王坎　辜小花　高論　李太?！罾?/p>

摘 要： 采用建模發(fā)現(xiàn)油田機(jī)采系統(tǒng)的潛在規(guī)律，再利用該規(guī)律優(yōu)化獲取機(jī)采系統(tǒng)的最佳決策參數(shù)，對(duì)解決機(jī)采系統(tǒng)效率低、能耗大等問(wèn)題具有重要意義。然而，機(jī)采系統(tǒng)受機(jī)械、地層、人為等不確定因素的影響，難以掌握其生產(chǎn)參數(shù)、環(huán)境變量與系統(tǒng)性能之間的變化關(guān)系。為此，提出無(wú)跡粒子濾波神經(jīng)網(wǎng)絡(luò)，并用其建立機(jī)采系統(tǒng)的動(dòng)態(tài)演化模型。該方法將無(wú)跡卡爾曼濾波作為重要性采樣密度，直接通過(guò)無(wú)跡卡爾曼濾波估算狀態(tài)向量（粒子）的概率密度函數(shù)，從而有效提高濾波精度以及建模精度。通過(guò)對(duì)某油田機(jī)采系統(tǒng)的數(shù)據(jù)樣本實(shí)驗(yàn)，表明該方法提高了機(jī)采模型的精度，并能對(duì)動(dòng)態(tài)系統(tǒng)突變實(shí)時(shí)跟蹤，可有效指導(dǎo)機(jī)采系統(tǒng)獲取最佳決策參數(shù)。

關(guān)鍵詞： 油田機(jī)采； 無(wú)跡粒子濾波； 神經(jīng)網(wǎng)絡(luò)； 建模精度； 動(dòng)態(tài)演化建模

中圖分類(lèi)號(hào)： TN081?34； TP183 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2017）05?0109?06

Abstract： The modeling is used to discover the potential rules existing in the oil field mechanical plucking system， and the rules optimization is used to acquire the optimum decision parameter， which have the important significance to solve the problems of low efficiency and high energy consumption of the oil field mechanical plucking system. The mechanical plucking system is influenced by the uncertain factors such as the machinery， geological environment and artificial intervention， so it is difficult to master the change relationship among the operation parameter， environment variable and system performance. Therefore， a dynamic evolution model for the mechanical plucking system based on unscented particle filter neural network （UPFNN） is proposed， which takes the unscented Kalman filtering as the important sampling density. The probability density function of the state vector （particle） is estimated with the unscented Kalman filtering to improve the filtering accuracy and modeling accuracy effectively. The data samples experiment of a certain oil field mechanical plucking system was conducted. The results show that the method has improved the accuracy of the mechanical plucking model， can track the dynamic system mutation in real time， and guide the mechanical plucking system for acquiring the optimum decision parameter.

Keywords： oil field mechanical plucking； unscented particle filtering； neural network； modeling accuracy； dynamic evolution modeling

0 引 言

油田機(jī)采設(shè)備中抽油機(jī)以其結(jié)構(gòu)簡(jiǎn)單、制造成本低、耐久性好、維修方便等優(yōu)點(diǎn)，成為我國(guó)油田機(jī)械采油的最主要方式，但其效率低下，存在巨大的能源浪費(fèi)問(wèn)題[1?2]。優(yōu)化生產(chǎn)、節(jié)能增效對(duì)油田生產(chǎn)具有重要意義。目前，抽油機(jī)優(yōu)化的方法主要有兩種：研發(fā)新型節(jié)能抽油機(jī)或其配套裝置[3?4]；改變現(xiàn)有生產(chǎn)策略如參數(shù)優(yōu)化[5]、變頻[6?7]、間抽[8]等。然而，研發(fā)新型設(shè)備周期長(zhǎng)、投資大，油田生產(chǎn)的干擾大，難以滿(mǎn)足工況實(shí)時(shí)變化的問(wèn)題；采用抽油機(jī)操作參數(shù)優(yōu)化改變現(xiàn)有生產(chǎn)策略是提升現(xiàn)有抽油機(jī)裝置運(yùn)行效率，降低能耗，投資省、見(jiàn)效快的首選，但前提是必須建立精確可靠的過(guò)程優(yōu)化模型。

