导向钻井稳定平台RBF-滑模变结构控制

发布时间：2017-04-20 22:25

  本文关键词：导向钻井稳定平台RBF-滑模变结构控制，由笔耕文化传播整理发布。

【摘要】：导向钻井稳定平台是旋转导向钻井工具中的关键环节,对其准确、快速的控制能够直接影响钻井的效率和可靠性。由于受井下复杂多变的环境及各种摩擦影响,难以建立准确的稳定平台数学模型,因此传统的控制方法已不能满足对稳定平台的控制要求。本文应用了神经网络和滑模变结构控制理论相结合的控制方法,实现了对稳定平台的控制。针对旋转导向钻井稳定平台存在的摩擦问题带来的不确定性,提出了RBF神经网络的自适应滑模变结构(RBF Neural Network Adaptive Sliding Mode Control,RBFASMC)控制方法,以提高稳定平台控制的精确性和抗干扰能力。使用RBF神经网络对稳定平台模型中的不确定性进行逼近,通过设计RBF网络节点的唤醒与激活阈值来减少网络规模,同时设计权值调整的自适应律,并结合滑模变结构控制增强系统的鲁棒性。仿真实验表明,在该控制方法下稳定平台系统能够实现对工具面角进行高精度的跟踪,同时在鲁棒性实验分析中,系统具有较强的鲁棒性,能有效消除参数和扰动的变化。为了提高稳定平台对工具面角的跟踪速度,提出了RBF神经网络直接自适应滑模变结构(RBF Neural Network Direct Adaptive Sliding Mode Control,RBFDASMC)控制方法。该方法是通过设计控制器参数,来提高系统的收敛和趋近切换面的速度。结合RBF神经网络来逼近系统的未知模型,并考虑到系统未知模型会对控制品质产生不利影响,设计了新的自适应律,证明了系统的稳定性。仿真实验证明,利用该控制方法,对预设的工具面角跟踪效果良好,在参数的摄动下,系统具有强鲁棒性,并且能够有效逼近系统的不确定模型。
【关键词】：导向钻井稳定平台 RBF神经网络 滑模变结构控制
【学位授予单位】：西安石油大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TE928;TP273
【目录】：

• 摘要3-4
• ABSTRACT4-7
• 第一章 绪论7-13
• 1.1 课题的背景与意义7
• 1.2 课题研究现状7-11
• 1.2.1 旋转导向钻井技术7-9
• 1.2.2 滑模变结构控制现状9-10
• 1.2.3 神经网络控制现状10-11
• 1.3 论文主要内容11-13
• 第二章 旋转导向钻井稳定平台控制系统13-26
• 2.1 旋转导向钻井工具13-16
• 2.1.1 旋转导向钻井工具的构成13-15
• 2.1.2 稳定平台的控制系统组成及原理15-16
• 2.2 稳定平台广义模型的建立16-19
• 2.2.1 稳定平台涡轮电机环节模型16-17
• 2.2.2 其他环节模型17-19
• 2.3 稳定平台转矩平衡与摩擦模型分析19-25
• 2.3.1 稳定平台转矩平衡分析19-22
• 2.3.2 上下盘阀摩擦力矩模型22-23
• 2.3.3 双曲正切摩擦模型23-25
• 2.4 本章小结25-26
• 第三章 RBF神经网络和滑模变结构控制理论26-36
• 3.1 RBF神经网络理论26-30
• 3.1.1 RBF神经网络模型26-28
• 3.1.2 RBF神经网络逼近理论28
• 3.1.3 RBF神经网络的学习过程28-29
• 3.1.4 RBF神经网络控制原理29-30
• 3.2 滑模变结构控制理论30-35
• 3.2.1 滑模变结构控制的基本原理30-32
• 3.2.2 滑动模态的数学描述32-33
• 3.2.3 滑模变结构控制系统的品质33-34
• 3.2.4 滑模变结构的不变性34
• 3.2.5 切换函数的设计34-35
• 3.2.6 滑模变结构控制优点35
• 3.3 本章小结35-36
• 第四章 导向钻井稳定平台RBFASMC控制研究36-51
• 4.1 RBF神经网络滑模变结构控制器设计36-40
• 4.1.1 滑模变结构控制器设计37
• 4.1.2 神经网络自适应滑模控制器设计37-38
• 4.1.3 自适应律的设计38-39
• 4.1.4 稳定性分析39
• 4.1.5 RBF神经网络激活与催眠节点设计39-40
• 4.2 导向钻井稳定平台控制系统仿真40-50
• 4.2.1 摩擦模型仿真41
• 4.2.2 工具面角跟踪控制仿真研究41-44
• 4.2.3 鲁棒性研究44-50
• 4.3 结论50
• 4.4 本章小结50-51
• 第五章 导向钻井稳定平台RBF神经网络直接自适应滑模变结构控制研究51-62
• 5.1 RBFDASMC控制器设计51-56
• 5.1.1 滑模变结构控制器设计51-53
• 5.1.2 RBF神经网络滑模控制器设计53-54
• 5.1.3 系统稳定性分析54-56
• 5.2 稳定平台的RBF神经网络直接自适应滑模变结构控制仿真研究56-61
• 5.2.1 工具面角跟踪控制仿真分析56-58
• 5.2.2 鲁棒性研究58-60
• 5.2.3 ε参数影响仿真实验60-61
• 5.3 结论61
• 5.4 本章小结61-62
• 第六章 总结与期望62-64
• 6.1 总结62
• 6.2 展望62-64
• 致谢64-65
• 参考文献65-68
• 攻读硕士学位期间发表的论文及科研项目68-69

