На правах рукописи

САГДАТУЛЛИН Артур Маратович

МЕТОДЫ, МОДЕЛИ И АЛГОРИТМЫ ПОВЫШЕНИЯ

ЭФФЕКТИВНОСТИ ПРОЦЕССОВ ДОБЫЧИ
И ТРАНСПОРТИРОВКИ НЕФТИ И ПОСТРОЕНИЯ
СИСТЕМ УПРАВЛЕНИЯ НА ОСНОВЕ НЕЙРОСЕТЕВЫХ
И МНОГОМЕРНЫХ ЛОГИЧЕСКИХ РЕГУЛЯТОРОВ
С ДИСКРЕТНЫМИ ТЕРМАМИ

Специальность 2.3.3. Автоматизация и управление технологическими

процессами и производствами (технические науки)

АВТОРЕФЕРАТ
диссертации на соискание ученой степени
доктора технических наук

Ижевск 2022
Работа выполнена в федеральном государственном бюджетном
образовательном учреждении высшего образования «Казанский национальный
исследовательский технический университет им. А.Н. Туполева-КАИ».

Научный консультант: ДЕГТЯРЕВ Геннадий Лукич

доктор технических наук, профессор.

Официальные оппоненты:
БОЛЬШАКОВ Александр Афанасьевич
доктор технических наук, профессор, ФГАОУ ВО «Санкт-Петербургский поли-
технический университет Петра Великого, профессор Высшей школы искус-
ственного интеллекта Института компьютерных наук и технологий.

ПРОТАЛИНСКИЙ Олег Мирославович

доктор технических наук, профессор, ФГБОУ ВО «Национальный исследова-
тельский университет «МЭИ», профессор кафедры автоматизированных систем
управления тепловыми процессами.

ВОЕВОДА Александр Александрович

доктор технических наук, профессор, ФГБОУ ВО «Новосибирский государ-
ственный технический университет», профессор кафедры автоматики.

Ведущая организация: Федеральное государственное автономное образова-

тельное учреждение высшего образования «Российский государственный уни-
верситет нефти и газа (национально-исследовательский университет) имени
И.М. Губкина».

Защита диссертации состоится 22 сентября 2022 г. в 14:00 на заседании

диссертационного совета 24.2.304.01 в Ижевском государственном техническом
университете имени М.Т. Калашникова по адресу: г. Ижевск, ул. 30 лет Побе-
ды, 2, 5 корпус ИжГТУ имени М.Т. Калашникова.
С диссертацией и авторефератом диссертации можно ознакомиться в биб-
лиотеке ФГБОУ ВО «ИжГТУ имени М.Т. Калашникова» и на сайте http://istu.ru.

Автореферат разослан «___» ________________2022 г.

Отзывы на автореферат в двух экземплярах, заверенные гербовой печатью,

просим направлять по адресу: 426069, г. Ижевск, ул. Студенческая, д. 7,
ИжГТУ имени М.Т. Калашникова

Ученый секретарь
диссертационного совета,
кандидат технических наук, доцент Сяктерев Виктор Никонович

2
 ВВЕДЕНИЕ
Актуальность темы исследования. Современная нефтегазодобывающая
промышленность входит в новую эпоху, характеризующуюся трудноизвлекае-
мыми запасами, битумной нефтью и переходом на сланцевые залежи. Непро-
гнозируемое влияние окружающей среды и неопределенности, связанными с
геологической структурой месторождения и другими факторами, воздейству-
ющими на технологические процессы, приводят к тому, что режимы работы
оборудования значительно отклоняются от номинальных, оборудование функ-
ционирует на пороге рентабельности, а добыча и транспортировка жидкости от
множества узлов прекращается полностью. В таких условиях системы управле-
ния не способны поддерживать номинальные характеристики объектов, таких
как насосные станции и насосное оборудование для добычи нефти и его подго-
товки, энергоемкость которых составляет более 70 % в общей структуре затрат
энергии нефтегазодобывающих предприятий. Важность решения данной про-
блемы подчеркивается в федеральном законе от 23.11.2009 № 261-ФЗ «Об энер-
госбережении и о повышении энергетической эффективности … ». Следова-
тельно, цифровизация и автоматизация рассматриваемых технологических про-
цессов, а также создание современных средств интеллектуального управления
является приоритетным направлением для нефтегазодобывающей отрасли.
Технологические процессы – добыча, первичная подготовка, сбор, сепара-
ция, предварительное обезвоживание, учет и транспортировка нефти и попут-
ного газа до центральных пунктов сбора и товарных парков, автоматизация и
управление ими – объекты диссертационного исследования. Для построения
информационно-управляющих систем объекты автоматизации должны удовле-
творять не только заданным технологическим параметрам, но и требованиям
энергосбережения и энергоэффективности.
Степень разработанности темы исследования. Исследованием режимов
работы оборудования, методов построения и обучения нейронных сетей, алго-
ритмов управления, вопросами повышения эффективности работы оборудова-
ния и технологических процессов, разработкой схем управления, принятием
решений в условиях неопределенности занимались многие известные ученые –
А.З. Асанов, О.С. Амосов, А.А. Большаков, А.А. Воевода, В.М. Валовский,
Р.Г. Галеев, Ш.К. Гиматудинов, М.Б. Гузаиров, Г.Л. Дегтярев, М.И. Дли,
Ю.И. Зозуля, Б.Г. Ильясов, А.И. Каяшев, В.В. Круглов, Ю.П. Степин,
М. Сугено, Ю.Н. Чистякова, L. Zade, E. Mamdani, H. Watanabe и многие др.
Существуют методы локального управления объектами добычи и транс-
портировки. Однако бόльшая часть насосных установок скважин и нефтепере-
качивающих станций работает либо без оперативного регулирования, либо с
применением дросселирования и байпасных схем, либо с управлением на осно-
3
ве пропорционального и интегрального (ПИ) или пропорционально-
интегрального и дифференциальных (ПИД) методов управления объектами.
Неопределенность параметров процесса добычи и транспорта нефти, так и
входных и выходных характеристик насосных агрегатов, нелинейность и нали-
чие непредсказуемых возмущений не позволяют назвать традиционные методы
регулирования для рассматриваемых нелинейных объектов рациональным вы-
бором.
В последнее время для управления сложными нелинейными объектами,
такими как электроприводы станков-качалок, насосные установки и системы
поддержания пластового давления, имеющих неопределенности, стали приме-
няться интеллектуальные методы управления – нечеткая логика, нейронные се-
ти, управление объектами на основе математических моделей. Эти вопросы
нашли отражение в трудах Ф.Ф. Алексеева, Р.А. Алиева, А.Е. Алтунина,
A.К. Асаи, А.Н. Борисова, И.Я. Браславского, Д.В. Гаскарова, Н.Д. Егупова,
М.С. Ершова, З.Ш. Ишматова, А.В. Леоненкова, Б.Г. Меньшова, В.Н. Полякова,
Д.А. Поспелова, О.М. Проталинского, Д. Рутковской, В.А. Терехова,
П.С. Широкова, Р.Т. Шрейнера, А.Д. Яризова, Г.Э. Яхъяевой и др.
Изменения характеристик окружающей среды, температуры и давления в
геологических разрезах, физико-химического состава нефти, геологических и
рельефных параметров местности, а также циклическая работа и недетермини-
рованный характер работы добывающих и нагнетательных скважин осложняют
процесс разработки аналитических зависимостей и получения адекватных ма-
тематических моделей, поэтому для систем управления технологическими объ-
ектами на основе ПИД-регуляторов необходима постоянная корректировка ко-
эффициентов. В результате накопления ошибок регулирования технологиче-
ские установки работают со значительным отклонением от номинальных ре-
жимов, что служит причиной повышенного износа и перерасхода энергоресур-
сов. Кроме того, существуют различные схемы автоматизации и управления
исполнительными механизмами, устанавливаемыми на месторождении, напри-
мер, схемы регулируемого и нерегулируемого электропривода насосных агре-
гатов с высоковольтными и низковольтными управляющими устройствами.
В целом, затраты на насосное оборудование составляют порядка 50÷70 %
от всех энергетических затрат нефтегазодобывающего управления. Функцио-
нирующая в аномальном режиме работы схема автоматизированного управле-
ния может привести к перерасходу электроэнергии до 12÷35%, снижению меж-
ремонтного периода и износу узлов и агрегатов.
Для решения проблемы повышения эффективности насосного оборудова-
ния технологических процессов добычи, транспортировки и подготовки нефти
месторождение необходимо рассматривать комплексно, дифференцируя харак-
теристики и свойства каждого объекта в отдельности и объединяя их в инте-
4
гральную систему. Для этого требуется не только научно обоснованный под-
ход, но и методология повышения эффективности систем управления объекта-
ми нефтегазовых месторождений, основанная на современных методах интел-
лектуальных и информационно-управляющих систем, фундаментальной базе
теории управления и системного анализа, математическом моделировании
средств контроля и автоматизации технологических процессов.
Таким образом, анализ состояния проблемы показал, что технологические
объекты на месторождении могут работать в режимах, далеких от номиналь-
ных, а непредсказуемые изменения характеристик добычи приводят к сниже-
нию эффективности работы систем управления, непроизводительным расходам
и затратам энергии, т.е. исследование представляет решение крупной научно-
технической проблемы, имеющей важное народнохозяйственное значение.
Объект исследования – технологические процессы добычи, транспорта и
подготовки нефти на месторождении и системы управления ими.
Предмет исследования – методы построения схем, моделей, алгоритмов и
систем управления на основе логического и нейросетевого аппарата в условиях
неопределенности.
Цель работы – повышение эффективности функционирования технологи-
ческих процессов добычи, транспорта и подготовки нефти и автоматизирован-
ных систем управления на основе методов логического управления и нейрон-
ных сетей.
Для достижения поставленной цели диссертационной работы постав-
лены и решены следующие задачи:
1) выполнить анализ систем, сформировать комплекс научно-технических
задач и методов их решения для создания нейросетевых и логических автома-
тизированных комплексов многомерного управления нефтегазовым насосным
оборудованием;
2) разработать метод проектирования и управления распределенными мно-
гомерными автоматизированными системами управления на основе примене-
ния теории декомпозиции и интеграции параметров технологических процес-
сов, а также синтеза информационных потоков и логического регулирования,
входные и выходные переменные которых представлены в виде совокупности
дискретных термов и нейросетевых моделей;
3) предложить метод многомерного логического регулирования с дискрет-
ными термами и разработать модели, схемы и алгоритмы для подсистем авто-
матизированного управления технологическими процессами и объектами ме-
сторождения;
4) разработать средства математического обеспечения и анализа моделей
технологических объектов управления для модульных систем добычи, транс-
портировки и подготовки нефти в составе распределенных комплексов автома-
5
тизированных систем управления, позволяющих учесть электротехнические и
гидродинамические параметры;
5) разработать модели и алгоритмы энергоэффективного управления для
интеллектуальной поддержки контроля и регулирования насосного оборудова-
ния, предложить метод управления насосными станциями на месторождении в
условиях неопределенности и нечетко заданной информации;
6) построить архитектуру и разработать модели и алгоритмы синтеза и ин-
теграции автоматизированных комплексов на основе информационных подси-
стем сбора и обработки информации с ориентацией на непрерывность работы
систем и модульность реализации межсистемных связей, выполнить имитаци-
онное моделирование предложенных методов.
Содержание диссертации соответствует областям исследований паспорта
научной специальности 2.3.3. Автоматизация и управление технологическими
процессами и производствами (технические науки): п.2 «Методология, научные
основы и формализованные методы построения автоматизированных систем
управления технологическими процессами (АСУТП) и производствами
(АСУП), а также технической подготовкой производства (АСТПП) и т.д.»;
п. 3 «Теоретические основы и методы математического моделирования органи-
зационно-технологических систем и комплексов, функциональных задач и объ-
ектов управления и их алгоритмизация»; п.14 «Теоретические основы, методы
и алгоритмы интеллектуализации решения прикладных задач при построении
АСУ широкого назначения (АСУТП, АСУП, АСТПП и др.)».
Научная новизна.
1. Предложены методы и реализующие их алгоритмы; программы для по-
строения автоматизированных систем регулирования, основанные на функцио-
нальной и параметрической декомпозиции технологических процессов добычи,
транспортировки и подготовки нефти на месторождении, предназначенных ин-
тегрально обеспечить повышение эффективности насосного оборудования в
условиях неопределенности и нечетко заданной информации; архитектура, ло-
гически связывающая методы, модели и алгоритмы составных модульных под-
систем управления и нейросетевых моделей, отличающаяся от известных тем,
что весь технологический процесс добычи и транспортировки нефти рассмат-
ривается как многомерная система, иерархическая структура которой включает
отдельные процессы и подсистемы, а также информацию об их состоянии и об-
ратные связи принятия решений и оперативного управления (соответствует п.2
паспорта специальности 2.3.3).
2. Разработан метод проектирования и управления распределенными мно-
гомерными автоматизированными системами управления; предложены спосо-
бы настройки и повышения качества регулирования технологических процес-

