基于GA
——BP算法的旋轉(zhuǎn)控制頭軸承溫度預(yù)測

莫麗，王軍，王俊，王祿友

1.西南石油大學(xué)機(jī)電工程學(xué)院，四川成都610500

2.成都理工大學(xué)地學(xué)核技術(shù)四川省重點實驗室，四川成都610059

基于GA
——BP算法的旋轉(zhuǎn)控制頭軸承溫度預(yù)測

莫麗1*，王軍1，王俊2，王祿友1

1.西南石油大學(xué)機(jī)電工程學(xué)院，四川成都610500

2.成都理工大學(xué)地學(xué)核技術(shù)四川省重點實驗室，四川成都610059

旋轉(zhuǎn)控制頭軸承組件要承受很大的動載荷，由于摩擦力的作用，使軸承發(fā)熱和磨損非常嚴(yán)重，極易發(fā)生軸承溫度過高而導(dǎo)致軸承失效。針對旋轉(zhuǎn)控制頭軸承溫度影響因素多、精確計算困難、不易測量等特點，提出了一種基于遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)（the optimized algorithm of BP neural network based on genetic algorithm，GA-BP）進(jìn)行旋轉(zhuǎn)控制頭軸承溫度預(yù)測的方法，利用某無外掛冷卻潤滑泵站式旋轉(zhuǎn)控制頭臺架實驗數(shù)據(jù)進(jìn)行訓(xùn)練和測試，并與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型（BP）進(jìn)行對比。結(jié)果表明，GA-BP預(yù)測模型實現(xiàn)了控制頭軸承溫度預(yù)測過程的自適應(yīng)控制，預(yù)測得到的軸承溫度與期望值之間的線性相關(guān)度達(dá)到0.991 48；通過95%置信區(qū)間以及平均、最大、最小絕對百分比誤差的對比得到，GA-BP模型在逼近能力、收斂和泛化能力上都要優(yōu)于BP預(yù)測模型。GA-BP預(yù)測模型預(yù)測精度高、穩(wěn)定性好，對掌握軸承運行狀態(tài)，優(yōu)化旋轉(zhuǎn)控制頭冷卻潤滑方式和結(jié)構(gòu)，提高旋轉(zhuǎn)控制頭的整體性能有重要指導(dǎo)意義。

旋轉(zhuǎn)控制頭；軸承溫度；遺傳算法；神經(jīng)網(wǎng)絡(luò)；置信區(qū)間

引言

欠平衡鉆井技術(shù)具有突出的儲層保護(hù)能力，能夠明顯提高機(jī)械鉆速，有效提高低壓、低產(chǎn)儲層的單井產(chǎn)量，在煤層氣勘探開發(fā)領(lǐng)域得到了廣泛應(yīng)用［1］。旋轉(zhuǎn)控制頭軸承總成是實施欠平衡鉆井的關(guān)鍵部件，其使用可靠性不僅直接關(guān)系著欠平衡作業(yè)的成敗，而且關(guān)系到在緊急情況下能否進(jìn)行壓力控制，防止井噴事故的發(fā)生［2］。軸承和動密封件運轉(zhuǎn)過程中的溫升是衡量旋轉(zhuǎn)控制頭可靠性能的重要指標(biāo)之一，測試軸承和動密封件溫度是了解旋轉(zhuǎn)控制頭工作性能的重要方式。通過溫度的測定了解在整個作業(yè)過程中軸承和動密封件的使用環(huán)境、各軸承的溫度差異，對優(yōu)化冷卻潤滑結(jié)構(gòu)和方式，提高旋轉(zhuǎn)控制頭的整體性能有很重要的意義［3］。

旋轉(zhuǎn)控制頭軸承溫度一般是通過臺架實驗時在控制頭軸承位置鉆孔安裝溫度傳感器進(jìn)行軸承溫度的測量?；诖朔绞讲僮鞑环奖?、作業(yè)成本高、耗時等缺點，本文作者在旋轉(zhuǎn)控制頭臺架實驗數(shù)據(jù)的基礎(chǔ)上，對利用神經(jīng)網(wǎng)絡(luò)進(jìn)行旋轉(zhuǎn)控制頭溫度的預(yù)測進(jìn)行了探討，提出了一種基于遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)進(jìn)行旋轉(zhuǎn)控制頭軸承溫度預(yù)測的方法。