目前，建模常見(jiàn)的方法有機(jī)理模型、數(shù)據(jù)統(tǒng)計(jì)模型。機(jī)理模型一般通過(guò)分析生產(chǎn)的能量傳遞、運(yùn)行機(jī)構(gòu)機(jī)理等并通過(guò)一定假設(shè)建立不同部件的物理模型，再組合成整個(gè)系統(tǒng)的模型[9]，建模過(guò)程困難?；跀?shù)據(jù)統(tǒng)計(jì)的模型，通過(guò)建立輸入?yún)?shù)和輸出參數(shù)之間的函數(shù)關(guān)系，尋找數(shù)據(jù)之間的相關(guān)性，可有效避免機(jī)理分析過(guò)程復(fù)雜性和未知性問(wèn)題。如基于徑向基神經(jīng)網(wǎng)絡(luò)（Radial Basis Function Neural Network，RBFNN） 預(yù)測(cè)油層儲(chǔ)藏性質(zhì)[10]；利用BP神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network，BPNN）對(duì)抽油機(jī)系統(tǒng)進(jìn)行辨識(shí)[11]；利用廣義回歸神經(jīng)網(wǎng)絡(luò)（Generalized Regression Neural Network， GRNN）實(shí)現(xiàn)抽油機(jī)工藝過(guò)程的建模[12]；利用無(wú)跡卡爾曼神經(jīng)網(wǎng)絡(luò)（Unscented Kalman Filtering Neural Network，UKFNN）建立工業(yè)過(guò)程的動(dòng)態(tài)演化模型等[13?14]。

然而，利用BPNN，GRNN，RBFNN等建模，通常假設(shè)抽油機(jī)系統(tǒng)或工業(yè)系統(tǒng)處于平穩(wěn)狀態(tài)下生產(chǎn)，計(jì)算所得網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)如權(quán)值、閾值等固定，自適應(yīng)性差，對(duì)油田機(jī)采系統(tǒng)存在時(shí)變性的過(guò)程建模效果欠佳；利用UKFNN具有突變狀態(tài)跟蹤能力的神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)對(duì)復(fù)雜動(dòng)態(tài)工藝的在線(xiàn)跟蹤。但是UKF采用高斯分布來(lái)逼近系統(tǒng)狀態(tài)的后驗(yàn)概率密度，且抽油機(jī)工藝狀態(tài)隨著環(huán)境、設(shè)備磨損老化等影響其后驗(yàn)概率密度呈現(xiàn)非高斯特性，以致UKF訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型參數(shù)將產(chǎn)生極大的誤差。如何針對(duì)動(dòng)態(tài)非線(xiàn)性、非高斯的隨機(jī)系統(tǒng)建立高精度模型成為研究關(guān)鍵。

無(wú)跡粒子濾波器（Unscented Particle Filter，UPF）是一種通過(guò)UKF計(jì)算粒子濾波（Particle Filtering， PF）[15?16]的重要性密度函數(shù)形成高精度濾波算法，其有效避免非高斯系統(tǒng)UKF估計(jì)精度問(wèn)題，PF粒子概率密度難以獲取的問(wèn)題。為此，本文提出利用UPF訓(xùn)練神經(jīng)網(wǎng)絡(luò)參數(shù)，構(gòu)建無(wú)跡粒子濾波神經(jīng)網(wǎng)絡(luò)（Unscented Particle Filtering Neural Network，UPFNN），并用來(lái)建立抽油機(jī)工藝的動(dòng)態(tài)演化模型，使得模型滿(mǎn)足動(dòng)態(tài)、高精度要求，該模型可以作為抽油機(jī)工藝操作條件優(yōu)化的基礎(chǔ)模型。

1 基于UPFNN的復(fù)雜工藝建模

1.1 UKF訓(xùn)練神經(jīng)網(wǎng)絡(luò)參數(shù)問(wèn)題分析

神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的非線(xiàn)性擬合能力，在各種復(fù)雜的工藝過(guò)程具有較好的建模特性。由于常規(guī)神經(jīng)網(wǎng)絡(luò)權(quán)值、閾值固定，自適應(yīng)差，難以滿(mǎn)足抽油機(jī)采油等生產(chǎn)過(guò)程動(dòng)態(tài)變化的特性；利用UKF不斷對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行動(dòng)態(tài)調(diào)整的神經(jīng)網(wǎng)絡(luò)方法被廣泛應(yīng)用于實(shí)際生產(chǎn)過(guò)程建模。