6
сов с многомерными логическими регуляторами и программной реализацией
логической базы правил и схемы автоматического регулирования с автономны-
ми регуляторами приводов насосных установок, позволившие исследовать ал-
горитмы и параметры систем управления, а также внутренние и внешние воз-
мущающие факторы, отличающиеся от известных тем, что для управления
насосным оборудованием используются нейросетевые блоки в системах под-
держки и принятия решений для прогнозирования, идентификации и планиро-
вания режимов работы (соответствует п.3 паспорта специальности 2.3.3).
3. Предложена система взаимно дополняющих моделей и алгоритмов энер-
гоэффективного управления, отличающаяся учетом влияния электротехниче-
ских и гидравлических элементов, режимов работы высоко- и низковольтных
электроприводов с многомерными логическими контроллерами и дискретными
функциями принадлежности и позволяющая моделировать режимы функцио-
нирования и рациональный выбор оборудования при частот-ном регулировании
с различными законами управления (соответствует п.3 паспорта специальности
2.3.3).
4. Предложены методы и алгоритмы управления насосным оборудованием,
отличающиеся новым способом построения систем управления, оснащенных
нейросетевыми и комбинированными логическими регуляторами с дискретны-
ми термами, что позволяет осуществлять пуск и торможение элетроприводов от
автономного источника электрической энергии соизмеримой мощности, управ-
ление автоматизированным электроприводом дожимной насосной станции,
адаптивное управление плавным пуском высоковольтных электроприводов в
условиях неполной информации при сохранении их согласования и интеграль-
ного единства для достижения повышения энергоэффективности установок и
надежности комплексов (соответствует п.14 паспорта специальности 2.3.3).
5. Разработаны программно-аппаратный комплекс (ПАК), модели и алго-
ритмы функционирования системы управления с использованием средств ис-
кусственного интеллекта, отличающиеся составом и реализацией взаимодей-
ствия программных модулей, архитектура которых позволяет осуществлять
синтез многомерных технологических объектов по принципу интеграции ин-
формации и программного обеспечения сбора и обработки данных, призванных
в совокупности обеспечить повышение эффективности управления режимами
работы насосных установок добычи, транспортировки и подготовки нефти (со-
ответствует п.2 паспорта специальности 2.3.3).
Методы исследования. Решение поставленных в диссертационной работе
задач потребовало использования следующих подходов и методов: теории си-
стем и автоматического управления, системного анализа, логических и интел-
лектуальных нейросетевых регуляторов, математического моделирования и
электрических схем, сенсоров и электропривода, теории вероятностей, и мно-
7
гомерного автоматического регулирования.
Теоретическая значимость основных результатов, полученных в диссер-
тационной работе, состоит в создании методологической основы для повыше-
ния эффективности функционирования технологических процессов добычи и
транспортировки нефти, а также в совершенствовании схем, моделей, алгорит-
мов и программного обеспечения управления насосным оборудованием и под-
хода автоматизации на основе методов нечеткой логики и нейронных сетей.
Разработанные подходы, методы, алгоритмы и научные положения – суще-
ственный вклад в изучение теоретических проблем построения нейросетевых
логических регуляторов, средств автоматизации и поддержания нормальных
режимов эксплуатации нелинейными объектами в условиях нечетко заданной
информации, а также закономерностей изменения параметров технологических
процессов добычи, транспортировки и подготовки нефти, и повышение энер-
гоэффективности и качества управления нефтяным насосным оборудованием.
Практическая значимость диссертационного исследования подтвер-
ждается актами о внедрении:
- в НГДУ «Лениногорскнефть» (г. Лениногорск) – схемы и программный
комплекс, реализующий имитационные модели режимов работы нефтеперека-
чивающей насосной станции (Патент на изобретение RU 2596165, Патент на
изобретение RU 2551139, Патент на полезную модель RU 136504, Патент на
полезную модель RU 140350, Свидетельство о регистрации программы для
ЭВМ RU 2014615757, Свидетельство о регистрации программы для ЭВМ RU
2014617590); схема автоматизированного управления дожимной насосной
станций на основе нечеткого регулятора с дискретными термами (Свидетель-
ство о регистрации программы для ЭВМ RU 2014619942, Свидетельство о ре-
гистрации программы для ЭВМ RU 2014618025); математические модели вы-
соковольтного и низковольтных систем управления приводами насосов (Патент
на изобретение RU 2608185, Свидетельство о регистрации программы для ЭВМ
RU 2014611769, Свидетельство о регистрации программы для ЭВМ RU
2014612227, Свидетельство о регистрации программы для ЭВМ RU
2014615448);
- в ООО «Строй Траст», ООО УК «Шешмаойл», ООО «ППН-Сервис»
(г. Альметьевск) – методы и алгоритмы контроля технологических объектов
нефтедобычи в условиях неполной информации (Патент на изобретение RU
2619003, Патент на изобретение RU 2579987); система идентификации режима
работы скважины на основе методов машинного обучения и нейронных сетей
(Свидетельство о регистрации программы для ЭВМ RU 2014616202, Свиде-
тельство о регистрации программы для ЭВМ RU 2014619062); система нечетко-
го логического управления магистральной насосной станцией с подстройкой
коэффициентов регулятора на основе многомерного нечеткого регулятора с
8
программно-реализованной нечеткой базой знаний (Свидетельство о регистра-
ции программы для ЭВМ RU 2014619061);
- в ООО ТНГ-Групп (г. Бугульма) – методика и программное обеспечение
для выбора метода частотно-импульсного управления, алгоритма энергоэффек-
тивного контроля насосного оборудования, автоматизации процесса сбора ин-
формации и подачи управляющих воздействий на объект управления, нейро-
сетевой модели объекта управления в реальном масштабе времени для прогно-
зирования и аппроксимации значений контролируемых переменных;
- в ПАО «ТатНипиНефть» (г. Бугульма) – подход разработки месторожде-
ний на поздней стадии эксплуатации и повышения эффективности работы
скважин;
- в учебном процессе Лениногорского филиала ФГБОУ ВО «Казанский
национальный исследовательский технический университет им. А.Н. Туполева-
КАИ» – автоматизированная система управления насосной станцией на основе
системы реального времени и сопрягающего OPC-сервера.
Достоверность полученных результатов. Предложенные в диссертацион-
ной работе методы, алгоритмы, схемы и модели основаны на известных и прове-
ренных данных, полученных экспериментальным путем, и на основе натурных
исследований реально-действующих технологических установок месторождения
и согласуются с результатами ранее выполненных исследований.
Основные результаты, выносимые на защиту.
1. Метод анализа, синтеза и построения автоматизированных систем
управления на основе функциональной и параметрической декомпозиции тех-
нологических процессов и интеграции информационных потоков, учитываю-
щий принципы многомерности, информативности, оперативности управления.
2. Модели и методы проектирования автоматизированных комплексов,
управляющих технологическими процессами и объектами месторождения для
многомерных систем управления в составе распределенных регуляторов
с программной реализацией логической базы правил приводов насосных
установок.
3. Модели и алгоритмы для интеллектуальной поддержки управления и
моделирования технологических процессов добычи, транспортировки и подго-
товки нефти в составе распределенных комплексов автоматизированных систем
управления высоко- и низковольтными электроприводами с многомерными ло-
гическими контроллерами и дискретными функциями принадлежности, разра-
ботанные с учетом моделей электротехнических и гидравлических элементов.
4. Модели и алгоритмы управления для многосвязных комплексов насос-
ных станций с нейросетевыми и многомерными логическими регуляторами с
дискретными термами.
5. Архитектура, имитационные модели, информационное и программное
9
обеспечение для автоматизированных систем сбора и обработки данных, полу-
ченные методом структурно-параметрического синтеза многомерных техноло-
гических объектов по принципу интеграции информации взаимно дополняю-
щих подсистем и нейросетевых регуляторов, призванных в совокупности обес-
печить повышение эффективности управления технологическими процессами
нефтегазодобычи.
Апробация результатов. Основные результаты диссертационного иссле-
дования доложены и обсуждены на следующих научных конференциях:
- международных: «17th International Workshop on Computer Science and In-
formation Technologies» (Rome, Italy, 2015 г.); «IV International Conference on
Modern Technologies for Non-Destructive Testing» (Tomsk, 2016 г.); «Современ-
ные энерго- и ресурсосберегающие технологии СЭТТ - 2017» (Москва, 2017 г.);
«Нефть и газ - 2018» (Москва, 2018 г.); «Нигматуллинские чтения – 2018» (Ка-
зань, 2018 г.); «Прикладная электродинамика, фотоника и живые системы –
2019» (Казань, 2019 г.); «XV Королевские чтения» (Самара, 2019 г.); «Interna-
tional Symposium “Computer Science, Digital Economy, Intelligent Systems” (Mos-
cow, 2019); «1st, 2nd, 3rd International Conference on Control Systems, Mathematical
Modeling, Automation and Energy Efficiency (SUMMA)» (Lipetsk, 2019-21 гг.);
«Smart Energy Systems (SES-2019)» (Казань, 2019 г.); International Russian Au-
tomation Conference (Сочи, 2020); международная научная конференция «Мате-
матические методы в технике и технологиях - ММТТ-33, 34, 35» (Казань, 2020-
22 гг.); международная научная конференция «Кибер-физические системы:
проектирование и моделирование» CYBERPHY: 2020, 2021 – «Cyber-Physical
Systems Design And Modelling» (Казань, 2020 г.; Санкт-Петербург, 2021 г.);
- всероссийских: «Семинар по искусственному интеллекту» (Тверь-
Протасово, 2015 г.); «НПК, посвященная 90-летию со дня рождения академика
Г.Н. Волкова» (Чебоксары, 2017 г.); «Динaмикa нeлинейных дискрeтных элек-
тротeхнических и электронных систем (ДНДС-2017)» (Чебоксары, 2017 г.);
«Диспетчеризация и управление в электроэнергетике» (Казань, 2017 г.).
Публикации. По материалам диссертации опубликовано 80 печатных ра-
бот, из них 35 статей в журналах, включенных в Перечень ВАК, 10 статей в за-
рубежных рецензируемых изданиях, включенных в международные базы Web
of Science и Scopus, 5 патентов на изобретения, 2 патента на полезные модели;
11 свидетельств о государственной регистрации программ для ЭВМ, 1 моно-
графия.
Структура и объем работы. Диссертация состоит из введения, четырех
глав, заключения, списка использованных источников из 324 наименований и
приложений и содержит 277 страниц, в том числе 130 рисунков и 36 таблиц.