1 旋轉(zhuǎn)控制頭軸承溫度影響因素分析

本文以中國煤層氣鉆井為例開展研究，由于中國煤層氣普遍存在低壓、低飽和度、低滲透的“三低”地質(zhì)特點，且其所在地區(qū)大部分屬山地、丘陵地帶，交通不便。因此，適用于煤層氣鉆井的低壓小型旋轉(zhuǎn)控制頭應(yīng)該具備結(jié)構(gòu)簡單、運移方便、軸承總成可靠性高、動密封性能良好、零件選配方便、實現(xiàn)國產(chǎn)化、降低設(shè)備維護(hù)成本等特點［4］。因此，綜合分析了煤層氣專用旋轉(zhuǎn)控制頭潤滑冷卻系統(tǒng)要求，結(jié)合現(xiàn)有成熟旋轉(zhuǎn)控制頭使用潤滑冷卻技術(shù)，提出了無外掛冷卻潤滑泵站式結(jié)構(gòu)。

旋轉(zhuǎn)控制頭在工作中，中心管在軸承的支撐下與鉆桿一同旋轉(zhuǎn)，在高速旋轉(zhuǎn)工作下，軸承由于摩擦阻力的作用會產(chǎn)生摩擦力矩，勢必會產(chǎn)生大量的摩擦熱，致使整個系統(tǒng)溫度升高［5］。如果不能及時冷卻，溫度超過軸承、潤滑油（脂）的使用工作溫度，將直接影響旋轉(zhuǎn)控制頭的使用壽命。

滾動球軸承的發(fā)熱量可由如下公式計算［6］

式中：

其中當(dāng)量動載荷p須由軸承所受的動態(tài)側(cè)向力算得，其大小受偏心距、動密封壓力、扭矩的影響非常大。

旋轉(zhuǎn)控制頭軸承，不僅要受到井架中心與井眼中心不同軸引起的靜態(tài)側(cè)向力作用，還要受到方鉆桿旋轉(zhuǎn)過程中橫向振動產(chǎn)生的動態(tài)側(cè)向力作用。同時，由于井口壓力、膠芯與鉆柱之間的摩擦力、鉆柱的縱向振動力等的作用，軸向方向同樣要產(chǎn)生靜態(tài)軸向力和動態(tài)軸向力的作用［7］。在實際運行過程中，由于上述因素的影響，軸承的發(fā)熱其實是一個不穩(wěn)定的過程。

無外掛冷卻潤滑泵站式旋轉(zhuǎn)控制頭，由于其沒有外部冷卻系統(tǒng)，其軸承溫度的控制完全靠設(shè)計合理的軸承基座結(jié)構(gòu)以及利用導(dǎo)熱性實現(xiàn)。其中熱傳導(dǎo)及對流換熱可分別由下式計算

式中：

由式（1）～式（4）可以看出，軸承溫度受到偏心距、密封介質(zhì)壓力、軸承傳熱面積、控制頭殼體厚度、外部環(huán)境溫度、內(nèi)筒流體溫度、內(nèi)部潤滑脂厚度等很多因素的影響。其中很多因素是隨過程不同而動態(tài)變化的。因此控制頭軸承發(fā)熱過程是由多參數(shù)決定的非線性系統(tǒng)，在給定了轉(zhuǎn)速的條件下，由于很多因素未知，仍然無法直接精確計算出軸承的溫度。

2 GA-BP算法的實現(xiàn)

人工神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的并行處理、存儲信息、自適應(yīng)、自組織、自學(xué)習(xí)、容錯以及任意逼近非線性等優(yōu)良特性，而且能較好地處理基于多因素、非線性和不確定性的問題［8-11］。因此不同影響因素與軸承溫度間的映射關(guān)系可借助于人工神經(jīng)網(wǎng)絡(luò)算法實現(xiàn)。以偏心距、動密封壓力、扭矩、轉(zhuǎn)速、軸承傳熱面積、環(huán)境溫度、內(nèi)部潤滑脂厚度、殼體厚度等11個參數(shù)為網(wǎng)絡(luò)輸入向量，軸承溫度作為網(wǎng)絡(luò)輸出，基于某型號無外掛冷卻潤滑泵站式旋轉(zhuǎn)控制頭臺架實驗獲得的數(shù)據(jù)樣本學(xué)習(xí)和訓(xùn)練，獲得穩(wěn)定的網(wǎng)絡(luò)結(jié)構(gòu)和權(quán)值。

