一种基于深度学习的输油泵实验系统控制方法与流程

本发明涉及石油装备实验，特别是一种基于深度学习的输油泵实验系统控制方法。

背景技术：

1、输油泵实验系统主要用于模拟长输管道、油田集输及炼油化工场景中的输送工况，并对输油泵的水力性能、机械性能和运行可靠性进行测试。随着深度学习、时序预测和智能控制技术的发展，实验系统逐渐能够利用流量、压力、温度、气液比及含砂浓度等数据建立目标工况与控制信号之间的映射关系，实现实验工况的自动生成与动态调节。

2、现有输油泵实验台多采用单因素调节方式，各控制对象之间缺少统一的协调关系，难以准确模拟变转速、变粘度、变含气率和多相流等多参数耦合工况。在工况切换和参数调整过程中，管路容积效应、热惯性滞后及传感器响应延迟还会造成实际工况偏离目标工况，影响复杂工况的稳定复现和实验过程的连续控制。

技术实现思路

1、鉴于上述现有存在的问题，提出了本发明。

2、因此，本发明提供了一种基于深度学习的输油泵实验系统控制方法解决多参数耦合输油工况难以稳定模拟和动态闭环调节的问题。

3、为解决上述技术问题，本发明提供如下技术方案：

4、本发明提供了一种基于深度学习的输油泵实验系统控制方法，其包括，采集输油泵实验任务数据和实时运行数据，进行时间同步和阶段关联，得到实验状态序列；对实验状态序列中相邻采集时刻的实时运行数据进行差值处理，记录控制指令下发后各执行机构对应运行参数的变化时刻，核算响应时延并排列作用次序，得到控制时延数据；按照控制时延数据排列各执行机构，利用当前运行状态、当前控制量和目标工况配置多组候选控制量，将当前运行状态、控制时延数据和多组候选控制量输入预训练深度时序预测网络，推演后续运行状态，得到候选控制轨迹；按照安全边界剔除预测运行状态越界的候选控制轨迹，依据目标工况核算剩余候选控制轨迹的工况偏差，筛选目标控制轨迹并执行当前控制周期的控制量，得到控制执行记录；按照控制执行记录复采实时运行数据，核对复采实时运行数据与目标控制轨迹中预测运行状态的响应偏差，校正控制时延数据和预训练深度时序预测网络的预测参数，继续推演下一控制周期的候选控制轨迹，得到实验闭环记录。

5、作为本发明所述基于深度学习的输油泵实验系统控制方法的一种优选方案，其中：所述得到实验状态序列，具体包括：

6、从输油泵实验任务数据中提取实验阶段标识、目标工况、允许偏差范围、阶段持续时间、安全边界、传感器测量误差范围和各执行机构允许控制范围，按照实验执行次序排列各实验阶段，得到实验阶段数据；

7、按照实验阶段标识和阶段持续时间划分实时运行数据，将同一实验阶段内携带执行机构标识的控制指令、执行反馈、实际控制量和对应运行参数按照采集时刻编入对应控制周期，得到阶段运行数据；

8、对阶段运行数据进行采集时刻对齐，按照实验阶段标识和控制周期，将阶段运行数据对应至目标工况、允许偏差范围和安全边界，得到实验状态序列。

9、作为本发明所述基于深度学习的输油泵实验系统控制方法的一种优选方案，其中：所述得到控制时延数据，具体包括：

10、对实验状态序列中相邻采集时刻的实时运行数据进行差值处理，按照执行机构标识记录对应运行参数的变化量，得到参数变化数据；

11、利用参数变化数据中的运行参数变化量与传感器测量误差范围进行核对，记录控制指令下发后运行参数变化量首次超出传感器测量误差范围的采集时刻，得到时延对应数据；

12、利用时延对应数据记录的控制指令下发时刻和首个采集时刻核算时间间隔，将时间间隔作为对应执行机构的响应时延，并按照响应时延由长到短排列各执行机构，得到控制时延数据。

13、作为本发明所述基于深度学习的输油泵实验系统控制方法的一种优选方案，其中：所述预训练深度时序预测网络，具体包括：

14、按照实验阶段标识和控制周期划分历史实验数据，并按采集时刻排列实际运行参数和控制指令，得到历史样本序列；

15、核算历史样本序列中控制指令对应的历史响应时延，将连续前序控制周期的实际运行参数、控制指令和历史响应时延作为训练特征序列，将后续控制周期的实际运行参数作为预测目标，得到训练样本序列；