10
 ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ
Во введении определены область и направление исследований, изложена
проблематика, стоящая перед нефтегазодобывающим комплексом Российской
Федерации, обоснована актуальность выбранной темы, ее научная новизна и
практическая значимость, сформулированы цели и задачи работы, объект и
предмет исследования, изложены научные положения, выносимые на защиту.
В главе 1 приводятся результаты анализа состояния повышения эффек-
тивности функционирования технологических процессов добычи и транспор-
тировки нефти на месторождении, так как эксплуатация насосного оборудова-
ния в этих технологических процессах сопряжена с нестационарным изменени-
ем таких параметров, как приток жидкости, забойное давление, температура и
других, делая объект нелинейным и сложным для управления классическими
схемами автоматизации. Нелинейности, вызванные неопределенностью пара-
метров, в свою очередь, влияют на режимы работы оборудования и качество
подготовки нефтяной продукции скважин, происходит накопление ошибок в
существующих системах регулирования, что выражается в неэффективном
управлении, повышенном износе насосных агрегатов, запорно-регулирующей
арматуры. Вследствие отсутствия схем и алгоритмов управления, сопряженных
с изменяющимся технологическим процессом, происходит многократное по-
вторение циклов переработки нефти, а отсутствие адаптации ведет к выходам
из строя отдельных подсистем технологической схемы добычи.
Анализ причинно-следственных связей изменения параметров во время
добычи и подготовки нефти показал, что управление этими технологическими
процессами связано с применяемыми способами, алгоритмами и схемами регу-
лирования технологических параметров различного насосного оборудования.
Рассмотрены подходы к управлению этими объектами и технологическими
процессами на основе изучения научных публикаций, опыта исследователь-
ских, практических и диссертационных работ в области повышения эффектив-
ности разработки и совершенствования систем автоматического управления
насосным оборудованием.
С появлением распределенных систем стало возможным отслеживать, кон-
тролировать и отправлять сигналы управления значительному количеству уда-
ленных и распределенных объектов, таких как нефтедобывающие скважины и
нефте- и газоперекачивающие станции. Эти объекты включают тысячи блоков
управления, расстояние между которыми может составлять десятки километров.
Нелинейность процессов и объектов управления может вносить существенную
неопределенность в выходной сигнал контролируемого параметра. Для управле-
ния объектом необходимо знать модель объекта управления, его функциональ-
11
ную структуру, сформулированные требования и критерии управления (рис. 1).

w1(t) w2(t) … wi(t)

w1(t) u1(t) y1(t)

Система u2(t) Объект
w2(t) y2(t)
управления управления
ui(t) = F(xi, yi) yi(t) = f(xi, wi, ui)
wi(t) ui(t) yi(t)

Рисунок 1 – Функциональная схема системы автоматизированного управления

технологическим процессом: x   x1 , x2 ... xi  – входные задающие воздействия;
y   y1 , y2 ... yi  – вектор выходных переменных; w  w1 , w2 ... wi  – вектор возмущающих
воздействий; u  {u1, u2 ... ui } – вектор контролируемых воздействий; ui (t )  F  xi , yi  – закон
управления в зависимости от состояния и выходных переменных; yi (t )  f  xi , wi , ui  –
функция в зависимости от вектора входных параметров, возмущающие и управляющие дей-
ствия системы управления

Установлено, что сдерживающим фактором, препятствующим эффектив-

ному управлению и повышению качества регулирования технологическими
процессами добычи и транспортировки нефти, является недостаточная изучен-
ность технологического процесса как сложного объекта управления, и недоста-
точная разработанность алгоритмов, методов и систем автоматического регу-
лирования и контроля, сопряженная с технологическим процессом.
На основе проведенного исследования выявлены особенности объектов и
технологических процессов, происходящих в системах добычи, сбора и обра-
ботки нефти:
 изменение динамических свойств объектов – в процессе
функционирования параметры системы могут изменяться и настраиваться через
разные промежутки времени;
 многие схожие объекты имеют собственную структуру и присущие им
характеристики, что существенно отличает их математическое описание и
внутренние параметры от аналогичных;
 формализация целевой функции управления осложнена получением кри-
териев в изменяющейся среде;
 из-за отсутствия целевой функции затруднено определение объективно-
го критерия, отражающего сущность объекта или процесса.
Существенное влияние на разработку математического описания рассмат-
риваемых процессов и объектов оказывает эффект неполного набора данных.

12
Описание объекта управления в значительной степени зависит от полноты
имеющихся данных и информации о функционировании процесса. Входные
переменные со значительной помехой от различных возмущений и других фак-
торов могут существенно повлиять на выходную функцию. В этом случае опи-
сание контролируемого процесса сводится к различным допущениям, выделе-
ние которых из контекста формализации объектной функции приводит к раз-
личным неопределенностям.
На основе изучения научных работ в исследуемой области сделан вывод о
том, что существующие методы построения автоматизированных систем
управления процессами транспортировки, добычи и подготовки нефти и ис-
пользуемых в них регуляторов не всегда соответствуют заявленным характери-
стикам из-за нелинейности объекта управления, возникающим в процессе рабо-
ты неопределенностей, и возмущающих воздействий. Объекты нефтедобычи
являются сложными с точки зрения управления, обладают многосвязанностью
контуров регулирования и нелинейной выходной характеристикой, управление
которой классическими методами малоэффективно. Кроме этого, отсутствуют
методы контроля для вывода на нормальный режим работы установок.
Решение поставленных вопросов и комплексной научной проблемы, инте-
грированной с управлением технологическими процессами добычи и транспор-
тировки нефти, обусловило формулировку цели и задач диссертационного ис-
следования.
В главе 2 приводится описание нового класса автоматизированной систе-
мы управления технологическим процессом добычи и транспортировки нефти
на месторождении на основе интеллектуальных информационных подсистем,
изучаются и разрабатываются методы повышения эффективности систем
управления данных технологических процессов. Предложен метод для автома-
тизации рассматриваемых процессов, суть которой заключается в представле-
нии месторождения как многомерной системы, где процессы добычи и транс-
портировки нефти являются ее составными подсистемами, что можно выразить
концептуальной моделью:
P(t  1)  AP(t )  B(U (t )  R(t ))  (t ),
(1)
U (t )  C ( S  U n ( P(t )  (t ))),
где P , U (t ) , R ,  – векторы, отражающие выходные наблюдаемые сигналы,
управляющие воздействия, векторы возмущений и ненаблюдаемых случайных
воздействий; U n – контролирующие воздействия; А, В, С – матрицы, размерно-
стью NˣN, отражающие параметры модели в пространстве состояний; S – век-
тор задающих воздействий.
Суть метода заключается в управлении месторождением на основе
13
согласования добычи и нагнетания отдельных скважин, реализация которого
представлена на рис. 2.

Рисунок 2 – Функциональная схема метода энергоэффективного управления режимами рабо-

ты скважин (СИ – системы интеграции, центральная часть автоматизированной системы
принятия решений по управлению добывающими скважинами (ДС) и насосными станциями
(НС) при подаче управляющих воздействий на локальные контроллеры (ЛК) от систем авто-
матического управления (СУ))

Интеграция и оперативное управление систем автоматизации реализуется

схемой (рис. 3), отличающейся тем, что включает обратную связь со скважин,
осуществляемую в реальном времени, а также базу экспертных правил, опреде-
ляющих логику управления насосными станциями, добывающими и нагнета-
тельными скважинами.

Рисунок 3 – Функциональная схема модели работы системы принятия решений в рамках

разработанного подхода (объем закачиваемой жидкости (Qзак), добываемой нефти (Qн),
суммарный объем добываемой жидкости (Qж) и обводненность (Qобв))

На основе изученных свойств исследуемых систем управления можно

14
сформулировать основные принципы функционирования для рассматриваемого
класса объектов:
1. Многомерность. Распределенные комплексы технологических объектов
добычи нефти, добывающие и нагнетательные скважины, оборудование для
очистки нефти и пластовых вод, нагнетательные и кустовые насосные станции,
и другое оборудование представляют многоуровневый иерархический объект
управления.
2. Информативность. Нефтедобывающие и водонагнетательные скважины,
насосное и электромеханическое оборудование, схемы их автоматизации и ин-
формация о режимах их работы учитываются при управлении удаленными си-
стемами автоматизации.
3. Оперативность управления. Система управления должна обладать ско-
ростью обработки информации и оперативного управления, обеспечивающей
функционирование системы в режиме реального времени для принятия реше-
ний и оперативного управления насосным оборудованием.
4. Системность. Основными структурными элементами системы управления
являются следующие подсистемы: нефтяной пласт – добывающая скважина –
насосно-электромеханическое и регулирующее оборудование; гидравлическая
сеть – управляющее оборудование; нефтяной пласт – нагнетательная скважина –
насосно-электромеханическое, запорное и регулирующее оборудование.
5. Интегративность. Элементы системы (добывающие и нагнетательные
скважины, установки подготовки нефти и пластовых вод, дожимные и кустовые
насосные станции и т.д.), качественные характеристики и режимы их работы,
информация об их состоянии, внутренних связях и зависимых подсистемах
представляют целостную систему управления.
Моделирование работы скважины с нейросетевым контроллером системы
адаптивного предсказания и снижения ошибки скорости асинхронного двигателя,
приводящего скважину в движение, показано на графике зависимости (рис. 4).
Нейронная сеть содержит два входа (ошибка и изменение ошибки) и один
выход (контролируемый параметр). Вначале работы весовые коэффициенты
нейронной сети с архитектурой (2-32-256-256-1) инициализировались вектором
рандомизированных близких к нулевым значений. Данная архитектура была
выбрана из-за того, что позволяет сохранять промежуточные состояния систе-
мы и комбинировать методы управления. Алгоритмом синтеза нейронной сети
является итеративная адаптация весов до тех пор, пока ошибка между выхода-
ми нейронной сети и входным вектором не будет минимальна. Несмотря на ко-
лебания в начальные моменты времени на этапах адаптации модели, контрол-
лер минимизирует ошибку и приводит систему управления к новым устано-
вившимся значениям.
15
 Рисунок 4 – Графики зависимости: а – ток статора, А; б – угловая скорость, рад/c;
в – электромагнитный момент, Нм от времени при моделировании переходных режимов:
1 – без нейроконтроллера; 2 – с нейроконтроллером