建立具有3層網(wǎng)絡(luò)，m個節(jié)點的輸入層、h個節(jié)點的隱含層和n個節(jié)點的輸出層的GA-BP模型。首先，模型給出一個基本狀態(tài)空間的連接權(quán)值矩陣；然后，把隱含層節(jié)點和權(quán)值矩陣通過編碼成為包含整數(shù)和真實值的字符串；最后通過解碼再重新建立一個新的BP網(wǎng)絡(luò)。在本文中將實驗數(shù)據(jù)分為兩個部分：訓(xùn)練樣本以及測試樣本。下面介紹方法的步驟。

（1）建立一個具有3層的BP神經(jīng)網(wǎng)絡(luò)，為訓(xùn)練樣本φ11估計出一個在［?1，1］范圍內(nèi)的連接權(quán)值矩陣。調(diào)整權(quán)值直到滿足期望的容差ε11，權(quán)值的最大值與最小值分別表示為umax、umin，則權(quán)值的取值范圍為［umin–δ1，umax+δ2］，此處δ1，δ2為調(diào)整參數(shù)。

式中：

i=1，2，對應(yīng)于兩個數(shù)據(jù)組；

yk（t）-期望輸出值；

yk（t）-期望真實值。

（2）編碼連接權(quán)值和隱含層節(jié)點數(shù)。隱藏節(jié)點編碼為二進(jìn)制代碼字符串，1代表與輸入和輸出層節(jié)點有連接，0則代表沒有連接；連接權(quán)值編碼為浮點字符串，串長H=m×h+h+h×n+n。每一個字符串對應(yīng)一個包含某些基因片段的染色體，表1為編碼染色體的原理圖，A部分為二進(jìn)制碼，其他部分為真實值，這些值在訓(xùn)練當(dāng)中將會發(fā)生改變。

表1 染色體編碼原理示意圖Tab.1 Schematic diagram of encoding chromosome

（3）初始化染色體種群。每一個染色體的長度L為G+H，G是隱含層節(jié)點二進(jìn)制碼的長度，H為連接權(quán)值的實值碼長度。

（4）按照方程（6）逐一計算適應(yīng)度

（5）將具有最高適應(yīng)度值的個體直接復(fù)制到下一代，剩下的個體采用輪盤賭法進(jìn)行選擇［12］。

（6）使用基本的交叉和變異操作來控制代碼。即，如果一個隱藏節(jié)點被刪除（或添加）根據(jù)突變操作，相應(yīng)的控制代碼編碼是0（或1），交叉和變異算子的權(quán)值編碼如下