設(shè)三層前饋神經(jīng)網(wǎng)絡(luò)，記[S0]為輸入層神經(jīng)元，[S1]為隱含層神經(jīng)元數(shù)，[S2]為輸出層神經(jīng)元。網(wǎng)絡(luò)輸入層到隱層神經(jīng)元的連接權(quán)值為[w1ij，]閾值為[b1j]以及隱層到輸出層神經(jīng)元的連接權(quán)值為[w2jk，]閾值為[b2k，]其中[i=1，2，…，S0；][j=1，2，…，S1；][k=1，2，…，S2。]神經(jīng)網(wǎng)絡(luò)中所有權(quán)值和閾值組成的狀態(tài)變量為：

式中：[f（?）]為神經(jīng)網(wǎng)絡(luò)隱層傳遞函數(shù)；[Yek]為期望輸出；[Ik]為輸入矩陣；[wk，][vk]分別為系統(tǒng)狀態(tài)噪聲和觀測(cè)噪聲。

由式（1）～式（3）可知，UKFNN是將神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)換成非線(xiàn)性系統(tǒng)，并通過(guò)UKF估計(jì)其狀態(tài)變量達(dá)到訓(xùn)練神經(jīng)網(wǎng)絡(luò)參數(shù)（權(quán)值、閾值）的目的。根據(jù)式（3）所示神經(jīng)網(wǎng)絡(luò)觀測(cè)方程，其預(yù)測(cè)值精度由狀態(tài)變量[X、]網(wǎng)絡(luò)輸入變量[I]共同決定，同時(shí)狀態(tài)變量[X]變化趨勢(shì)受到樣本輸入變量[I]的影響。在實(shí)際現(xiàn)場(chǎng)生產(chǎn)中，抽油機(jī)系統(tǒng)受到環(huán)境、地質(zhì)、人為等因素影響，獲取的生產(chǎn)樣本數(shù)據(jù)噪聲較大，且噪聲呈現(xiàn)非高斯分布，可知抽油機(jī)系統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型狀態(tài)變量噪聲也呈現(xiàn)非高斯分布。然而，利用UKF估計(jì)非線(xiàn)性系統(tǒng)狀態(tài)，以UT變換為基礎(chǔ)，通過(guò)Sigma高斯采樣并經(jīng)過(guò)非線(xiàn)性函數(shù)映射來(lái)對(duì)狀態(tài)向量的概率密度函數(shù)進(jìn)行近似化：

由式（4），式（5）可知，由于UKF的采樣方式?jīng)Q定其對(duì)狀態(tài)噪聲呈高斯分布的系統(tǒng)估計(jì)精度較高，而對(duì)狀態(tài)噪聲呈非高斯分布的非線(xiàn)性系統(tǒng)進(jìn)行狀態(tài)估計(jì)存在較大的誤差[17]。為此，利用UKF訓(xùn)練抽油機(jī)系統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型參數(shù)存在一定限制。

粒子濾波是一種基于隨機(jī)采樣的濾波方法，主要解決非線(xiàn)性非高斯問(wèn)題。該方法利用狀態(tài)空間中一系列加權(quán)隨機(jī)樣本集（粒子）近似系統(tǒng)狀態(tài)的后驗(yàn)概率密度函數(shù)，避免了UKF解決非線(xiàn)性濾波問(wèn)題時(shí)隨機(jī)量必須滿(mǎn)足高斯分布的制約條件，其適用于任何環(huán)境下的任何狀態(tài)轉(zhuǎn)換或測(cè)量模型。但是，粒子濾波不可避免地出現(xiàn)粒子退化現(xiàn)象。為此，通過(guò)UKF計(jì)算粒子的重要性密度函數(shù)形成無(wú)跡粒子濾波器（UPF），該算法對(duì)高斯隨機(jī)變量的均值和方差可以精確到三階水平。同時(shí)可在一定程度上避免UKF估計(jì)的高斯分布采樣限制以及PF粒子概率密度難以獲取導(dǎo)致粒子退化等問(wèn)題，可有效提高非線(xiàn)性方程的非高斯噪聲狀態(tài)估計(jì)值精度。為此，本文提出利用UPF估計(jì)神經(jīng)網(wǎng)絡(luò)模型非線(xiàn)性方程狀態(tài)變量以達(dá)到提高神經(jīng)網(wǎng)絡(luò)模型精度的目的。