Для автоматизации работы погружных насосов скважин предложена си-

стема адаптивного управления на основе логического регулятора с дискретны-
ми термами (рис. 5). Система включает согласующий трансформатор 27, систе-
му управления 1, устройство радиосвязи 2, систему коммутации, управления и
измерительных приборов электродвигателя (СКУИПЭ) 3, кабельную линию 4,
регулирующий штуцер 5, обратный клапан 6, первый патрубок 7, муфтовый
переводник 8, насосно-компрессорные трубы 9, сбивной клапан 10, обратный
клапан 11, второй патрубок 12, ловильную головку 13, погружной электроцен-
тробежный насос (ПЭЦН) 14, газосепаратор 15, протектор 16, погружной элек-
тродвигатель (ПЭД) 17, фильтр 18, бессепарационный измеритель многофазно-
го потока жидкости (блок А), содержащий датчик температуры 19, регулируе-
мые клапаны 20, датчик давления 21, влагомер 22, многофазный кориолисовый
расходомер 23, плотномер 24, контрольно-передающее устройство (КПУ) 25,
обратную связь КПУ 26, обратную связь СКУИПЭ 28.
Для эффективной работы системы автоматизации установкой скважины
необходимым является постоянство управления и регулирования расходно-
напорных характеристик и значение параметра высоты столба жидкости в
скважине – h (задание составляет ±0,15 м).
16
 Рисунок 5 – Функциональная схема предлагаемого комплекса системы
автоматизации работы погружных насосов на основе логического регулятора

Благодаря компенсации влияния смежных контуров регулирования за счет

дискретных термов hк1÷hк20 базу правил системы управления можно выразить
следующими правилами:
Если h  Th1, то Q1  0 и Q2  0;
Если h  Th1, то Q1  TQ1 20vTQ1 20 k1;
Если h  Th 2 , то Q1  TQ119vTQ119 k1; (2)
...
Если h  Th10 , то Q1  TQ11vTQ11k1.
Представим реализацию регулируемого параметра h множеством из
20 дискретных термов h1, h2, …, h20 (например, T1 < h < T20 и т.д.) аналитическим
выражением для переменной h:
20
T (h)   hi   (i  1)  0,15  h  i  0,15,
i 1

где i – номер четкого терма.

Функцию регулирующего параметра Q1 интерпретируем совокупностью из
20 дискретных термов ТQ1–1 ÷ ТQ1–20 шириной 5% от максимального объемного
расхода, развиваемого насосом:
20
T  Q1    Q1i   (i  1)  5  Q1  i  5 .
i 1
17
 Интерпретация регулирующего параметра Q2 совокупностью дискретных
термов с шириной 5% от диапазона изменения Q2 аналогична:
20
T Q2    Q2i   (i  1)  5  Q2  i  5 .
i 1

Регулирующий параметр Qвх представим совокупностью из 16 дискретных

термов ТQвх1 ÷ ТQвх16 шириной 3% от полного открытия клапана 11:
16
T Qвх    Qвхi   (i  1)  3  Qвх  i  3 .
i 1

Знак суммы ∑ в выражениях означает совокупность термов. Следующим

выражением отображается компенсационная функция Тhк:
20
Т hk   Т hкi   (i  1)  5  thк  i  5.
i 1

Это позволяет в условиях неполной информации осуществлять управле-

ние скважинной системой и поддерживать ее работу в установленных режи-
мах. Предлагаемая система позволяет снизить затраты на эксплуатацию обо-
рудования до 30% за счет более длительной эксплуатации системы. Кроме то-
го, предложенный метод универсален и может быть использован на различных
типах добывающих и нагнетательных скважин, реализовывать различные ви-
ды управления.
Кроме того, для идентификации параметров работы скважинного насосно-
го оборудования реализована система на основе методов машинного обучения
и нейронных сетей, позволяющая определять поломки глубинных насосов в ре-
альном времени. К примеру, динамограммы могут изменяться в зависимости от
различных факторов и даже числа качаний (рис. 6), следовательно, можно
определять не только поломки, но и приблизительный дебит скважины.

Р Р Р

0 S 0 S 0 S
а б в
Рисунок 6 – Графики зависимости нагрузки на колонне штанг P от хода плунжера, м,
при изменении числа качаний: а – n = 5; б – n = 15; в – n = 25

Процесс обучения нейронной сети осуществляется по алгоритму Розен-

18
берга:
 формируется выход нейронной сети Y:

n 
Y  F   wi  xi  ,
 i 1 
где wi – веса; xi – входной сигнал нейрона; F – сигнал функции активации;
 весовые коэффициенты проходят итерацию изменений согласно правилу
дельта-функции:
wij (t  1)  wij (t )     j  F '  S j   yi ,

S0 j (t  1)  S0 j (t )     j  F '  S j  ,

где i = 1, 2, …, n; γi – коэффициент шага; α – скорость обучения; j = 1, 2,…, p.

Для повышения качества распознавания динамограмм можно использовать
модель высокой вложенности обучаемых параметров и этапов обучения:
wij (t  1)  (1  )  j  F '  S j   yi    wij (t ) ;
wij (t  1)  wij (t )   wij (t  1) .
На рис. 7, а показаны графики точности модели, а на рис. 7, б – ошибка
обучения. Согласно проведенному исследованию модель для обучения исполь-
зует 33 690 093 параметров, 33 688 685 тренировочных параметров и 1408 необу-
чаемых параметров.

а б
Рисунок 7 – График зависимости модели тренировочной 1 и тестовой 2 выборок
от числа итераций обучения: а – сходимость; б – рассогласование

Каждую итерацию для нового изображения входной вектор содержит па-

раметры входного изображения вида (высота, ширина, слой RGB-модели).
Входной вектор включает 320 параметров и представляется в виде набора
(None, 126, 126, 32). Топология нейронной сети состоит из пяти слоев с размер-
19
ностями (3,16), (3,32), (3,64), (1,512), (1,1). Алгоритм препроцессорной обра-
ботки включает нормализацию, преобразование к двухмерному виду, потоко-
вую нормализацию и специальную функцию, осуществляющую выравнивание
вектора изображения по всему диапазону. Подсистемы поддержки и принятия
решений – основа при управлении разработкой особенно в условиях неопреде-
ленностей.
Одним из основных методов решения является разработка математических
симуляций геологических моделей, показывающих, в каком состоянии нахо-
дится сейчас разработка и какие меры возможно предпринять для интенсифи-
кации выработки. Процесс разработки таких моделей довольно трудоемок и
требует значительного времени. Для решения этой задачи предложена интел-
лектуальная подсистема поддержки принятия решений при управлении про-
цессами добычи и транспортировки нефти в условиях неопределенности.
Научная новизна предлагаемой модели состоит в том, что в разработанной
нейросетевой модели сначала осуществляется корректировка коэффициентов,
связанных с обводненностью, режимами работы насосных станций и скважин.
Затем нейросетевая модель корректирует весовые коэффициенты на каждом
этапе итерации, способствуя прогнозированию на основе многомерного стека
данных вариантов режимов работы оборудования.
Для примера работы подсистемы рассмотрим задачу многомерного анали-
за данных о месторождении (рис. 8). Представляемые с объекта данные отра-
жают динамику добычи по скважинам за определенный период времени.
Структура получаемого массива данных состоит из 30 столбцов, отража-
ющих многомерные параметры оборудования, а также из 1000 строк, отража-
ющих периоды фиксации каждого из параметров (1 ч).
Представить связь отдельно взятых значений во времени (например, сква-
жин с 24-й по 29-ю) можно по табл. 1.

Таблица 1 – Зависимость добычи по скважинам (по горизонтали)

для рассматриваемого месторождения (по вертикали)
Дискретные Скважины
промежутки 0 1 2 3 4 5 6 7 8
0 1,0 2,314246 3,769363 5,075229 3,686145 6,779463 4,983996 3,190300 3,329130
1 0,0 0,008046 1,874479 2,290018 0,645221 3,260678 2,026647 1,733029 0,684999
2 1,0 1,267164 1,224649 1,754363 1,733204 2,252532 1,823014 0,970453 1,519227
3 1,0 2,927081 5,258729 7,018861 4,829159 9,428980 6,834051 4,489528 4,388430
4 1,0 1,849879 6,350670 8,131473 4,080473 11,223620 7,586863 5,637773 3,868648

Промежуток проведения снятия характеристик составляет порядка ~210 ча-

сов для 24÷29 рассматриваемых скважин. Следовательно, рассматриваемую за-
20
дачу создания предсказательной модели можно свести к поиску значений пере-
менных на основе определения областей функции плотности вероятности ис-
следуемых вариантов.
Добыча по скважинам

Время, ч

Рисунок 8 – Графики зависимости отдельно взятых значений добычи скважин

с 24-й по 29-ю от времени

При этом такие параметры как время t и характеристики (t ) случайного

процесса x(t ) дискретны в промежутке t:

F 1 , ,i  t ,
1 , t j    P  1  1i , ,  n  ij ,
i, j

где 1, ..., n – параметры дискретного множества; P – условная вероят-

ность соответствия возможного значения дискретной случайной величине.
Необходимо определить рентабельность скважин на основе этого много-
мерного и многокритериального стека информации. Представим эту информа-
цию вектор-столбцом (1000x1): 1 – рентабельная; 0 – нерентабельная (рис. 9).

Рисунок 9 – Функциональная схема работы информационной системы

по определению рентабельности скважин

21
 Совместную плотность распределения вероятности можно определить из
следующего выражения:
1 2 n

F  1 ,  2 , , n      f  ,  , 1 2 ,  n  d 1d  2 d n .
  

Улучшенный алгоритм работы подсистемы, позволяющий добиться пред-

сказательной способности, составляющей не меньше 73,5 %, показан на рис. 10.

Да

Нет

Рисунок 10 – Блок-схема алгоритма работы системы

по определению рентабельности скважин

Следовательно, на основе приведенной системы возможно интерпретиро-

вать рассматриваемую задачу как функцию вероятности с оценкой плотности
вероятности случайной величины из множества данных, предсказанных на ос-
нове разработанных моделей. Одним из основных в работе алгоритма является
p-критерий и нулевая гипотеза. Характеристики выражают вероятность того,
что нет оснований учитывать данные – взаимосвязи измеряемых величин. Кри-
терий можно интерпретировать как вероятность того, что если 0 – гипотеза
верна, то статистические наблюдения соответственно будут выше или эквива-
лентны заданному параметру. По результатам проведенного эксперимента на
улучшенном алгоритме значение статистики равно 0,05.
Согласно проведенному эксперименту найдена пара наиболее важных ха-
рактеристик (рис. 11). Существующие системы добычи, сбора, подготовки и
транспортировки нефтяной продукции скважин являются сложными как для
управления, так и для моделирования объектов. Этот факт в свою очередь обу-
22
словливает различного рода неопределенности в процессах управления.

