低了控制系统的开发成本，提高了钻井的运行效率。发明内容[0004] 为了克服上述现有技术的不足，本发明的目的在于提供一种小型智能钻机的控制方法，通过采用BP神经网络算法，建立神经网络识别岩性模型，构造钻进参数样本并在软件MATLAB中利用神经网络工具箱进行岩性识别，并在Simulink中设计出自动送钻系统控制框图，应用到石油钻机上实现恒钻压钻进，有利于合理选择钻头类型、及时调整钻井参数和提高钻井效率。[0005] 为了实现上述目的，本发明采用的技术方案是：[0006] 一种小型智能钻机的控制方法，包括以下步骤；[0007] 步骤一：根据钻井工艺要求确定小型智能钻机的组成，通过分析自动送钻控制系统的整个过程，详细设计该小型智能钻机控制系统，根据钻井参数得出传递函数并在Simulink中设计出自动送钻系统控制框图；[0008] 步骤二：采用BP神经网络算法，建立神经网络识别岩性模型，采用三层BP神经网络结构，输入层包含4个神经元，分别对应输入的平均钻压、钻头平均转速、平均扭矩及平均机械钻速，输出层包含2个神经元，分别对应所需识别的2类岩性，构造钻进参数样本并在软件MATLAB中采用神经网络模式识别工具箱，输入为钻井参数数据集，输出为岩性数据矩阵，隐含层节点数为10，进行数据训练、验证和测试，实现岩性识别；[0009] 步骤三：结合步骤一和步骤二，结合模拟岩样钻进试验，获得的包括钻速、转速和钻压敏感等钻进参数，作为训练样本进行岩性识别，并单独分析自动送钻部分每个控制环节的数学物理模型，设计每个环节的传递函数，通过结合实际的自动送钻控制系统的钻井关系将三个控制环节通过接口连接。[0010] 所述步骤一中控制系统是三环控制系统，包括液压环节、绞车调节钻速环节及对钻具的上提下放进行控制的钻压环节，液压系统采用阀控电液伺服控制,输入量是电液伺服阀端的电流信号,输出量是液压缸的输出压力,电液伺服阀传递函数确定为速度环是通过液压盘式刹车的制动力来实现，通过分析压力P与钻具下放速度之间的关系建立速度环的控制框图；根据钻速与钻压之间的关系设计出钻压调节器。

[0011] 所述液压环节、绞车调节钻速环节及对钻具的上提下放进行控制的钻压环节通过接口连接，采用BP?PID控制，控制器包括两部分：经典增量式PID控制器和BP神经网络，其中经典的PID控制器直接对被控对象进行闭环控制，并且控制器的三个参数kp,ki，kd为在线调整方式，而神经网络则根据系统的运行状态，调整PID控制器的参数，以期达到某种性能指标的最优化。[0012] 所述BP神经网络具有任意非线性表达能力，利用BP神经网络可以建立比例环节参数Kp、积分环节Ki、微分环节Kd自整定的PID控制器，PID控制器的输出u(k)＝u(k?1)+Δu(k),其中Δu(k)＝kp(e(k)?e(k?1))+kie(k)+kd(e(k)?2e(k?1)+e(k?2))，e(k)为时刻误差。系统进行神经网络学习，在线调整加权系数和PID控制器参数的自适应调整，实时实现钻机恒钻压钻进。[0013] 所述控制系统自动检测钻压,然后与钻压给定值比较,如果有偏差就通过控制算法进行运算,然后输出一个刹车力的给定信号(O一20mA的电流信号)给液压盘刹机构,于是盘刹产生一定的刹车力,在该刹车力下钻具开始改变速度,最终速度稳定,在该速度下钻头压力就会达到给定值，实现钻机正常钻进过程中能够自动识别岩性和控制钻进参数的功能，达到智能化控制钻机钻进的目的。[0014] 本发明的有益效果：[0015] 1、针对含有不同岩性的地层，可以识别钻头当前位置的岩性信息，可针对地层岩性的特点合理选择钻井参数；[0016] 2、针对石油钻机的控制方式落后，采取BP算法应用在钻机的自动送钻控制系统中，可以提高对钻井参数的有效控制。[0017] 本发明通过确定钻机的基本组成，详细设计该小型智能钻机控制系统，实现对钻井过程中钻井参数进行实时动态监测，并识别出岩性和自动调整钻进的各项参数，适用现场在线监测，具有达到智能化控制钻机钻进的优点。附图说明[0018] 图1是小型智能钻机结构图。[0019] 图2是岩性识别神经网络结构图。[0020] 图3是自动送钻控制系统图。[0021] 图4是基于BP神经网络的PID控制系统结构框图。[0022] 图5是智能钻机控制流程图。具体实施方式[0023] 下面结合实施例对本发明作进一步详细说明。[0024] 参见图1，确定小型智能钻机的基本组成，包括钻压传感器、顶驱电机等，井底钻头在钻进过程中，由井下传感器处测得的大钩提升力与钻具重力求解所得井底的实时钻压，通过压力变送器将井底钻压与地面给定钻压进行比较，在控制器中对比较结果进行处理，以实现恒钻压自动送钻。[0025] 参见图2，结合模拟岩样钻进试验，获得的包括钻速、转速和钻压等敏感钻进参数，建立神经网络岩性识别模型，其作为训练样本聚类分析，进行岩性识别。[0026] 参见图3，设计并计算自动送钻控制过程的传递函数，主要包括内环液压环，中环速度环及外环钻压环，结合实际的自动送钻控制系统的钻井关系将传递函数在MATLAB/Simulink中搭建出来，将三个控制环节通过接口连接，并对其运用智能控制器进行仿真优化，以便更好地模拟自动送钻仿真优化过程。[0027] 参见图4，神经网络具有任意非线性表达能力，可以通过对系统性能的学习来实现具有最佳组合的PID控制。利用BP神经网络可以建立参数Kp,Ki,Kd自整定的PID控制器。[0028] 按照钻机的正常钻进过程，结合附图对本发明做进一步详细叙述。[0029] 步骤一，钻机钻进过程中，传感器可以采集钻探的实际物理量，包括钻压、钻速、扭矩以及机械振动，送入神经网络岩性识别模型，其作为训练样本聚类分析，进行岩性识别，如砂岩或者花岗岩。[0030] 步骤二，自动送钻系统的井底钻头为恒钻压钻进，当实际钻压与给定钻压有所偏离时，将钻压差值在控制器中进行处理，以此形成一个控制循环，对钻压进行实时控制，保证钻压的差值维持在一个范围内，保证钻头安全稳定的运行。[0031] 步骤三，结合步骤一和步骤二，在识别出地层岩性的情况下，给定输入钻压为该岩性的最佳钻压范围值。利用BP神经网络可以建立参数Kp,Ki,Kd自整定的PID控制器，对钻压进行实时控制。