基于W SN 的回油温度神经网络P ID 控制方法

基于W SN 的回油温度神经网络P ID 控
制方法
作者：董云峰
来源：《科技创新与生产力》 2018年第8期
摘要：为了解决油田计量间回油温度控制中多热水管路流量耦合、控制响应高时滞的问题，引入了一种PID神经网络控制方法，该方法基于无线传感器网络（WSN）技术实现，所设计的
PID神经网络控制算法能够在低成本微控制单元（MCU）上实时运行。

该PID神经网络由3个并
联的子网络组成，每个子网络隐含层中包含3个神经元，用以模拟PID控制中的比例、积分、
微分作用。

仿真分析结果标明，在3路回油热水管路强耦合情况下，针对3路不同给定控制量，均能起到较好控制效果。

关键词：计量间；回油温度控制；WSN；PID神经网络
中图分类号：TP183 文献标志码：A DOI：10.3969/j.issn.1674-9146.2018.08.092
计量间是采油过程中油水混合液中转、集输的重要一环。

为了防止输油管道发生结蜡
现象，油水混合液流经计量间时需要混入热水，将回油温度提高后再输送至中心站或联合站。

以大庆油田采油八厂为例，现有回油温度控制方法为：先由温度计测取回油管道温度值，再由
巡井人员定期根据温度变化手动调节热水管路阀门，通过改变混入热水流量来控制回油管道温度。

该回油温度控制方式具有诸多缺陷，主要体现在两个方面：一是大庆油田采油八厂各计量
间位置分散，其平均距离超过6 km，仅依靠人工巡视各计量间内回油管路温度变化，无法对混
入热水流量做出及时调整；二是在人工巡视间隔段内，无法实现对回油温度数据的连续采集，
难以实现对温度的实时精确控制[1-2]。

无线传感器网络（Wireless Sensor Network，WSN）通过将大量低成本传感器节点装
置分布于广阔的地域内，从而实现对诸多物理参数的远程监控，目前已在环境参数监测、交通
流量监控和工业数据监控中取得了大量成功应用。

在有些应用场合中，不仅要求无线传感器节
点能够准确采集、发送数据，而且要求无线传感器节点能够依照特定的控制策略实现对某些物
理参量的控制，从而使传感器节点具备了执行器的特性[3-4]。

近年来，无线传感器/执行器网
络成为一个研究热点，执行器节点的加入给传统闭环系统带来了传输带宽、响应延时等问题，
根据不同的被控对象设计相应不同的无线控制方案，是解决上述问题的关键。

本文应用无线传
感器/执行器网络技术，实现对计量间多条回油管路的温度控制。

计量间回油管路温度变化具有大滞后、非线性的特性，加之采取远程无线控制方式，使得温度跟随控制量变化的滞后性更强，由于被控对象具有的复杂滞后特性[5-7]，传统PID（比例Proportion、积分Integral、导数Derivative的首字母缩写）控制方法很难达到理想的控制效果。

管路内油水混合液黏度随不同
产出液状况随时变化，导致该系统的滞后时间具有不可预知性，定常参数的PID控制器难以保
证系统的稳健性[8]。

本文采用神经网络PID控制方法，利用人工神经网络，根据系统状态整定PID参数，增强了系统的自适应能力和稳健性[9-10]。

各执行器节点以16低功耗微控制单元（Micro Control Unit，MCU）实现，考虑到低成本MCU有限的片上资源，系统实现时将神经网络的权值、阈值及其他参数进行了浮点到定点的数据转换，保证了控制算法在MCU上的实时运
行速率和效果。

1 单个计量间回油温度监控系统硬件组成
第93页图1为以3回油管路为例的单个计量间回油温度监控系统硬件组成结构简图。

各管路传感器/执行器节点通过铂热电偶温度变送器检测管路温度，温度变送器将所采集的温度
模拟电压0~ 5 V，转换为对应16位数字量，管路节点可通过RS485通信总线向对应的温度传
感器查询管路当前的温度数据。

各管路传感器/执行器节点核心为德州仪器（Texas Instruments，TI）公司出品的MSP430G2553低成本16位MCU。

管路节点模块所搭载的资源见
图2。

图2中的稳压电路将输入电压调整为3.7 V稳压输出，用于给MCU供电。

节点的印制
电路板（Printed Circuit Board，PCB）上配置两路RS485电平转换电路：RS485_1和RS485_2，分别与MCU的两路互补金属氧化物半导体（Complementary Metal Oxide Semiconductor，CMOS）电平异步串口连接，其中RS485_1用于采集温度变送器发出的数据，RS485_2用于连接433 MHz 无线透传模块。

MCU通过内部集成的数字模拟转换器（Digital to Analog Converter，DAC）
模块产生0~3 V的模拟电压输出，经过图2中的DAC驱动放大电路后，线性变换为0~12 V电压输出，用于驱动热水管路电磁阀，以控制产生不同大小的混入热水流量。

图1中的数传节点起到数据中继转发的作用，它通过分辨不同无线模块的地址，将各
管路节点温度数据经远程终端单元（Remote Terminal Unit，RTU）模块转发至远程数据中心，以便将各计量间管路温度数据进行远程监控、处理或长期保存。