Уровень значимости

Анализируемые параметры
Рисунок 11 – График зависимости уровня значимости от наиболее важной характеристики
из полученного множества анализируемых параметров
(пара наиболее важных характеристик для блока параметров предлагаемого алгоритма:
1 – нерентабельный; 2 – рентабельный объекты)

В связи с этим актуальной научной задачей для оперативного управления

разработкой месторождений является обеспечение алгоритмами прогнозирова-
ния текущих параметров. В работе использованы нейросетевые алгоритмы для
кратковременного экспресс-анализа добычи куста скважин. Разработан про-
граммный комплекс, обеспечивающий сбор неструктурированной информации,
ее разделение по категориям и классам, обработку и передачу необходимых
данных в модуль прогнозирования и вывода результатов. Согласно полученным
результатам, система эффективно справляется с большим объемом данных, об-
рабатываемых на СPU-вычислительном блоке. Анализ таблицы из 400 парамет-
ров занимает 8,9 с.
Информация о текущем состоянии объектов и технологических процессов
поступает в нефтегазодобывающее управление в дискретном виде и с заданным
периодом времени. На удаленных объектах, таких как насосные станции и экс-
плуатационные скважины, возможно появление существенных задержек в пе-
редаче данных, связанных в основном с помехами в радиосигналах или комму-
никационных сетях. Кроме того, из-за влияния окружающей среды передавае-
мые параметры со скважин могут быть значительно искажены. Возможными
причинами и источниками погрешностей и ошибок могут служить условия до-
бычи, территориальное расположение, геологические условия местности.
К особенностям современных месторождений, также обусловливающих
сложности при сборе информации, можно отнести:
 разработку месторождений малодебетных и битумных;
 значительное газосодержание в добываемой продукции скважин;
 увеличение вязкости нефти при бурении скважин на новых горизонтах;
 содержание различных примесей;

23
  солеотложения на насосно-компрессорном оборудовании.
Условный пример получаемых данных, для исследования и анализа кото-
рых применяется подход, основанный на создании модели объекта в виде
нейронной сети, приведен в табл. 2.
Таблица 2 – Данные о скважине, ее добыче и прогнозировании добычи

Номер скважины Добыча, м3/сут. Прогнозирование добычи, м3/сут.

1 18,2 11,8
2 15,7 14,3
3 18,1 14,2
4 16,4 15,8
5 17,9 14,2
6 15,3 13,8
7 14,6 15,3
8 14,2 15,8
9 14,5 16,3
10 15,7 15,2

Информация, поступающая в реальном времени, предварительно проходит

препроцессорную обработку, включающую подходы и методы для ее выравни-
вания и нормализации. На рис. 12 представлена минимизация ошибки в процес-
се обучения модели на имеющихся данных.
Числовые значения параметров поступают на входы нейронной сети, каж-
дый из которых имеет свою условную весовую функцию. От слоя к слою вход-
ные значения умножаются на вес связи и посредством активационной функции
преобразуются в выходные значения сигнала.
Рассогласование

Итерации обучения
Рисунок 12 – График зависимости рассогласования обучаемой модели и заданного порога
в процессе обучения на имеющихся данных от числа итераций обучения

Анализ работы программы показал, что при малом количестве эпох (< 50)
ошибка обучения системы составит 25÷32%, а время обучения – приблизитель-
но 2÷3 с. Можно отметить, что при увеличении количества эпох обучения
24
ошибка может быть существенно уменьшена и составит порядка 12÷17%. При
этом достаточной, особенно, для того, чтобы приблизиться к реальному време-
ни, является точность – от 70 %.
Глава 3 посвящена разработке метода построения систем управления и ав-
томатизации процессами добычи, транспорта и нефтеподготовки. Рассматрива-
ется процесс разработки многомерных логических регуляторов, особенностью
реализации которых является репрезентация входов и выходов регулятора со-
вокупностью термов (непересекающиеся множества) с функцией принадлежно-
сти Т1 – Тn (рис. 13).
μ(p)
Т1 Т2 Т3 Тn
1
Т11
0,5
0 p0  p  p1 p1  p  p2 p1  p  p2 p1  p  p2

p00  p11 p1 p2 p3 pn–1 pn

Рисунок 13 – Представление дискретных термов

Рассмотрим пример логической системы, включающей базу данных (экс-

пертную систему знаний и правил, полученную от эксперта), входное значе-
ние – x, выход – z, множества – Ai, Bi, функции принадлежности которых можно
представить в виде μА(x) и μB(z).
Выразим дискретные термы функции принадлежности на универсальной
числовой прямой. Для этого сформулируем правила управления объектом
в следующих представлениях:
П i : IF x  Ai , THEN z  zi , i  1, 2,3,..., n.
x  z  xi 
Пi : IF x  Ai and yi  Bi , THEN z  Ci , i  1, 2,3,..., n.

Правило #1 П1 : IF x  A1, THEN z  B1

Правило #2 П1 : IF x  A2 , THEN z  B2
Правило #3 П3 : IF x  A3 , THEN z  B3
…………… ……………..
…………… ……………..
Правило #n Пn : IF x  An , THEN z  Bn
Предположим, что соблюдаются следующие условия работы логического
регулятора при заданном наборе правил:
 существующие функции принадлежности:

25
 2 2 2
1  x i1  1  y i 2  1  z ci 
        
2  i1  2  i 2 
Ai ( x)  e , Bi ( x)  e , и Ci ( x)  e 2  bi 
;
 суперпозиция функции принадлежности:

 Ai ( x) and Bi ( y)  Ai ( x) Bi ( y) ;
 импликация известных высказываний вида Ai(x), Bi(x) и Сi(x):

 Ai ( x) and Bi ( y) Сi ( z )  Ai ( x) Bi ( y)Сi ( z ) ;

 дефаззификация значения искомого параметра осуществляется по алго-
ритму поиска центра тяжести согласно уравнению:
n n
z0   ci Ai Bi /  Ai Bi ,
i 1 i 1

где ci – центры Сi ( z ), n  .
Множество Ai(x) – совокупность упорядоченных пар значений Ai(x) =
= {(x, μА(x)/x  X)}, представляющих выборку отдельных х их универсального
множества –Х в соответствии с характеристической функцией –  А ( x).
Если σ → 0, то функция плотности вероятности будет представлять
вырожденную функцию (дискретный единичный импульс на графике). Функ-
ция ошибок при этом
x
2
 0
t 2
erf( x)  e dt

зависит от функции распределения (рис. 14):

1  x   
N ( x)    erf   .
2  2 
  2 
Опираясь на рис. 14, можно утверждать, что вырожденная функция при за-
данных условиях является единичным импульсом, что соответствует функции
логического &  Rn. Согласно лемме Гейне – Бореля рассматриваемая функция
после вырождения подчиняется законам нечеткой логики. При этом по призна-
ку функции принадлежности систему можно отнести к отдельной подсистеме
множеств с дискретными термами.
Вследствие такой реализации получим частный случай логического регу-
лятора, где для каждого из термов справедливо соотношение (см. рис. 14):
0, если рi 1  р  рi , где р  Т i
 (3)
1, если рi 1  р  рi , где р  Т i ,
где i [1, n] – термы параметра р.

26
 Рисунок 14 – Функция распределения при σ → 0

Множество дискретных термов на универсальной числовой прямой выра-

жается аналитически:
Т ( р)  Т11  0  р1  l1  Т12 l1  р1  2l1  , Т13  2l1  р1  3l1  ,, (4)
Т1i  (i  1)l1  р1  il1  , Т1n  (n  1)l1  р1  nl1  ,
Т 2 (l  р  2l ), Т 3 (2l  р  3l ),,
Т i  (i  1)l  р  il  , Т n  (n  1)l  р  nl ,
где l – ширина терма.
Выражение для всей числовой прямой:
n
Т i ( р)   T1i  (i  1)l1  p  il1 ,..., Ti  (i  1)l  p  il . (5)
i 1

Выражение для n-мерного логического регулятора:

m k
Т in  рin     Tik  ( j  1)l  pin  jl .
l 1 j 1
Увеличение l дискретных термов в s раз можно представить выражением:
k
s
Т nls  рn    Tmls  ( j  1)ls  pin  jls  .
j 1

Увеличением или уменьшением погрешности регулирования можно

управлять, меняя ширину s дискретных термов:
n
Т n ( p)   T1is  (i  1)l1s  p1n  il1s  , ... , Tis  (i  1)ls  pn  ils   ;
s

i 1 (6)

  
Tn ( p)    T1i / s (i  1)  l1  p1n  il1 ,... , Ti / s (i  1)  l  pn  il  .
ns

i 1 
s s s s

27
 Уменьшение l дискретных термов в k раз можно представить выражением:

( j  1) l s  p  jl s .
ms
Tn l  pn    Tm l n (7)
s j 1 s

Разработан нейросетевой логический регулятор с дискретными термами

(рис. 15).

Рисунок 15 – Структурно-функциональная схема МНЛРсДТ

Обработка ситуационных программ по контурам многомерного логическо-

го регулятора с дискретными термами представлена схемой в табл. 3. Таблица
включает в себя логическое описание метода для повышения эффективности ра-
боты регулятора при обработке композиционного блока правил управления тех-
нологическим процессом, где контур регулирования описывает входные-
выходные переменные, ситуационное продукционное правило представляет ал-
горитмическую реализацию программного блока отработки компенсационных

28
подпрограмм, а адрес – логическую взаимосвязь контура регулирования и блока
СПП.
Таблица 3 – Таблица отработки ситуационных подпрограмм
по контурам регулирования
Контур
Ситуационное продукционное правило Адрес
регулирования
Если Т LE 3  Т LE 31, то Q1  Q11vТ LE 3k1; Р1 → СПП11
Если Т LE 3  Т LE 32 , то Q1  Q12vТ LE 3k 2 ; Р1 → СПП12
... ...
LE3 → Q∑ ... ...
... ...
Если Т LE 3  Т LE 315 , то Q1  Q115vТ LE 3k15 ; Р1 → СПП115
Если Т LE 3  Т LE 316 , то Q1  Q116vТ LE 3k16 ; Р1 → СПП116
Если Т LE 3  Т LE 31, то Q1  Q11vТ LE 3k1; Р2 → СПП21
Если Т LE 3  Т LE 32 , то Q1  Q12vТ LE 3k 2 ; Р2 → СПП22
... ...
Q1 → Qвых ... ...
... ...
Если Т LE 3  Т LE 38 , то Q1  Q18vТ LE 3k 8 ; Р2 → СПП28
Если Т LE 3  Т LE 39 , то Q1  Q19vТ LE 3k 9 ; Р2 → СПП29
Если Т LE 3  Т LE 310 , то Q1  Q116vТ LE 3k16
Р3 → СПП31
и Q2  Q210vТ LE 3k10 ;
Если Т LE 3  Т LE 311, то Q1  Q116vТ LE 3k16
Р3 → СПП32
и Q2  Q211vТ LE 3k11;
... ...
Q2 → Рвых ... ...
... ...
Если Т LE 3  Т LE 315 , то Q1  Q116vТ LE 3k16
Р3 → СПП36
и Q2  Q215vТ LE 3k15 ;
Если Т LE 3  Т LE 316 , то Q1  Q116vТ LE 3k16
Р3 → СПП37
и Q2  Q216vТ LE 3k16 ;

Работу ситуационных подпрограмм по контурам регулирования можно

представить в следующем виде:
Li   Q :
IF TL = TL1, THEN Q1  Q11vTL1 БП11
...
29
 IF TL = TLi , THEN Qi  Q1i vTLi БП1i 
Qk   Qвых :
IF TL = TL1, THEN Q1  Q11vTL1k  БП 21 
...
IF TL = TLk , THEN Qk  Q1k vTLik  БП 2k 
Q j   Pвых :
IF TL = TL10 , THEN Q1  Q1 j vTLk  БП31 
AND Q2  Q2 j vTLj
...
IF TL = TLj , THEN Qi  Qij vTLk БП3 j 
По результатам разработок предложенного метода получен патент России
№ 2579987 на изобретение. На рис. 16 представлены графики переходных про-
цессов.