【相似文献】

中国期刊全文数据库 前10条

1 杨晓华,杨志峰,沈珍瑶,郦建强;区域水资源开发利用程度评价的RBF网络模型[J];环境科学;2004年S1期

2 彭馥艳;丁辉;赵源;;基于RBF网络的大气环境质量评价[J];水土保持研究;2006年05期

3 刘慧明;刘亮;董洪灿;;基于RBF网络的模型参考自适应控制[J];青岛科技大学学报(自然科学版);2008年01期

4 赵芳;孟凡荣;;基于RBF网络的煤与瓦斯突出预测研究[J];微计算机信息;2009年03期

5 颜勇,郦建强,陆桂华,杨晓华,杨志峰;环境质量综合评价的RBF网络方法[J];河海大学学报(自然科学版);2005年01期

6 杨胡萍;白慧;刘家学;张力;;基于改进RBF神经网络的电力系统短期负荷预测[J];东华大学学报(自然科学版);2008年02期

7 夏继伟;栾航;吴晶;;基于RBF神经网络的港口大气污染预警研究模型[J];商业文化(学术版);2007年07期

8 张晓亮;;一种改进的RBF网络在电力系统短期负荷预测中的应用[J];煤矿机电;2008年03期

9 李强;田大林;夏迎迎;付炜;王亦飞;于遵宏;;新型两段组合式气化产气热值的RBF神经网络预测模型及遗传算法优化[J];计算机与应用化学;2008年10期

10 李磊;李剑;马建华;;RBF神经网络在土壤重金属污染评价中的应用[J];环境科学与技术;2010年05期

中国重要会议论文全文数据库 前10条

1 张琳;李海森;;基于模糊聚类算法的RBF网络在漏钢预报中的应用[A];中国计量协会冶金分会2007年会论文集[C];2007年

2 彭正勇;;基于RBF神经网络的巷道围岩松动圈厚度预测[A];全国金属矿山采矿新技术学术研讨与技术交流会论文集[C];2007年

3 王海荣;;基于遗传RBF网络时间序列的城市火灾预测[A];提高全民科学素质、建设创新型国家——2006中国科协年会论文集（下册）[C];2006年

4 王玮;何建新;许丽生;;基于RBF神经网络的气温预报模型的研究[A];中国气象学会2008年年会第二届研究生年会分会场论文集[C];2008年

5 宋宜斌;王培进;;一种改进的RBF神经网络预测模型[A];2005年中国智能自动化会议论文集[C];2005年

6 李亚芬;杨扬;;基于RBF网的CSTR内模控制[A];第二十届中国控制会议论文集（下）[C];2001年

7 王俊松;田库;刘玉敏;张兴会;李建国;刘玉亮;;基于RBF神经网络的肿瘤组织热传导过程建模及软测量[A];第25届中国控制会议论文集（上册）[C];2006年

8 徐中;辛志东;叶希贵;;基于RBF神经网络水处理系统建模与仿真[A];第六届全国表面工程学术会议论文集[C];2006年

9 黄艳清;曹长修;孙圣军;;基于自反馈RBF神经网络的高炉热状态预测模型[A];冶金企业自动化、信息化与创新——全国冶金自动化信息网建网30周年论文集[C];2007年

10 吕强;郝继红;段运波;许耀铭;;基于RBF网络的非线性系统输出跟踪控制[A];1994中国控制与决策学术年会论文集[C];1994年

中国博士学位论文全文数据库 前2条

1 赵斌;基于RBF网络的北方温室温湿度控制机理的研究[D];东北林业大学;2010年

2 曾祥萍;自适应组合RBF滤波器理论及其应用研究[D];西南交通大学;2013年

中国硕士学位论文全文数据库 前10条

1 杜盟盟;基于RBF神经网络的机械手轨迹跟踪控制方法研究[D];河南科技大学;2015年

2 张力;基于RBF神经网络和标签关联的多标签学习[D];东南大学;2016年

3 邱龙;导向钻井稳定平台RBF-滑模变结构控制[D];西安石油大学;2016年

4 王翠;基于灰色理论和RBF神经网络民航客运量预测方法研究[D];北京交通大学;2008年

5 尹德武;RBF的改进及在中国轿车市场预测中的应用研究[D];大连理工大学;2006年

6 翟伟;基于自适应RBF神经网络的商业银行信贷风险预警评估研究[D];重庆工商大学;2008年

7 李志强;基于RBF神经网络在线辨识的永磁无刷直流电机单神经元自适应PID控制[D];天津大学;2005年

8 高彦荷;基于混合递阶遗传算法的RBF神经网络优化及应用[D];四川大学;2004年

9 张晶;基于改进RBF神经网络的入侵检测研究[D];河北大学;2009年

10 刘亦青;类RBF人工神经网络算法研究及硬件实现[D];北京建筑大学;2013年

  本文关键词：导向钻井稳定平台RBF-滑模变结构控制，由笔耕文化传播整理发布。

，

本文编号：319656