16、将训练特征序列输入深度时序预测网络，逐控制周期计算后续控制周期的预测运行参数，得到训练预测序列；

17、对训练预测序列中的预测运行参数和训练样本序列中的预测目标进行差值处理，得到训练误差数据；

18、按照训练误差数据调整深度时序预测网络的预测参数，重复处理训练样本序列，直至训练误差相较前一轮训练不再降低，得到预训练深度时序预测网络。

19、作为本发明所述基于深度学习的输油泵实验系统控制方法的一种优选方案，其中：所述得到候选控制轨迹，具体包括：

20、从控制时延数据中提取各执行机构的响应时延，按照响应时延由长到短排列作用次序，得到控制作用次序数据；

21、依据控制作用次序数据，从实验状态序列中提取当前运行状态、当前控制量和目标工况，在各执行机构允许控制范围内调整当前控制量，并按照响应时延设置作用时刻，得到多组候选控制量；

22、将当前运行状态、各执行机构的响应时延和多组候选控制量分别输入预训练深度时序预测网络，逐控制周期推演后续运行状态，并按照候选控制量组别连接对应的预测运行状态，得到候选控制轨迹。

23、作为本发明所述基于深度学习的输油泵实验系统控制方法的一种优选方案，其中：所述依据目标工况核算剩余候选控制轨迹的工况偏差，具体包括：

24、将候选控制轨迹中各控制周期的预测运行状态与安全边界逐项核对，剔除任一预测运行参数超出安全边界的候选控制轨迹，得到安全候选轨迹；

25、对安全候选轨迹中的预测运行状态和目标工况进行差值处理，记录各控制周期的工况偏差及候选控制量，得到工况偏差数据；

26、利用工况偏差数据统计达到允许偏差范围所需的控制周期数、工况偏差波动幅度和候选控制量反转次数，得到轨迹筛选数据。

27、作为本发明所述基于深度学习的输油泵实验系统控制方法的一种优选方案，其中：所述筛选目标控制轨迹，具体包括：

28、按照轨迹筛选数据中的控制周期数由少到多排列安全候选轨迹，保留排列首位控制周期数对应的安全候选轨迹，得到目标到达数据；

29、按照工况偏差波动幅度由小到大排列目标到达数据中的安全候选轨迹，在工况偏差波动幅度相同时按照候选控制量反转次数由少到多继续排列，得到目标稳定数据；

30、选取目标稳定数据中排列首位的安全候选轨迹作为目标控制轨迹。

31、作为本发明所述基于深度学习的输油泵实验系统控制方法的一种优选方案，其中：所述得到控制执行记录，具体包括：

32、从目标控制轨迹中提取当前控制周期的各执行机构控制量、控制量作用时刻和预测运行状态，按照控制时延数据中的排列位置整理控制动作，得到当前周期控制数据；

33、按照控制量作用时刻向对应执行机构下发控制指令，并记录控制指令下发时刻，得到指令执行数据；

34、按照指令执行数据采集各执行机构的执行状态和实际控制量，按照执行机构标识和控制量作用时刻，将实际控制量与当前周期控制数据中控制量逐项对应，并保留预测运行状态，得到控制执行记录。

35、作为本发明所述基于深度学习的输油泵实验系统控制方法的一种优选方案，其中：所述核对复采实时运行数据与目标控制轨迹中预测运行状态的响应偏差，具体包括：

36、按照控制执行记录中的控制指令下发时刻、实际控制量和预测运行状态，并结合控制时延数据中的响应时延设置复采时刻，在各复采时刻重新采集实时运行数据，得到复采运行数据；

37、将复采运行数据与控制执行记录中的预测运行状态按照相同控制周期和相同运行参数类型逐项配对，记录预测运行参数变化时刻和复采实际运行参数变化时刻，得到控制响应数据；

38、对控制响应数据中的预测运行状态和复采运行数据进行差值处理，记录响应方向差异、响应幅度差异和响应时间差异，得到响应偏差数据。

39、作为本发明所述基于深度学习的输油泵实验系统控制方法的一种优选方案，其中：所述得到实验闭环记录，具体包括：

40、利用响应偏差数据校正响应时延和预测参数，得到控制校正数据；

41、依据控制校正数据更新实验状态序列，重新配置多组候选控制量并推演候选控制轨迹，得到下一周期候选控制轨迹；

42、重复执行候选控制轨迹核验、筛选、控制量下发和响应偏差核对，在复采运行数据与目标工况的差值进入允许偏差范围后依次推进实验阶段，得到实验闭环记录。

43、本发明有益效果为：通过将当前运行状态、控制时延数据和多组候选控制量送入预训练深度时序预测网络，逐控制周期推演不同控制量作用下的后续运行状态，并对候选控制轨迹进行安全边界核验和工况偏差分析，筛除越界或波动较大的轨迹，选取满足目标工况要求的轨迹执行，再利用复采运行数据修正响应时延和预测参数，使后续控制适应管路容积效应、热惯性滞后及传感器响应延迟，提高复杂工况的复现稳定性和闭环控制连续性。