莫丽，王军，王俊，王禄友

1.西南石油大学机电工程学院，四川成都610500

2.成都理工大学地学核技术四川省重点实验室，四川成都610059

基于GA
——BP算法的旋转控制头轴承温度预测

莫丽1*，王军1，王俊2，王禄友1

1.西南石油大学机电工程学院，四川成都610500

2.成都理工大学地学核技术四川省重点实验室，四川成都610059

旋转控制头轴承组件要承受很大的动载荷，由于摩擦力的作用，使轴承发热和磨损非常严重，极易发生轴承温度过高而导致轴承失效。针对旋转控制头轴承温度影响因素多、精确计算困难、不易测量等特点，提出了一种基于遗传算法优化的神经网络（the optimized algorithm of BP neural network based on genetic algorithm，GA-BP）进行旋转控制头轴承温度预测的方法，利用某无外挂冷却润滑泵站式旋转控制头台架实验数据进行训练和测试，并与传统神经网络模型（BP）进行对比。结果表明，GA-BP预测模型实现了控制头轴承温度预测过程的自适应控制，预测得到的轴承温度与期望值之间的线性相关度达到0.991 48；通过95%置信区间以及平均、最大、最小绝对百分比误差的对比得到，GA-BP模型在逼近能力、收敛和泛化能力上都要优于BP预测模型。GA-BP预测模型预测精度高、稳定性好，对掌握轴承运行状态，优化旋转控制头冷却润滑方式和结构，提高旋转控制头的整体性能有重要指导意义。

旋转控制头；轴承温度；遗传算法；神经网络；置信区间

引言

欠平衡钻井技术具有突出的储层保护能力，能够明显提高机械钻速，有效提高低压、低产储层的单井产量，在煤层气勘探开发领域得到了广泛应用［1］。旋转控制头轴承总成是实施欠平衡钻井的关键部件，其使用可靠性不仅直接关系着欠平衡作业的成败，而且关系到在紧急情况下能否进行压力控制，防止井喷事故的发生［2］。轴承和动密封件运转过程中的温升是衡量旋转控制头可靠性能的重要指标之一，测试轴承和动密封件温度是了解旋转控制头工作性能的重要方式。通过温度的测定了解在整个作业过程中轴承和动密封件的使用环境、各轴承的温度差异，对优化冷却润滑结构和方式，提高旋转控制头的整体性能有很重要的意义［3］。

旋转控制头轴承温度一般是通过台架实验时在控制头轴承位置钻孔安装温度传感器进行轴承温度的测量。基于此方式操作不方便、作业成本高、耗时等缺点，本文作者在旋转控制头台架实验数据的基础上，对利用神经网络进行旋转控制头温度的预测进行了探讨，提出了一种基于遗传算法优化的神经网络进行旋转控制头轴承温度预测的方法。

1 旋转控制头轴承温度影响因素分析

本文以中国煤层气钻井为例开展研究，由于中国煤层气普遍存在低压、低饱和度、低渗透的“三低”地质特点，且其所在地区大部分属山地、丘陵地带，交通不便。因此，适用于煤层气钻井的低压小型旋转控制头应该具备结构简单、运移方便、轴承总成可靠性高、动密封性能良好、零件选配方便、实现国产化、降低设备维护成本等特点［4］。因此，综合分析了煤层气专用旋转控制头润滑冷却系统要求，结合现有成熟旋转控制头使用润滑冷却技术，提出了无外挂冷却润滑泵站式结构。

旋转控制头在工作中，中心管在轴承的支撑下与钻杆一同旋转，在高速旋转工作下，轴承由于摩擦阻力的作用会产生摩擦力矩，势必会产生大量的摩擦热，致使整个系统温度升高［5］。如果不能及时冷却，温度超过轴承、润滑油（脂）的使用工作温度，将直接影响旋转控制头的使用寿命。

滚动球轴承的发热量可由如下公式计算［6］

式中：

其中当量动载荷p须由轴承所受的动态侧向力算得，其大小受偏心距、动密封压力、扭矩的影响非常大。

旋转控制头轴承，不仅要受到井架中心与井眼中心不同轴引起的静态侧向力作用，还要受到方钻杆旋转过程中横向振动产生的动态侧向力作用。同时，由于井口压力、胶芯与钻柱之间的摩擦力、钻柱的纵向振动力等的作用，轴向方向同样要产生静态轴向力和动态轴向力的作用［7］。在实际运行过程中，由于上述因素的影响，轴承的发热其实是一个不稳定的过程。