Рисунок 16 – Графики зависимости регулируемого параметра уровня жидкости в резервуаре (м)

от времени с различными системами управления (6 – реакция на возмущающее воздействие)

Согласно полученным результатам: 5 – график изменения режима работы

насосной станции, ПИД-регулятор 1 отрабатывает хуже всего возмущающие
воздействия, логический регулятор 2 с адаптацией коэффициентов от логиче-
ского регулятора с дискретными термами имеет на 18 % меньшее перерегули-
рование, чем классический ПИД-регулятор, однако при изменении режима ра-
боты или воздействии возмущений имеет значительное время переходного
процесса. При этом МНЛРсДТ 4 имеет на 5÷12 % меньшее перерегулирование,
чем ПИД-МНРсДТ, а также на 15÷20 % быстрее выходит на номинальный ре-
жим работ, даже при воздействии возмущения.
Следовательно, применение предложенного метода позволит уменьшить
время отклика при управлении нелинейными и быстродействующими техноло-
гическими объектами, а также расширить диапазон применения данных видов
30
логических регуляторов для нелинейных объектов с быстропротекающими тех-
нологическими процессами.
Таким образом, независимо от количества параметров результатом логиче-
ского вывода является единственный терм, ширина которого определяет точ-
ность регулирования. В каждом цикле сканирования МНЛРсДТ регулятора без
утраты адекватности управления отрабатывается только часть продукционных
правил до искомого.
Глава 4 посвящена рaзрaботке энергоэффективных схем и aлгоритмов как
основы интеллектуaльного контроля и регулирования насосного оборудования
и насосных стaнций на месторождении, а также разработке энергосберегающей
системы автоматического пуска и торможения электроприводов от автономно-
го источника электрической энергии соизмеримой мощности, созданию схем
автоматического управления высоковольтными приводами ДНС. Создана схема
и устройство адаптивного управления плавным пуском высоковольтных элек-
троприводов. Предложен алгоритм управления электроприводом нефтеперека-
чивающей насосной станции и алгоритм, обеспечивающий равномерную за-
груженность насосных агрегатов и работу в составе автоматизированной си-
стемы многомерного логического регулирования.
Устройство адаптивного управления плавным пуском высоковольтных
электроприводов (рис. 17, а), отличающееся новой компоновкой оборудования
и схемы подключения резервной ветви автоматизации, позволяет повысить
надежность работы схемы управления, управлять динамикой разгона и тормо-
жения и обеспечивать минимум электромагнитных потерь.

База данных Web-

(СУБД) приложе-
ние
Контрол-
лер 1
Контрол- ОРС-
лер 2 сервер

Контрол-
лер 3 HMI-
интерфейс
Контрол- (SCADA)
лер n
а б
Рисунок 17 – Функциональная схема: а – работы программного обеспечения;
б – адаптивного управления плавным пуском высоковольтных электроприводов
31
 Для реализации заданных алгоритмов необходимо решить задачу автома-
тизации процесса приема и передачи данных, поступающих с контроллеров в
АРМ-оператора. Особенность предлагаемой и разрабатываемой системы состо-
ит в разработке компонентов клиент-серверного взаимодействия и средств OPC
«клиент-сервер», обеспечивающих обратную связь и интеграцию разработан-
ных алгоритмов управления и схем автоматизации насосного оборудования.
Для реализации предложенной системы разработаны универсальные компонен-
ты OPC, позволяющие реализовать клиент-серверную интеграцию и HMI-
интерфейс управления объектом.
Разработанное программное обеспечение, соответствующее схеме рис. 19,
включает следующие компоненты:
 MainUnit.dcu;
 OpcServerUnit.dcu;
 UConnection.dcu;
 USettingCOM.dcu.
Здесь OPC-сервер в системе служит интегратором для организации взаи-
модействия контроллеров, базами данных и SCADA-систем, а также оборудо-
ванием и алгоритмами управления данным оборудованием.
Разработанное программное обеспечение включает главный компонент
«OPCServer» и входящие в его состав модули, реализованные в виде подсистем
приложения с именами «Настройка», «Связь» и др.
На рис. 18 представлена схема управления автоматизированным электро-
приводом насосной станции на основе предложенных алгоритмов и методов
логического и нейросетевого регулирования.
380 В, 50 Гц
Контролер
QF1

Сигнал QF4 ПЧ
контроллера

QF2 QF3
КМ1 КМ2

Сигнал М1 М2
контролле- Сигнал
Сигнал ра контроллера
ОК
контроллера
Н1 Сигнал
Сигнал
контроллера контроллера
ОК
Н2

Рисунок 18 – Функциональная схема принципа работы метода

автоматизированного энергосберегающего управления насосной станцией с МНЛРсДТ
32
 Схема обеспечивает работу в энергоэффективном режиме от одного преобра-
зователя частоты нескольких электроприводов насосной станции, а дополнитель-
ная система датчиков позволяет в реальном времени контролировать параметры
уровня, давления на входе и выходе и расход, токи и угловые скорости (рис. 19).

Рисунок 19 – Функциональная схема метода интеллектуальной адаптации логического регулято-

ра к объекту управления: фаззификатор 1; блок логического вывода 2; дефаззификатор 3; испол-
нительный орган 4; объект управления 5; датчик обратной связи 6; ПИД-регулятор 7; блок адап-
тации коэффициентов ПИД-регулятора 8; сумматор 9; блок базы правил 10; блок идентификации
технологического процесса 11; U(t) – значение задания; e(t) – ошибка регулирования; ∫e(t)/dt –
интеграл ошибки регулирования; e(t)/dt – производная ошибки регулирования; u*(t) – текущее
значение параметра на выходе дефаззификатора 3; u(t) – текущее значение регулирующего пара-
метра на выходе ПИД-регулятора 7; z(t) – усиленное текущее значение регулирующего парамет-
ра на выходе исполнительного органа 4; L(t) – текущее значение регулируемого параметра; Т –
вектор четких термов регулируемого L(t) и регулирующего z(t) параметров; UT – вектор термов
на выходе блока логического вывода 2; X – вектор входных дискретных параметров объекта
управления 5; Y – вектор выходных дискретных параметров объекта управления 5

Особенность предложенной схемы заключается в расширении управляю-

щих свойств логического регулятора на основе программно-реализованной ба-
зы правил объекта, получающей информацию с исполнительного устройства и
внутренних параметров объекта автоматизации, а также обратных связей де-
фаззификатора, обеспечивающих корректную подстройку коэффициентов ре-
гулирования (рис. 20).
Функционирование представленного регулятора можно описать следую-
щим образом: входы a” и b” фаззификатора 1 принимают дискретное значение
величины сигнала, представленного одним из значений L1, L2, L3, L4 …. L10 ре-
гулируемой переменной L(t).

33
 Рисунок 20 – Функции принадлежности дискретных термов
Т1, Т2, Т3, Т4 …. Т10 регулируемой переменной L(t)

Далее фаззификатор осуществляет преобразование значения в терм линг-

вистической переменной L, затем включается в работу система идентификации
терма: если в системе сработало первое (0 ≤ L(t) < L1)/второе/третье…./последнее
продукционное правило, из блока коэффициентов будут поданы соответству-
ющие коэффициенты на ПИД-регулятор. Система управления периодически
сканирует созданную систему правил:
Кп  12,7
ЕСЛИ L  T1 ТО Ки  0,024
Кд  24,5
... ... ... ... ...
Кп  40
ЕСЛИ L  T8 ТО Ки  0,25
Кд  1,05
Кп  43
ЕСЛИ L  T9 ТО Ки  0,286
Кд  2,28
Кп  53
ЕСЛИ L  T10 ТО Ки  0,423
Кд  8,08

В результате предложена функциональная схема метода интеллектуальной

адаптации логического регулятора к объекту управления, позволяющая стаби-
лизировать процесс транспортировки нефти на существующих объектах без
существенного изменения схемы автоматизации.
В заключении диссертационного исследования приведены основные ре-
зультаты работы.

34
 ЗАКЛЮЧЕНИЕ
На основе проведенных исследований в диссертационной работе предло-
жены новые методы, модели, программное обеспечение и алгоритмы, включа-
ющие научно обоснованные технические и алгоритмические решения повыше-
ния эффективности работы насосного оборудования системы добычи, транс-
портировки и подготовки нефти, внедрение которых вносит значительный
вклад в развитие нефтегазодобывающей отрасли Российской Федерации в части
повышения эффективности автоматизированных систем управления техноло-
гическими процессами добычи и транспортировки нефти.
1. Предложены методы построения автоматизированных систем управле-
ния технологическими процессами на месторождении на основе нейросетевых
моделей, где подсистемы добычи и транспортировки нефти – многосвязные,
унитарные – включены в общую иерархическую структуру, так как обеспечи-
вают решение задачи неопределенности информации об объектах и возможно-
сти своевременного принятия решений и оперативного управления в реальном
масштабе времени. На основе предложенных методов и модели выявлено, что
скважина в среднем за сутки работает от 30 до 70 % времени, с 15÷45 циклами
за сутки, с простоями по 15–30 минут. Согласно графику переходного процесса
пуска привода скважины можно отметить, что в процессе пуска электромагнит-
ный момент увеличивается на 65,8% относительно номинального, а токи стато-
ра – на 75,4%. Увеличение значений параметров характерно для асинхронных
электродвигателей, но, учитывая число циклов «пуск-останов», которое может
быть более 40 за сутки, можно сделать вывод о том, что ресурс электродвигате-
ля значительно снизится, следовательно, уменьшится и межремонтный период
скважины, увеличатся затраты от ее простоя и потери нефти.
Это позволило повысить оперативность и адекватность интерпретируе-
мой информации системе управления, что представляло существенную труд-
ность для нефтегазодобывающего комплекса. Снижение неопределенности для
данного технологического процесса означает надежное функционирование си-
стемы с предсказуемыми результатами.
2. Разработан метод проектирования и управления распределенными мно-
гомерными автоматизированными системами управления на основе логическо-
го регулирования, где для управления насосным оборудованием применяются
специально разработанные многомерные регуляторы с логической схемой ал-
горитма функционирования регулятора, программной реализацией и логиче-
ской схемой алгоритма контроля и регулирования технологического процесса.
Применение разработанных автоматизированных систем позволяет управлять
нелинейными объектами в условиях неопределенностей, присущих современ-
ным месторождениям. Анализ работы системы показал, что в результате непре-