由于计量间管路温度数据量低、所占带宽窄，因此数传节点到远程数据中心的信道由RTU模块及其天线配件来建立。

RTU模块
是一种利用移动运营商的通用分组无线服务（General Packet Radio Service，GPRS）网络进
行数据通信的专用设备，其在30 km范围内能够保证高速、稳定的数据收发。

2 PID神经网络控制理论
在图1中，传统控制方式为每个管路节点对所属管路温度单独控制，各节点控制器采
用PID控制算法使各回油管路温度保持在设定温度允许范围内。

3条回油管路对应的热水管路
均为来自总热水管线的分支，总热水管线中的热水流量在实际应用中仅能在很小范围内维持稳定。

因此，3条热水管路的流量变化会相互影响，形成3条回油管路耦合系统，使得各管路节
点的单独控制很难达到要求。

笔者通过PID神经网络控制算法实现3条热水管路流量控制的解耦，3个控制量输出的PID 神经网络拓扑结构见图3。

PID神经网络一共分为3层：输入层、隐含层和输出层。

每条热水管路流量由1个控制量（电磁阀输入电压）控制，3个控制量的PID神经网络包含3个并列的相
同子网络，各子网络既相互独立，又通过网络连接权值联系。

每个子网络含有2个神经元的输
入层、3个神经元的隐含层、1个神经元的输出层，隐含层的3个神经元分别称为比例神经元、积分神经元和微分神经元，用来与PID控制律中的比例控制、积分控制和微分控制相对应。

在图3中，各控制量子网络中输入神经元仅起到信号传递作用，即输入等于输出。

每
个子网络中各隐含神经元的输入相同，可描述为
3 PID神经网络控制的仿真分析
使用MATLAB编程实现3控制变量耦合系统的PID神经网络控制仿真，控制量初始值为[0 0 0]，网络学习速率为0.05，控制时间间隔为0.5 s，网络权值初始状态随机取得，假设控制量的目标值分别为7 V，4 V和6 V。

图4为PID神经网络控制效果。

从图4可以看出，PID神经网络控制器能够较好地控制3输入3输出复杂耦合系统，在
3条热水管路流量存在较强耦合情况下，能够对管路热水流量实现精确控制。

4 基于MCU的节点算法实现
PID神经网络拓扑需要以固定参数形式存储在MCU的存储空间中，应用中为
MSP430G2553扩展1 kB的EPROM，合计1024 B（即8192 b）。

考虑到低成本MCU有限的运算速度，设计中将所有浮点数据变量都表示为定点数据变量，这样可以保证变量占用最少的存储空间，同时提高程序的运行速度。

实际设计中的网络主要包括如下参数：一是神经网络输入，合
计6个输入变量，每个占用2 B空间，将其表示为定点数；二是神经网络输出，合计3个输出
变量，每个占用2 B空间，表示为定点数；三是输入层-隐含层权值，每个权值占用4 B空间存储，表示为定点数；四是隐含层-输出层权值，每个权值占用4 B存储空间，同样表示为定点数。

5 结论
通过以上分析可以看出：笔者设计的PID神经网络回油温度控制系统，能够很好地解
决3路回油管道混入热水耦合系统的控制问题，基于低成本MCU实现的节点控制器可以稳定工
作于所设计的WSN中。

该系统能够解决油田计量间回油温度实时、自动控制的问题，且历史数
据可通过RTU设备上传至监控中心，提高了采油监控的工作效率。

参考文献：
[1] 储开峰.计量间串接进站在油田地面工程设计中的应
用[J].油气田地面工程,2009,28(5):38-39.
[2] 姜雨华.计量间单井回油温度监测及报警装置[J].油气田
地面工程,2015,34(8):52-53.
[3] YICK J, MUKHERJEE B, GHOSAL D. Wireless sensor
network survey[J]. Computer Networks, 2008, 52(6):
2292-2330.
[4] 张海波,胡大可.低成本高速率传感器网络的设计实现[J].
传感技术学报,2010,23(15):732-738.
[5] 周开利,康耀红.神经网络模型及MATLAB仿真程序设
计[M].北京:清华大学出版社,2005:70-82.
[6] 朴海国,王志新,张华强.基于合作粒子群算法的PID神经
网络非线性控制系统[J].控制理论与应用,2009,26(12):
1317-1324.
[7] 王敬志,任开春,胡斌.基于BP神经网络整定的PID控
制[J].工业控制计算机,2011,24(3):72-73.
[8] ZHOU M L, ZHANG Q. Hysteresis Model of Magnetically
Controlled Shape Memory Alloy Based on a PID Neural
Network[C]. IEEE. 2015 IEEE International Magnetics
Conference. Beijing: IEEE Publications, 2015: 15303526.
[9] WANG P, MENG H, JI Q Z. PID Neural Network De-
coupling Control of Deaerator Pressure and Water Level
Control System[C]. IEEE. 2014 IEEE International Confer- ence on Robotics and Biomimetics. Bali: IEEE Publications, 2014: 15075604.
[10] SHU H, XU Y K. Application of additional momentum in PID neural network[C]. IEEE. 2014 4th IEEE International Conference on Information Science and Technology.
Shenzhen: IEEE Publications, 2014: 14652438.
（责任编辑邸开宇）。