1）給定概率pc的交叉操作

2）給定概率pm的變異操作

cj隨機(jī)產(chǎn)生的位于（umin?δ1?，umax+δ2+區(qū)間的隨機(jī)數(shù)。

（7）用產(chǎn)生的新的種群代替當(dāng)前的種群。重復(fù)上面的第四步至第七步，直到滿足收斂條件。

（8）解碼適應(yīng)度值最大的個體，獲得相應(yīng)的連接權(quán)值，建立新的BP網(wǎng)絡(luò)并輸出預(yù)測結(jié)果。

3 仿真算例分析

遵循石油行業(yè)相關(guān)標(biāo)準(zhǔn)SY/T 254302010鉆通設(shè)備旋轉(zhuǎn)防噴器》的要求，采用內(nèi)江宏生石油機(jī)械有限公司旋轉(zhuǎn)控制頭實驗臺架，對某無外掛冷卻潤滑泵站式旋轉(zhuǎn)控制頭進(jìn)行實驗。采集存儲相關(guān)的實驗數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)及訓(xùn)練樣本。仿真中，首先采用一個3層的BP神經(jīng)網(wǎng)絡(luò)初步估算出連接權(quán)值的區(qū)間為（?1.21，0.96），令δ1=0.09，δ2=0.04，則連接權(quán)值的假定取值范圍為（?1.3，1.0）?；谶z傳算法的神經(jīng)網(wǎng)絡(luò)模型中有4個輸入節(jié)點，5個隱藏節(jié)點，1個輸出節(jié)點；輸入層與隱含層之間的傳輸函數(shù)選用sigmoid函數(shù)，隱含層與輸出層之間的傳輸函數(shù)選用purelin函數(shù)。表2所示各參數(shù)將用于提出的混合神經(jīng)網(wǎng)絡(luò)模型的樣本訓(xùn)練及結(jié)果預(yù)測。

基于Matlab神經(jīng)網(wǎng)絡(luò)工具箱對建立的旋轉(zhuǎn)控制頭軸承溫度的GA-BP算法模型進(jìn)行了訓(xùn)練和仿真。訓(xùn)練結(jié)果如圖1所示。

表2 模型參數(shù)Tab.2 Tabulated required model parameters

圖1中的線性相關(guān)度R反映了由GA-BP算法得到的控制頭軸承溫度（目標(biāo)值）與期望值的接近程度。總線性相關(guān)度R為0.991 48，表明GA-BP算法可以滿足控制頭軸承溫度預(yù)測精度的要求。

圖1 GA-BP算法線性回歸結(jié)果Fig.1 Linear regression results of GABP algorithm

為了對比所使用的GA-BP網(wǎng)絡(luò)模型與BP網(wǎng)絡(luò)模型，本文采用平均絕對百分比誤差（MAPE）、最大絕對百分比誤差（MAXAPE）、最小絕對百分比誤差（MINAPE）3個誤差指標(biāo)來對模型的優(yōu)劣進(jìn)行評判。

由于仿真建立的模型運行時獲取的初始連接權(quán)值和閾值具有一定的隨機(jī)性，因此本文將建立的兩個預(yù)測模型各運行50次，并將兩個神經(jīng)網(wǎng)絡(luò)模型的95%置信區(qū)間綜合起來進(jìn)行對比分析。兩個模型各項對比參數(shù)的計算結(jié)果如表3所示。

對比表3可以看到，GA-BP網(wǎng)絡(luò)模型的置信區(qū)間寬度較BP網(wǎng)絡(luò)模型更窄，但其落在置信區(qū)間內(nèi)的點數(shù)卻多于BP網(wǎng)絡(luò)模型，這表明GA-BP算法模型比BP算法模型穩(wěn)定性更好；對比3個誤差指標(biāo)可以看出，GA-BP網(wǎng)絡(luò)模型的逼近能力也優(yōu)于BP網(wǎng)絡(luò)模型。

表3 GA-BP模型與BP模型誤差對比Tab.3 Error comparisons of GA-BP and BP_

表4所示為兩種模型的預(yù)測測試結(jié)果，相對誤差的大小反映了算法的收斂和泛化能力。GA-BP與BP預(yù)測值相對誤差的對比表明，在同一測試樣本下GA-BP算法的收斂速度和泛化能力優(yōu)于BP算法，GA-BP算法模型較BP算法模型是一種較好的預(yù)測模型，在旋轉(zhuǎn)控制頭軸承溫度預(yù)測方面具有實際應(yīng)用價值。

表4 GA-BP模型與BP模型預(yù)測結(jié)果對比Tab.4 Predictions comparisons of GA-BP and BP_

4 結(jié)論

（1）以某無外掛冷卻潤滑泵站式旋轉(zhuǎn)控制頭為基礎(chǔ)，在內(nèi)江宏生石油機(jī)械有限公司旋轉(zhuǎn)控制頭實驗臺架條件下對旋轉(zhuǎn)控制頭進(jìn)行了模擬實驗并得到了大量的實驗數(shù)據(jù)。