无外挂冷却润滑泵站式旋转控制头，由于其没有外部冷却系统，其轴承温度的控制完全靠设计合理的轴承基座结构以及利用导热性实现。其中热传导及对流换热可分别由下式计算

式中：

由式（1）～式（4）可以看出，轴承温度受到偏心距、密封介质压力、轴承传热面积、控制头壳体厚度、外部环境温度、内筒流体温度、内部润滑脂厚度等很多因素的影响。其中很多因素是随过程不同而动态变化的。因此控制头轴承发热过程是由多参数决定的非线性系统，在给定了转速的条件下，由于很多因素未知，仍然无法直接精确计算出轴承的温度。

2 GA-BP算法的实现

人工神经网络具有很强的并行处理、存储信息、自适应、自组织、自学习、容错以及任意逼近非线性等优良特性，而且能较好地处理基于多因素、非线性和不确定性的问题［8-11］。因此不同影响因素与轴承温度间的映射关系可借助于人工神经网络算法实现。以偏心距、动密封压力、扭矩、转速、轴承传热面积、环境温度、内部润滑脂厚度、壳体厚度等11个参数为网络输入向量，轴承温度作为网络输出，基于某型号无外挂冷却润滑泵站式旋转控制头台架实验获得的数据样本学习和训练，获得稳定的网络结构和权值。

建立具有3层网络，m个节点的输入层、h个节点的隐含层和n个节点的输出层的GA-BP模型。首先，模型给出一个基本状态空间的连接权值矩阵；然后，把隐含层节点和权值矩阵通过编码成为包含整数和真实值的字符串；最后通过解码再重新建立一个新的BP网络。在本文中将实验数据分为两个部分：训练样本以及测试样本。下面介绍方法的步骤。

（1）建立一个具有3层的BP神经网络，为训练样本φ11估计出一个在［−1，1］范围内的连接权值矩阵。调整权值直到满足期望的容差ε11，权值的最大值与最小值分别表示为umax、umin，则权值的取值范围为［umin–δ1，umax+δ2］，此处δ1，δ2为调整参数。

式中：

i=1，2，对应于两个数据组；

yk（t）-期望输出值；

yk（t）-期望真实值。

（2）编码连接权值和隐含层节点数。隐藏节点编码为二进制代码字符串，1代表与输入和输出层节点有连接，0则代表没有连接；连接权值编码为浮点字符串，串长H=m×h+h+h×n+n。每一个字符串对应一个包含某些基因片段的染色体，表1为编码染色体的原理图，A部分为二进制码，其他部分为真实值，这些值在训练当中将会发生改变。

表1 染色体编码原理示意图Tab.1 Schematic diagram of encoding chromosome

（3）初始化染色体种群。每一个染色体的长度L为G+H，G是隐含层节点二进制码的长度，H为连接权值的实值码长度。

（4）按照方程（6）逐一计算适应度

（5）将具有最高适应度值的个体直接复制到下一代，剩下的个体采用轮盘赌法进行选择［12］。

（6）使用基本的交叉和变异操作来控制代码。即，如果一个隐藏节点被删除（或添加）根据突变操作，相应的控制代码编码是0（或1），交叉和变异算子的权值编码如下

1）给定概率pc的交叉操作

2）给定概率pm的变异操作

cj随机产生的位于（umin−δ1−，umax+δ2+区间的随机数。

（7）用产生的新的种群代替当前的种群。重复上面的第四步至第七步，直到满足收敛条件。

（8）解码适应度值最大的个体，获得相应的连接权值，建立新的BP网络并输出预测结果。

3 仿真算例分析

遵循石油行业相关标准SY/T 254302010钻通设备旋转防喷器》的要求，采用内江宏生石油机械有限公司旋转控制头实验台架，对某无外挂冷却润滑泵站式旋转控制头进行实验。采集存储相关的实验数据作为神经网络模型的学习及训练样本。仿真中，首先采用一个3层的BP神经网络初步估算出连接权值的区间为（−1.21，0.96），令δ1=0.09，δ2=0.04，则连接权值的假定取值范围为（−1.3，1.0）。基于遗传算法的神经网络模型中有4个输入节点，5个隐藏节点，1个输出节点；输入层与隐含层之间的传输函数选用sigmoid函数，隐含层与输出层之间的传输函数选用purelin函数。表2所示各参数将用于提出的混合神经网络模型的样本训练及结果预测。