35
рывного сканирования правил и вследствие того, что в ней имеется только одно
продукционное правило, условная часть которого истинна, насосная станция
смогла эффективно работать в условиях нечетко заданной информации. При
этом значение регулируемой величины с достаточным быстродействием под-
держивается в пределах номинального уровня с незначительной погрешностью
2÷7% и в редких случаях 12÷15%. Внедренный комплекс позволил снизить по-
требление электроэнергии на 28,5% от существующей системы.
Предлагаемая система позволяет снизить затраты на эксплуатацию
оборудования до 22% за счет более длительной эксплуатации системы. Кро-
ме того, предложенный метод универсален и может быть использован на раз-
личных типах добывающих и нагнетательных скважин, реализовывать раз-
личны виды управления. Например, при реализации циклического режима
автоматизации технологического процесса добычи нефти экономия электро-
энергии составит до 17% в зависимости от типоразмера станка и установлен-
ного привода.
3. Представлены средства и алгоритмы энергоэффективного управления
как основы интеллектуального контроля и регулирования насосного оборудо-
вания и насосных станций на месторождении. Использование предложенных
средств и алгоритмов позволяет: осуществлять плавный пуск, автоматический
пуск и торможение электроприводов от автономного источника электрической
энергии соизмеримой мощности; управлять автоматизированным электропри-
водом дожимной насосной станции; реализовывать адаптивное управление вы-
соковольтными электроприводами в условиях неполной информации и распре-
делять нагрузку между насосами. Предложенные методы автоматизированного
управления электроприводом насосной станции охватывают элементы согласно
системно-интегративному подходу для применения на них разработанных ме-
тодов и алгоритмов логического и нейросетевого управления, а также пред-
ставляют универсальные способы для повышения энергоэффективности работы
отдельных подсистем.
Например, при пуске электродвигателя от системы автоматического
управления с преобразователем частоты и широтно-импульсной модуляцией
перерегулирование по угловой скорости снижается на 17 %, точность поддер-
жания значения угловой скорости увеличивается на 2 %, значение ударного то-
ка уменьшается на 66 %, значение ударного момента уменьшается на 268 %.
Также снижаются значения пускового тока на 98,5 % и пускового момента на
200 %, время переходного процесса уменьшается на 71,5 %. В результате на ос-
нове полученных данных у заказчика появляется возможность предсказать ре-
зультаты работы системы и провести предварительный анализ всех схем авто-
матизации. Применение системы позволяет повысить качество регулирования и
ее быстродействие, получить непрерывное управление от микропроцессорного
36
контроллера в реальном времени, в том числе в условиях неопределенностей и
неполноты информации.
При этом регулирование угловой скорости рабочих валов насосов на ос-
нове предложенных методов и алгоритмов позволяет сократить затраты на экс-
плуатацию на 18 % и за счет исключения избытка давления в трубопроводной
сети (погрешность регулирования не превышает 5 %). Согласно эксперимен-
тальным данным можно утверждать, что идентификация режимов работы и
анализ состояния скважинного оборудования на основе нейронной сети позво-
лили на 10÷15 % сократить затраты на эксплуатацию скважинных систем. Си-
стема также способна распознавать режимы работы, среднеквадратичная ошиб-
ка практически достигает заданного значения 0,0001 и равняется 0,000867.
Кроме этого, модель структуры нейронной сети позволяет корректировать зна-
чения параметров измерительных преобразователей, таких как ротаметры и
вихревые преобразователи, для достижения эталонных значений. Согласно
проведенному анализу экспериментальных данных, ошибка находится в пре-
делах 5 %, что позволяет получать достоверные данные о расходе жидкости, а
также прогнозировать координаты, измеряемые преобразователем.
4. Предложены средства математического обеспечения АСУ технологи-
ческих объектов и процессов добычи, транспортировки и подготовки нефти,
включающие модели электротехнических, гидравлических и механических
объектов. Эти средства моделируют основные режимы функционирования
электроприводов с использованием высоко- и низковольтных схемных реше-
ний автоматизации, позволяющих осуществлять управление приводами насо-
сов от многомерного логического регулятора с дискретными термами, осу-
ществлять рациональный выбор оборудования и наиболее энергоэффективные
режимы их работы, моделировать управление электроприводом насосного аг-
регата с повышенным пусковым моментом при частотном регулировании и
различными законами управления, исследовать прямой пуск асинхронного
электродвигателя и систему с преобразователем частоты с широтно-
импульсной модуляцией.
Эксперимент по моделированию работы интеллектуальной скважины на
месторождении показал достаточную эффективность. Проведенный анализ ос-
циллограмм переходного процесса пуска асинхронного электродвигателя вы-
явил следующие факторы: под нагрузкой веса колонны штанг в момент пуска
электродвигателя насоса электромагнитный момент увеличивается на 67 % от-
носительно номинального значения, а ток фазы статора – на величину от 72%
до 84% относительно номинального значения. Эти данные позволили спрогно-
зировать ресурс работы установки и построить характеристики. Сделан вывод о
том, что предложенная система позволяет прогнозировать ресурс, а также меж-
ремонтный период скважины, и на основе этих данных появляется возможность
37
снизить затраты от простоя скважин и предполагаемой потери нефти. Кроме
того, разработанная схема помогла обеспечить повышение циклического КПД
привода станка-качалки, а также экономию электроэнергии на величину, со-
ставляющую от 18% до 32% в зависимости от типоразмера системы и электро-
двигателя, установленного на станке-качалке. На основе предложенного алго-
ритма работы у предприятия появляется возможность определить рентабель-
ность скважин в условиях неопределенности с достаточно высокой точностью –
73,5%.
5. Предложена архитектура, разработано информационное и программное
обеспечение сбора и обработки данных АСУТП нефтегазодобывающими и
нефтегазотранспортными объектами, включающее программный комплекс ав-
томатизированной системы насосной станции и добывающей скважины, экспе-
риментальный имитационный лабораторный стенд для моделирования режимов
работы и переходных процессов, и оценки эффективности предложенных ре-
шений. Разработанное программное обеспечение позволяет моделировать раз-
личные схемы автоматизации, системы управления, методы и алгоритмы
управления нефтедобывающими нефтегазотранспортными объектами.
Для работы системы реализован внешний микроконтроллерный модуль,
обеспечивающий сопряжение и интеграцию по разработанному OPC-
компоненту, что полностью позволяет реализовать предложенные методы и ал-
горитмы управления. На основе опытной эксплуатации внедрение разработан-
ного программного обеспечения позволяет: зарегистрировать удаленно ано-
мальные режимы работы скважины и скважинного насосного оборудования;
получить результат запроса о наличии осложнений с эффективностью порядка
98–99%. Полученные результаты позволили улучшить диагностирование рас-
пределенного по месторождению оборудования, что положительно повлияло на
снижение доли ремонтов на 23,5% и уменьшение простоя скважин на 33÷35% в
зависимости от параметров системы.
Таким образом, для управления насосным оборудованием применены ме-
тоды, алгоритмы и схема автоматического регулирования, основанные на базе
предложенной теории построения нейросетевых и многомерных логических ре-
гуляторов с дискретными термами в условиях нечетко заданной информации.
Насосные станции и нефтеперекачивающее оборудование применяются в нефте-
газовой промышленности как базовый элемент управления технологическими
процессами и производством нефтепродуктов. Основные положения и результа-
ты диссертации могут быть использованы для решения комплекса важных науч-
ных и практических задач интеллектуализации нефтегазодобычи. Поэтому даль-
нейшим развитием исследований является усовершенствование методов, алго-
ритмов, схем автоматизации насосного оборудования, а также систем управле-
ния в рамках предложенного подхода и заложенных в диссертации основ.
38
 ОСНОВНЫЕ НАУЧНЫЕ ПУБЛИКАЦИИ
ПО ТЕМЕ ДИССЕРТАЦИОННОГО ИССЛЕДОВАНИЯ
- в изданиях, рекомендованных ВАК РФ:
1. Сагдатуллин, А.М. Автоматизация электропривода насосной станции
на основе многомерного нечеткого логического регулятора / А.И. Каяшев,
А.А. Емекеев, А.М. Сагдатуллин // Автоматизация, телемеханизация и связь в
нефтяной промышленности. – 2014. – № 4. – С. 30–34.
2. Сагдатуллин, А.М. Разработка математической модели системы авто-
матизации электропривода штанговой скважинной насосной установки /
А.М. Сагдатуллин // Территория Нефтегаз. – 2014. – № 4. – С. 12–17.
3. Сагдатуллин, А.М. Идентификация режимов работы и анализ состояния
скважинного оборудования на основе нейронной сети / А.М. Сагдатуллин // Га-
зовая промышленность. – 2014. № 6 (707). – С. 60–64.
4. Сагдатуллин, А.М. Моделирование работы интеллектуальной скважи-
ны на экспериментальном стенде / А.М. Сагдатуллин // Газовая промышлен-
ность. – 2014. Спец. вып. – № 2. Эксплуатация месторождений УВ на поздней
стадии разработки (708). – С. 107–110.
5. Сагдатуллин, А.М. Повышение эффективности разработки нефтегазо-
вых месторождений на основе интеллектуальных систем / А.М. Сагдатуллин //
Бурение и нефть. – 2014. – № 7-8. – С. 42–45.
6. Сагдатуллин, А.М. Разработка многомерного регулятора на базе
нечеткой логики для поддержания постоянства технологического процесса /
А.М. Сагдатуллин // Автоматизация, телемеханизация и связь в нефтяной про-
мышленности. – 2014. – № 7. – С. 35–40.
7. Сагдатуллин, А.М. Моделирование вариантов оптимизации для приня-
тия решений при контроле и управлении разработкой нефтегазового месторож-
дения / А.М. Сагдатуллин // Нефтепромысловое дело. – 2014. – № 8. – С. 32–35.
8. Сагдатуллин, А.М. Разработка интеллектуального регулятора для мно-
гомерного логического управления насосной станцией / А.М. Сагдатуллин //
Известия высших учебных заведений. Нефть и газ. – 2014. – № 4 (106). –
С. 107–111.
9. Сагдатуллин, А.М. Разработка схемы комплексной автоматизации
электропривода насосной станции / А.М. Сагдатуллин // Автоматизация и со-
временные технологии. – 2014. – № 09. – С. 3–6.