1.2 UPFNN高精度動(dòng)態(tài)演化建模算法設(shè)計(jì)

針對(duì)式（1）～式（3）的神經(jīng)網(wǎng)絡(luò)非線(xiàn)性系統(tǒng)方程，利用UPF對(duì)系統(tǒng)進(jìn)行狀態(tài)估計(jì)[18]，其具體實(shí)現(xiàn)步驟如下：

（1） 初始化，針對(duì)粒子濾波器設(shè)置粒子的數(shù)目[N，]并對(duì)[N（x0，P0）]抽樣，得到初始粒子集[xi0i=1，2，…，N，]并設(shè)粒子的權(quán)值皆為[1N。]

（2） 獲取[k+1]時(shí)刻的觀測(cè)變量值[Yk+1]后，利用UKF對(duì)每個(gè)粒子[Xi0]進(jìn)行狀態(tài)估計(jì)，得到相應(yīng)的估計(jì)值[Xik+1k]和協(xié)方差[Pik+1k]。

（3） 將UKF估計(jì)值[Xik+1]和協(xié)方差[Pik+1]作為粒子的重要性密度函數(shù)進(jìn)行抽樣，得到新粒子[Xik+1]及其概率密度值：

[qXik+1Xik，Yk+1=NXik+1，Pik+1] （6）

（4） 將粒子權(quán)值更新，并進(jìn)行歸一化處理：

[ωik+1=ωik×pYk+1Xik+1pXik+1XikqXik+1Xik，Yk+1] （7）

[ωik+1=ωik+1j=1Nωik+1] （8）

（5）根據(jù)粒子權(quán)值和重采樣策略對(duì)粒子集[{Xik+1i=1，2，…，N}]進(jìn)行重采樣，從而獲取新粒子集[{Xik+1i=1，2，…，N}，]并根據(jù)新粒子求取狀態(tài)估計(jì)：

[Xk+1=i=1NXik+1N] （9）

根據(jù)步驟（1）～步驟（5）進(jìn)行計(jì)算，以最后一次估計(jì)得到的系統(tǒng)狀態(tài)變量作為利用UPF計(jì)算得到神經(jīng)網(wǎng)絡(luò)的權(quán)值、閾值。該方法可以迅速跟蹤狀態(tài)真實(shí)值，完成對(duì)狀態(tài)的估計(jì)。

2 仿真實(shí)驗(yàn)

為驗(yàn)證基于UPFNN動(dòng)態(tài)非線(xiàn)性建模方法的有效性，本文以某油田機(jī)采系統(tǒng)為對(duì)象進(jìn)行實(shí)驗(yàn)研究。以港510有桿抽油機(jī)機(jī)采系統(tǒng)2014年12月—2015年9月的數(shù)據(jù)為樣本，建立系統(tǒng)工藝過(guò)程模型，以提供操作條件優(yōu)化的基礎(chǔ)模型。

2.1 變量選擇與樣本預(yù)處理

游梁式有桿抽油機(jī)（簡(jiǎn)稱(chēng)抽油機(jī)）是油田機(jī)采的主要設(shè)備，其工藝模型的挖掘?qū)τ吞锷a(chǎn)具有重要意義。通過(guò)調(diào)研及文獻(xiàn)分析發(fā)現(xiàn)，抽油機(jī)的主要生產(chǎn)性能包括產(chǎn)液量和耗電量，可作為節(jié)能增效模型的輸出；沖次、有效沖程是否合理與產(chǎn)液量、耗電量有直接的關(guān)系，是關(guān)鍵決策參數(shù)；含水率、平均功率因數(shù)、計(jì)算泵效對(duì)產(chǎn)液量和耗電量有一定的影響，可作為環(huán)境變量；示功圖作為工況的重要反映，在建模過(guò)程中也是不可或缺的。為此，本文選擇沖次、有效沖程、計(jì)算泵效、含水率、平均功率因數(shù)和示功圖主分量作為模型輸入，日產(chǎn)液量和日耗電量作為模型輸出，模型參數(shù)信息如表1所示。

由于油田油水井信息采集平臺(tái)中，沖次、有效沖程、功率因數(shù)、計(jì)算泵效以及示功圖數(shù)據(jù)采集周期為20 min，而含水率、日產(chǎn)液量和日耗電量采集周期為24 h。為保證實(shí)驗(yàn)數(shù)據(jù)的一致性，將同一天的多次采樣數(shù)據(jù)取平均作為對(duì)應(yīng)參數(shù)當(dāng)天的樣本。最終獲得256組樣本，部分樣本示例如表2所示。