基于Matlab神经网络工具箱对建立的旋转控制头轴承温度的GA-BP算法模型进行了训练和仿真。训练结果如图1所示。

表2 模型参数Tab.2 Tabulated required model parameters

图1中的线性相关度R反映了由GA-BP算法得到的控制头轴承温度（目标值）与期望值的接近程度。总线性相关度R为0.991 48，表明GA-BP算法可以满足控制头轴承温度预测精度的要求。

图1 GA-BP算法线性回归结果Fig.1 Linear regression results of GABP algorithm

为了对比所使用的GA-BP网络模型与BP网络模型，本文采用平均绝对百分比误差（MAPE）、最大绝对百分比误差（MAXAPE）、最小绝对百分比误差（MINAPE）3个误差指标来对模型的优劣进行评判。

由于仿真建立的模型运行时获取的初始连接权值和阈值具有一定的随机性，因此本文将建立的两个预测模型各运行50次，并将两个神经网络模型的95%置信区间综合起来进行对比分析。两个模型各项对比参数的计算结果如表3所示。

对比表3可以看到，GA-BP网络模型的置信区间宽度较BP网络模型更窄，但其落在置信区间内的点数却多于BP网络模型，这表明GA-BP算法模型比BP算法模型稳定性更好；对比3个误差指标可以看出，GA-BP网络模型的逼近能力也优于BP网络模型。

表3 GA-BP模型与BP模型误差对比Tab.3 Error comparisons of GA-BP and BP_

表4所示为两种模型的预测测试结果，相对误差的大小反映了算法的收敛和泛化能力。GA-BP与BP预测值相对误差的对比表明，在同一测试样本下GA-BP算法的收敛速度和泛化能力优于BP算法，GA-BP算法模型较BP算法模型是一种较好的预测模型，在旋转控制头轴承温度预测方面具有实际应用价值。

表4 GA-BP模型与BP模型预测结果对比Tab.4 Predictions comparisons of GA-BP and BP_

4 结论

（1）以某无外挂冷却润滑泵站式旋转控制头为基础，在内江宏生石油机械有限公司旋转控制头实验台架条件下对旋转控制头进行了模拟实验并得到了大量的实验数据。

（2）借助已测得的实验数据，建立了基于遗传算法优化的神经网络（GA-BP）和传统神经网络（BP）两种神经网络预测模型，对实际条件下旋转控制头的轴承温度进行预测。通过对比两种模型预测结果发现：GA-BP模型具有高度拟合性和强的预测能力；GA-BP模型结合了GA全局寻优的能力与BP寻优精确的优点，模型稳定性及预测精度明显高于BP模型，是一种较好的预测模型，在旋转控制头轴承温度预测方面具有实际应用价值。

［1］高成军，张立春，张讲丽.欠平衡钻井技术的应用与认识［J］.断块油气田，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.侧向力对旋转控制头轴承总成可靠性的影响［J］.石油机械，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］邓猛，魏晓东，王国荣，等.旋转控制头台架试验研究［J］.石油矿场机械，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］张卫东，魏韦.煤层气水平井开发技术现状及发展趋势［J］.中国煤层气，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］曹强.高压旋转控制头轴承总成设计［D］.东营：中国石油大学（华东），2008．

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

［7］魏晓东，王国荣，王斌，等.煤层气欠平衡钻井用旋转控制头方案设计［J］.石油矿场机械，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，孙华，赵希人，等.基于人工神经网络的焊缝宽度预测［J］.焊接学报，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，徐士进，尹宏伟.有杆抽油系统故障诊断的人工神经网络方法［J］.石油学报，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］孙宝财，武建文，李雷，等.改进GA-BP算法的油气管道腐蚀剩余强度预测［J］.西南石油大学学报（自然科学版），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．

编辑：牛静静

编辑部网址：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

莫丽，1968年生，女，汉族，四川南充人，副教授，硕士，主要从事机械结构设计及其仿真分析研究与教学工作。E-mail：moli3913@126.com

王军，1987年生，男，汉族，四川西昌人，硕士研究生，主要从事石油装备的设计与仿真分析工作。E-mail：w0423j@163.com

王俊，1984年生，男，汉族，四川西昌人，硕士研究生，主要从事数值计算方法与放射性射线与物质相互作用研究。E-mail：365194388@qq.com

王禄友，1989年生，男，汉族，甘肃酒泉人，硕士研究生，主要从事石油机械装备设计与研究。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

莫丽，王军，王俊，等．基于GA-BP算法的旋转控制头轴承温度预测［J］．西南石油大学学报（自然科学版），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网络出版时间：2016-01-07

莫丽，E-mail：moli3913@126.com

国家科技重大专项（2011ZX05037-002）。