（2）借助已測得的實驗數(shù)據(jù)，建立了基于遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)（GA-BP）和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)（BP）兩種神經(jīng)網(wǎng)絡(luò)預(yù)測模型，對實際條件下旋轉(zhuǎn)控制頭的軸承溫度進(jìn)行預(yù)測。通過對比兩種模型預(yù)測結(jié)果發(fā)現(xiàn)：GA-BP模型具有高度擬合性和強(qiáng)的預(yù)測能力；GA-BP模型結(jié)合了GA全局尋優(yōu)的能力與BP尋優(yōu)精確的優(yōu)點，模型穩(wěn)定性及預(yù)測精度明顯高于BP模型，是一種較好的預(yù)測模型，在旋轉(zhuǎn)控制頭軸承溫度預(yù)測方面具有實際應(yīng)用價值。

［1］高成軍，張立春，張講麗.欠平衡鉆井技術(shù)的應(yīng)用與認(rèn)識［J］.斷塊油氣田，2009，16（5）：116-119. GAO Chengjun，ZHANG Lichun，ZHANG Jiangli.Application and knowledge of underbalanced drilling technology［J］．Fault-Block Oil&Gas Field，2009，16（5）：116-119．

［2］李宗清.側(cè)向力對旋轉(zhuǎn)控制頭軸承總成可靠性的影響［J］.石油機(jī)械，2003，31（4）：7-9. LI Zongqing.Influence of lateral force on reliability of bearing assembly of rotating control head［J］.China Petroleum Machinery，2003，31（4）：7-9．

［3］鄧猛，魏曉東，王國榮，等.旋轉(zhuǎn)控制頭臺架試驗研究［J］.石油礦場機(jī)械，2011，40（5）：29-32. DENG Meng，WEI Xiaodong，WANG Guorong，et al. Experiment research on rotating control head［J］．Oil Field Equipment，2011，40（5）：29-32．

［4］張衛(wèi)東，魏韋.煤層氣水平井開發(fā)技術(shù)現(xiàn)狀及發(fā)展趨勢［J］.中國煤層氣，2008，5（4）：19-22. ZHANG Weidong，WEI Wei.Status of coalbed methane horizontal well technology and trend of development［J］．China Coalbed Methane，2008，5（4）：19-22．

［5］曹強(qiáng).高壓旋轉(zhuǎn)控制頭軸承總成設(shè)計［D］.東營：中國石油大學(xué)（華東），2008．

［6］GARLAND V F，GARY P，GLENN L，et al．Rotary drilling head assembly［P］．US 6354385 B1，2002．

［7］魏曉東，王國榮，王斌，等.煤層氣欠平衡鉆井用旋轉(zhuǎn)控制頭方案設(shè)計［J］.石油礦場機(jī)械，2010，39（9）：29-33. WEI Xiaodong，WANG Guorong，WANG Bin，et al. Special RCH′s project design in CBM under-balanced drilling［J］．Oilfield Equipment，2010，39（9）：29-33．

［8］于秀萍，孫華，趙希人，等.基于人工神經(jīng)網(wǎng)絡(luò)的焊縫寬度預(yù)測［J］.焊接學(xué)報，2005，26（5）：17-19，45．YU Xiuping，SUN Hua，ZHAO Xiren，et al.Weld width predictionbased on artificial neural network［J］．Transactions of the ChinaWelding Institution，2005，26（5）：17-19，45．

［9］徐芃，徐士進(jìn)，尹宏偉.有桿抽油系統(tǒng)故障診斷的人工神經(jīng)網(wǎng)絡(luò)方法［J］.石油學(xué)報，2006，27（2）：107-110．XU Peng，XU Shijin，YIN Hongwei.Application of BP neural net-work and self-organizing competitive neural networktofaultdiag-nosisofsuckrodpumpingsystem［J］. Acta Petrolei Sinica，2006，27（2）：107-110.

［10］孫寶財，武建文，李雷，等.改進(jìn)GA-BP算法的油氣管道腐蝕剩余強(qiáng)度預(yù)測［J］.西南石油大學(xué)學(xué)報（自然科學(xué)版），2013，35（3）：160-167. SUN Baocai，WU Jianwen，LI Lei，et al.Prediction of remaining strength of corroded oil and gas pipe based on improved GA-BP algorithm［J］.Journal of Southwest Petroleum University（Science&Technology Edition），2013，35（3）：160-167.