2.2 示功圖的主元分量提取

示功圖描繪的是采油過(guò)程中載荷隨位移變化的關(guān)系，是機(jī)采系統(tǒng)工作狀態(tài)的直觀反映，是分析機(jī)采系統(tǒng)工作狀態(tài)的重要依據(jù)。本文獲取了一個(gè)采油周期的144個(gè)載荷?位移值。若這些點(diǎn)全部用于建模會(huì)增加算法的復(fù)雜度，同時(shí)144個(gè)點(diǎn)之間存在明顯的相關(guān)性和冗余性。為此，本文提出首先利用主成分分析方法（PCA）提取示功圖主分量。

根據(jù)PCA的計(jì)算，本文選擇特征值累計(jì)貢獻(xiàn)率達(dá)到90%時(shí)的所有主元。計(jì)算得到PCA提取所有主元中，前5組主分量（B1～B5）對(duì)應(yīng)的特征值、特征值貢獻(xiàn)率以及特征值累計(jì)貢獻(xiàn)率如表3所示。

由表3可知，PCA提取的前2個(gè)主分量（B1，B2）的累計(jì)貢獻(xiàn)率已經(jīng)達(dá)到93.23%，超過(guò)設(shè)定值。故而認(rèn)為，前兩個(gè)主分量（B1，B2）包含了示功圖數(shù)據(jù)的絕大部分特征信息，基本代表了原始特征。故此，本文采用前兩個(gè)主分量作為示功圖數(shù)據(jù)的特征，并代替原始的載荷數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入變量參與建模。

2.3 基于UPFNN的抽油機(jī)工藝過(guò)程建模

通過(guò)2.2節(jié)示功圖主元分析，可以利用主元分量B1，B2代替144維的原始示功圖數(shù)據(jù)為網(wǎng)絡(luò)輸入環(huán)境變量，以降低建模計(jì)算的復(fù)雜度和冗余度。同時(shí)將決策變量沖次、有效沖程以及環(huán)境變量計(jì)算泵效、平均功率因數(shù)、含水率等作為網(wǎng)絡(luò)的輸入變量，將日產(chǎn)液量、日耗電量作為網(wǎng)絡(luò)的輸出，建立神經(jīng)網(wǎng)絡(luò)模型：

為了驗(yàn)證UPFNN方法的建模跟蹤能力和預(yù)測(cè)精度，本節(jié)將其與UKFNN，BPNN進(jìn)行比較。實(shí)驗(yàn)中按照樣本采樣順序，將前80%的樣本作為訓(xùn)練樣本并驗(yàn)證模型的跟蹤能力；后20%的樣本作為測(cè)試樣本并驗(yàn)證模型的預(yù)測(cè)精度。三種方法得到的樣本訓(xùn)練跟蹤效果如圖1，圖2所示，測(cè)試樣本預(yù)測(cè)效果分別如圖3，圖4所示。

在跟蹤能力方面，由圖1，圖2可知在系統(tǒng)工況發(fā)生變化時(shí)，三種方法的表現(xiàn)差異明顯。圖1中產(chǎn)液量樣本在第94點(diǎn)處個(gè)別樣本出現(xiàn)小幅波動(dòng)，BPNN在第94點(diǎn)附近跟蹤出現(xiàn)了明顯偏差，表現(xiàn)出過(guò)沖現(xiàn)象，在第163點(diǎn)樣本處劇烈變化，BPNN在此后的樣本跟蹤方面均表現(xiàn)出較大的偏差，說(shuō)明其跟蹤能力較差；UKFNN，UPFNN在第94點(diǎn)樣本點(diǎn)處沒(méi)有表現(xiàn)出較大差異，但是在第163點(diǎn)處可以看出UKFNN較快響應(yīng)，但UPFNN效果最好；同樣由圖2可以看出，在耗電量發(fā)生巨大變化時(shí)，UKFNN能夠跟蹤到樣本的變化趨勢(shì)，而UPFNN可以更加精確地跟蹤到樣本值，在樣本突變時(shí)表現(xiàn)出更好的跟蹤特性。

在預(yù)測(cè)精度方面，采用相同的測(cè)試樣本驗(yàn)證三種模型的表現(xiàn)。由圖3可知BPNN預(yù)測(cè)值明顯小于實(shí)際值，且波動(dòng)較大；UKFNN能較為準(zhǔn)確地預(yù)測(cè)到大部分產(chǎn)液量樣本，但是20～30樣本之間預(yù)測(cè)效果差；UPFNN針對(duì)所有的產(chǎn)液量測(cè)試樣本均表現(xiàn)出較高的預(yù)測(cè)精度；由圖4可知耗電量測(cè)試樣本期望值波動(dòng)較大，此時(shí)BPNN預(yù)測(cè)波動(dòng)也較大，同時(shí)整體低于期望值，預(yù)測(cè)精度差；UKFNN在測(cè)試樣本波動(dòng)較大時(shí)，其預(yù)測(cè)精度同樣受到較大影響，預(yù)測(cè)值整體均值大于期望值；然而，UPFNN在波動(dòng)較大時(shí)測(cè)試樣本表現(xiàn)仍然較好，能夠較為精確地預(yù)測(cè)到測(cè)試集期望值。由此可知無(wú)論在跟蹤能力還是預(yù)測(cè)精度方面，UPFNN均表現(xiàn)出了較高的精度。

由圖5，圖6可以看出，BPNN構(gòu)建的工藝過(guò)程模型預(yù)測(cè)產(chǎn)液量、耗電量誤差均較大，而UKFNN，UPFNN構(gòu)建的模型的預(yù)測(cè)誤差均控制在5%以?xún)?nèi)；同時(shí)由表4的統(tǒng)計(jì)結(jié)果表明：

（1） 三個(gè)統(tǒng)計(jì)指標(biāo)中，BPNN模型的訓(xùn)練樣本跟蹤能力最強(qiáng)，但是其測(cè)試樣本的預(yù)測(cè)精度最差；

（2） UKFNN在訓(xùn)練樣本跟蹤能力弱于BPNN，但在測(cè)試樣本預(yù)測(cè)精度上有了較大的提升；

（3） UPFNN在訓(xùn)練跟蹤能力上以及測(cè)試樣本預(yù)測(cè)精度上均優(yōu)于UKFNN，且UPFNN的預(yù)測(cè)精度在三種模型中最高。

造成上述三種現(xiàn)象的主要原因包括：

（1） BPNN通過(guò)訓(xùn)練樣本輸出指標(biāo)MSE，達(dá)到設(shè)定值停止訓(xùn)練，加之各工況樣本數(shù)量不均衡，導(dǎo)致前期工況的影響權(quán)重大于后期工況，使得BPNN的跟蹤效果較好，但是預(yù)測(cè)當(dāng)前狀態(tài)能力不強(qiáng)；

（2） UKFNN具有動(dòng)態(tài)演化建模能力，其按照時(shí)間順序的采集樣本不斷更新模型，使得模型更加符合當(dāng)前抽油機(jī)的系統(tǒng)特性，故而在預(yù)測(cè)精度上優(yōu)于BPNN；

（3） 非高斯?fàn)顟B(tài)噪聲系統(tǒng)利用UPF進(jìn)行估計(jì)，在精度上優(yōu)于UKF，從而使得UPFNN建模在跟蹤能力方面優(yōu)于UKFNN，且預(yù)測(cè)精度最高。

由此可知，在跟蹤能力以及預(yù)測(cè)精度上UPFNN建立的復(fù)雜工藝的動(dòng)態(tài)模型優(yōu)于UKFNN，可較好地滿(mǎn)足工藝生產(chǎn)過(guò)程高精度建模的要求，驗(yàn)證了該方法的有效性和先進(jìn)性。

3 結(jié) 語(yǔ)

本文針對(duì)UKF系統(tǒng)狀態(tài)估計(jì)精度問(wèn)題，提出利用UKF產(chǎn)生PF的重要性密度函數(shù)，以保留PF的非線(xiàn)性高精度濾波特性，并對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行實(shí)時(shí)計(jì)算，以建立抽油機(jī)工藝過(guò)程的高精度動(dòng)態(tài)演化模型。通過(guò)對(duì)UPFNN，UKFNN，BPNN的性能比較實(shí)驗(yàn)表明，利用UPFNN建立的抽油機(jī)工藝模型精度高，且對(duì)抽油機(jī)突變狀態(tài)具有很強(qiáng)的跟蹤特性，對(duì)提高復(fù)雜動(dòng)態(tài)工藝過(guò)程動(dòng)態(tài)模型精度給出了有力的條件。如何通過(guò)模型獲取抽油機(jī)工藝的最佳操作變量，使得抽油機(jī)高效、節(jié)能的運(yùn)行將是下一步的研究重點(diǎn)。

參考文獻(xiàn)

[1] WANG S L， ZHOU T J， LONG P， et al. Analysis and countermeasures on the efficiency of the pumping wells system in the old oil?field [C]// Proceedings of 2013 SPE Asia Pacific Oil and Gas Conference and Exhibition. Jakarta， Indonesia： So?ciety of Petroleum Engineers， 2013： 257?266.