［11］PETER J A，GREGORY M S，Jordan B P.An evolutionary algorithm that constructs recurrent neural networks［J］. IEEE Transactions on Neural Network works，1994，5：54-65．

［12］MESSAI N，THOMAS P，Lefebvre D，et al．A neural network approach for freeway traffic flow prediction［C］．In Proceedings of the 2002 IEEE International Conference on Control Applications，Glasgow，Scotland，U.K，September 2002．

編輯：牛靜靜

編輯部網(wǎng)址：http：//zk.swpuxb.com

A Rotary Control Head Bearing Temperature Prediction Model Based on GA-BP Algorithm in Underbalanced Drilling

MO Li1*，WANG Jun1，WANG Jun2，WANG Luyou1
1.School of Mechatronic Engineering，Southwest Petroleum University，Chengdu，Sichuan 610500，China
2.Provincial Key Lab of Applied Nuclear Techniques in Geosciences，Chengdu University of Technology，Chengdu，Sichuan 610059，China

Rotary contol head（RCH）bearing assembly withstands great dynamic load，and severe heat and abrasion resulting from the friction force.Shorter equipment life may arise because of bearing failure caused by excessive bearing temperature. Aiming to overcome the difficulty in precise calculating and measuring，due to various influence factors on RCH bearing temperature，amethodbasedonGA-BP（theoptimizedalgorithmofBPneuralnetworkbasedongeneticalgorithm，GA-BP）is proposed to predict RCH bearing temperature.The bench test data of an outboard cooling and lubrication pump station RCH was used for training and testing，and traditional neural network model（BP）was used for comparison.Results show that，the GA-BP prediction model can realize adaptive control for RCH bearing temperature prediction process.The linear correlation between prediction value and the expectative output comes up to 0.991 48.95%confidence interval and mean，max，min absolute percentage error were contrasted between GA-BP and BP，and the result shows that the approximation capability，convergenceandgeneralizationabilityofGA-BParebetterthanBP.Withhighpredictionaccuracyandgoodstability，GA-BP modelcanhelpmonitorthebearingrunningstate，andoptimizationofthecoolingandlubricationstuctures.TheGA-BPmodel has an important guiding significance in improving the overall performance of RCH.

rotary control head；bearing temperature；genetic algorithms；neural networks；confidence interval

莫麗，1968年生，女，漢族，四川南充人，副教授，碩士，主要從事機(jī)械結(jié)構(gòu)設(shè)計及其仿真分析研究與教學(xué)工作。E-mail：moli3913@126.com

王軍，1987年生，男，漢族，四川西昌人，碩士研究生，主要從事石油裝備的設(shè)計與仿真分析工作。E-mail：w0423j@163.com

王俊，1984年生，男，漢族，四川西昌人，碩士研究生，主要從事數(shù)值計算方法與放射性射線與物質(zhì)相互作用研究。E-mail：365194388@qq.com

王祿友，1989年生，男，漢族，甘肅酒泉人，碩士研究生，主要從事石油機(jī)械裝備設(shè)計與研究。E-mail：wangluyouswpu@163.com

10.11885/j.issn.1674-5086.2013.12.02.04

1674-5086（2016）01-0164-06

TE921

A

http：//www.cnki.net/kcms/detail/51.1718.TE.20160107.1624.006.html

莫麗，王軍，王俊，等．基于GA-BP算法的旋轉(zhuǎn)控制頭軸承溫度預(yù)測［J］．西南石油大學(xué)學(xué)報（自然科學(xué)版），2016，38（1）：164-169．

MO Li，WANG Jun，WANG Jun，et al．A Rotary Control Head Bearing Temperature Prediction Model Based on GA-BP Algorithm in Underbalanced Drilling［J］．Journal of Southwest Petroleum University（Science&Technology Edition），2016，38（1）：164-169．

2013-12-02網(wǎng)絡(luò)出版時間：2016-01-07

莫麗，E-mail：moli3913@126.com

國家科技重大專項（2011ZX05037-002）。