[2] 蔡亞，石杰，莫志庭，等.花土溝油田抽油機(jī)系統(tǒng)效率的影響因素及對(duì)策[J].油氣田地面工程，2012，31（3）：22?23.

[3] 孫術(shù)華.利用數(shù)控鏜床技術(shù)研制新型抽油機(jī)機(jī)架[J].油氣田地面工程，2014，33（5）：12?13.

[4] LU J M， HE J P， MAO C X， et al. Design and implementation of a dual PWM frequency converter used in beam pumping unit for energy saving [J]. IEEE transactions on industry applications， 2014， 50（5）： 2948?2956.

[5] 陳祥臻，徐小力，朱春梅，等.基于正交試驗(yàn)的抽油機(jī)工作效率影響因素分析[J].石油機(jī)械，2014，42（12）：61?64.

[6] 于劍鋒，劉存山.變頻調(diào)速與能量回饋相結(jié)合的抽油機(jī)控制系統(tǒng)[J].油氣田地面工程，2013，32（8）：68?69.

[7] PENG Y， LIU X. Application of variable frequency speed control to beam pumping units based on mechanical properties in mechanical controlling engineering [J]. Advanced materials research， 2013， 648： 365?369.

[8] 關(guān)寧，歐陽(yáng)華章，李華.抽油機(jī)低效間抽井產(chǎn)液變化規(guī)律[J].油氣田地面工程，2006，25（2）：17?18.

[9] ZHANG X M， YANG X， GUO Z. Kinematics and dynamics analysis of drive mechanism of parallel four?bar energy?saving pumping unit [J]. Wuhan University journal of natural sciences， 2012， 17（1）： 73?78.

[10] LI L， XIONG W， ZHAN S F， et al. Reservoir property prediction using the dynamic radial basis function network [C]// Proceedings of 2011 SEG Technical Program Expanded Abstracts. San Antonio： Society of Exploration Geophysicists， 2011： 1754?1758.

[11] 晏夢(mèng)云，張錫寧，吳偉，等.抽油機(jī)電液伺服加載系統(tǒng)的神經(jīng)網(wǎng)絡(luò)PID控制[J].石油礦場(chǎng)機(jī)械，2008，37（11）：48?51.

[12] 辜小花，廖志強(qiáng)，李太福，等.面向抽油機(jī)節(jié)能的GRNN過(guò)程建模及工藝參數(shù)優(yōu)化[J].重慶大學(xué)學(xué)報(bào)，2013，36（6）：130?136.

[13] 李太福，姚立忠，易軍，等.強(qiáng)跟蹤平方根UKFNN的鋁電解槽工耗動(dòng)態(tài)演化模型[J].自動(dòng)化學(xué)報(bào)，2014，40（3）：522?530.

[14] 李太福，侯杰，姚立忠，等.Gamma Test噪聲估計(jì)的Kalman神經(jīng)網(wǎng)絡(luò)在動(dòng)態(tài)工業(yè)過(guò)程建模中的應(yīng)用[J].機(jī)械工程學(xué)報(bào)，2014，50（18）：29?35.

[15] 王法勝，魯明羽，趙清杰，等.粒子濾波算法[J].計(jì)算機(jī)學(xué)報(bào)，2014，37（8）：1679?1694.

[16] LI T C， GABRIEL V， SUN S D， et al. Resampling methods for particle filtering： identical distribution， a new method， and comparable study [J]. Frontiers of information technology & electronic engineering， 2015， 16（11）： 969?984.

[17] 楊麗華，葛磊，李保林，等.強(qiáng)跟蹤UKF粒子濾波算法[J].計(jì)算機(jī)工程與設(shè)計(jì)，2015，36（9）：2432?2436.

[18] MIAO Q， XIE L， CUI H J， et al. Remaining useful life prediction of lithium?ion battery with unscented particle filter technique [J]. Microelectronics reliability， 2013， 53（6）： 805?810.