10. Сагдатуллин, А.М. Анализ и синтез структуры системы управления
электроприводом насоса процесса подготовки нефти / А.М. Сагдатуллин // Изве-
стия высших учебных заведений. Нефть и газ. – 2014. – № 6 (108). – С. 106–112.
11. Сагдатуллин, А.М. Системно-интегративный подход к автоматизации
процесса проектирования и контроля разработки нефтегазовых месторождений
39
/ А.М. Сагдатуллин, А.А. Емекеев, Е.А. Муравьева // Нефтяное хозяйство. –
2015. №3. – C. 92–95.
12. Сагдатуллин, А.М. Разработка математического программного ком-
плекса для имитационного моделирования электромеханической системы нефте-
и газотранспорта / А.М. Сагдатуллин // Газовая промышленность. – 2015. –
№ 4 (721). – С. 54–57.
13. Сагдатуллин, А.М. Разработка адаптивной нейросетевой системы
управления электроприводом нефтегазотранспортной магистрали / А.М. Сагда-
туллин // Бурение и нефть. – 2014. – № 7-8. – С. 38–41.
14. Сагдатуллин, А.М. Повышение эффективности управления дожимной
насосной станцией на основе многомерного нечеткого регулятора / А.М. Сагда-
туллин // Газовая промышленность. – 2015. – № 12 (731). – С. 92–96.
15. Сагдатуллин, А.М. Разработка и моделирование системы автоматиза-
ции и управления установки штангового скважинного насоса с приводом стан-
ком-качалкой / А.М. Сагдатуллин // Химическое и нефтегазовое машинострое-
ние. – 2016. – № 1. – С. 20–21.
16. Сагдатуллин, А.М. Идентификация процесса транспорта нефти первой
ступени сепарации на основе дискретного преобразования Лапласа и разработ-
ки линейной авторегрессионной модели / А.М. Сагдатуллин // Вестник КГТУ
им. А.Н. Туполева. – 2018. – № 4. – С. 203–207.
17. Сагдатуллин, А.М. Особенности функционирования и разработки ин-
формационной системы реального времени для управления технологическим
процессом нефтеподготовки / А.М. Сагдатуллин // Вестник КГТУ им. А.Н. Ту-
полева. – 2018. – № 4. – С. 208–212.
18. Сагдатуллин, А.М. Разработка математических моделей прогнозиро-
вания процессов добычи и транспорта нефти в условиях неопределенности /
Г.Л. Дегтярев, А.М. Сагдатуллин // Известия Санкт-Петербургского государ-
ственного технологического института (технического университета). – 2020. –
№ 54. – С. 71–75.
19. Сагдатуллин, А.М. Применение новой информационной модели при
обучении моделированию производственных объектов машиностроения в услови-
ях аддитивного производства / А.М. Сагдатуллин // Вестник КГТУ им. А.Н. Тупо-
лева. – 2020. – Т. 76. – № 1. – С. 94–98.
20. Сагдатуллин, А.М. Разработка операторского интерфейса удаленного
телеуправления для монитора реального времени заполнения смеси /
А.М. Сагдатуллин // Вестник КГТУ им. А.Н. Туполева. – 2020. – Т. 76. – № 1.
– С. 99–103.
21. Сагдатуллин, А.М. Разработка алгоритма улучшения качества изобра-
жений входного видеопотока для управления атомными транспортными сред-
40
ствами / А.М. Сагдатуллин, Р.А. Шамсутдинов // Интеллектуальные системы в
производстве. – 2021. – Т. 19. – № 2. – С. 90–95.
22. Сагдатуллин, А.М. Применение методов нечеткой логики и нейронных
сетей для автоматизации технологических процессов в нефтегазовом машино-
строении и повышения эффективности добычи нефти / А.М. Сагдатуллин // Ин-
теллектуальные системы в производстве. – 2021. – Т. 19. – № 2. – С. 83–89.
23. Сагдатуллин, А.М. Исследование возможности построения нейроне-
четкого логического регулятора с дискретными термами для управления и ав-
томатизации объектов нефтегазового машиностроения / А.М. Сагдатуллин //
Интеллектуальные системы в производстве. – 2021. – Т. 19. – № 3. – С. 105–110.
- в зарубежных рецензируемых изданиях, входящих в наукометриче-
ские базы WOS, SCOPUS и др.:
24. Sagdatullin, A.M. Development and Modeling of Automation and Control
System of Sucker-Rod Well Pump with Beam Drive // Chemical and Petroleum
Engineering, 2016 Improving the energy efficiency of oil production using identifica-
tion and prediction of operating modes of production wells based on data analysis
methods, machine learning and neural networks. E3S Web of Conferences, 2019,
124, 05031.
25. Sagdatullin, A.М. et al. Modelling of Fuzzy Control Modes for the Auto-
mated Pumping Station of the Oil and Gas Transportation System // IOP Conference
Series: Materials Science and Engineering, 2016.
26. Sagdatullin, A.M. et al. System-integrative approach to automation of the
oil and gas fields design and development control // Neftyanoe khozyaystvo - Oil
Industry. – 2015. – № 3. – Pp. 92–95.
27. Sagdatullin, A. Improving Automation Control Systems and Advantages of
the New Fuzzy Logic Approach to Object Real-Time Process Operation // 2019
Proceedings - 2019 1st International Conference on Control Systems, Mathematical
Modelling, Automation and Energy Efficiency, SUMMA 2019. 8947538. –
Рр. 256–260.
28. Sagdatullin, A. Development of an Intelligent Control System Based on a
Fuzzy Logic Controller for Multidimensional Control of a Pumping Station // 2020
Advances in Intelligent Systems and Computing 1127 AISC. – Рр. 76–85.
29. Sagdatullin, A.M. Development of a Start-up Model of a Submersible
Electric Motor When the Electric Centrifugal Pump is Installed and Set to Operating
Mode // 2019 Proceedings - 2019 1st International Conference on Control Systems,
Mathematical Modelling, Automation and Energy Efficiency, SUMMA 2019.
8947544. – Рр. 456–460.
30. Sagdatullin, A.M. Improving the energy efficiency of oil production using
identification and prediction of operating modes of production wells based on data
41
analysis methods, machine learning and neural networks // E3S Web of Conferences,
2019, 124, 05031.
31. Sagdatullin, А. Development of Mathematical Model and Technological
Process Flow Diagram of Delivery of Reagent in Initial Treatment of Oil Production of
Wells in Separator Tanks // Chemical and Petroleum Engineering, 2020, 55(11-12). –
Рр. 884–887.
32. Sagdatullin, A. Analysis of a Discrete Object Control of Oil and Gas Pumping
System under Uncertainty and Unfull Information Conditions // Proceedings - 2020
International Russian Automation Conference, RusAutoCon 2020, 2020. –
Рр. 405–409, 9208112.
33. Sagdatullin, A. Functioning and Development of a Real-Time Information
System for the Oil Treatment Technological Process Control // Proceedings - 2020
and International Conference on Control Systems, Mathematical Modeling, Automa-
tion and Energy Efficiency, SUMMA 2020, 2020. – Рр. 847–852, 9280577.
34. Sagdatullin, A., Degtyarev, G. Development of a Cyber-Physical Subsystem
for Support and Decision Making of Managing Oil Production and Transportation
Processes Under Uncertainty Conditions // Studies in Systems, Decision and Control,
2021, 342. – Рр. 145–154.
35. Sagdatullin, A. Study of the Energy Consumption of Borehole Systems
with Rod Pumps on the Basis of Simulation of an Automated Electromechanical Sys-
tem // Proceedings - 2021 3rd International Conference on Control Systems, Mathe-
matical Modeling, Automation and Energy Efficiency, SUMMA 2021, 2021. – Pp.
1075–1078.
36. Sagdatullin, A. Application of Fuzzy Logic and Neural Networks Methods
for Industry Automation of Technological Processes in Oil and Gas Engineering //
Proceedings - 2021 3rd International Conference on Control Systems, Mathematical
Modeling, Automation and Energy Efficiency, SUMMA 2021, 2021. – Pp. 715–718.
- патенты и свидетельства о регистрации программ для ЭВМ:
37. Пат. 2551139 Российская Федерация, МПК F04D 15/00 (2006.01),
F04D 13/12 (2006.01). Способ автоматизированного управления электроприво-
дом насосной станции / А.М. Сагдатуллин (Зиатдинов), А.А. Емекеев. –
№ 2013151899/06; заявл. 21.11.2013; опубл. 20.05.2015, Бюл. № 14. – 9 с.
38. Пат. 136504 Российская Федерация, МПК F04D 15/00 (2006.01). Схема
комплексной автоматизации электропривода насосной станции / А.М. Сагда-
туллин (Зиатдинов), А.А. Емекеев. – № 2013131974/07; заявл. 09.07.2013;
опубл. 10.01.2014, Бюл. № 1. – 2 с.
39. Пат. 140350 Российская Федерация, МПК H02P 1/58 (2006.01).
Устройство плавного пуска и регулирования режимов работы группы высоко-
вольтных асинхронных электродвигателей / А.М. Сагдатуллин (Зиатдинов),
42
А.И. Каяшев, А.А. Емекеев. – № 2013151910/07; заявл. 21.11.2013; опубл.
10.05.2014, Бюл. № 13. – 2 с.
40. Пат. 2579987 Российская Федерация, МПК С2 G05В 11/10 G05В 11/00
G05В 13/02 E05F 15/18. Адаптивный интеллектуальный логический регулятор,
работающий в условиях нечетко заданной информации / А.М. Сагдатуллин. –
№ 2014121436/08; заявл. 27.05.2014; опубл. 10.04.2016, Бюл. № 10. – 12 с.
41. Пат. 2596165 Российская Федерация, МПК H02P С2 1/26(2006.01),
H02P 3/24 (2006.01). Способ автоматического пуска и торможения электропри-
водов от автономного источника электрической энергии соизмеримой мощно-
сти / А.М. Сагдатуллин. – № 2014146133/07; заявл. 17.11.2014; опубл.
27.08.2016, Бюл. № 24. – 12 c.
42. Свидетельство № 2014619942 Российская Федерация. Система нечет-
кого логического управления динамическими объектами: свидетельство о гос.
рег. программы для ЭВМ / А.М. Сагдатуллин, А.А. Емекеев, С.О. Вахреев,
Ф.Р. Шакиров; зарег. 25.09.2014. – Москва: Роспатент, 2014.
43. Свидетельство № 2014619061 Российская Федерация. Адаптивный
пропорционально-интегрально-дифференциальный регулятор: свидетельство о
гос. рег. программы для ЭВМ / А.М. Сагдатуллин, А.А. Емекеев, С.О. Вахреев,
Ф.Р. Шакиров; зарег. 08.09.2014. – Москва: Роспатент, 2014.
44. Свидетельство № 2014615757 Российская Федерация. Система моде-
лирования производственных процессов управления высоковольтным асин-
хронным электродвигателем: свидетельство о гос. рег. программы для ЭВМ /
А.М. Сагдатуллин, А.И. Каяшев, А.А. Емекеев. Заявка № 2014612933; заявл.
04.04.2014; зарег. 02.06.2014. – Москва: Роспатент, 2014.
45. Свидетельство № 2014611769 Российская Федерация. Программа изу-
чения системы управления высоковольтным асинхронным электроприводом:
свидетельство о гос. рег. программы для ЭВМ / А.М. Сагдатуллин (Зиятдинов).
Заявка № 2013661500; заявл. 11.12.2013; зарег. 10.02.2014. – Москва: Роспатент,
2014.
46. Свидетельство № 2014617590 Российская Федерация. Система управ-
ления низковольтным асинхронным электродвигателем: свидетельство о гос. рег.
программы для ЭВМ / А.М. Сагдатуллин, А.И. Каяшев, А.А. Емекеев. Заявка
№ 2014613767; заявл. 28.04.2014; зарег. 28.07.2014. – Москва: Роспатент, 2014.
47. Свидетельство № 2014615448 Российская Федерация. Система изуче-
ния управления низковольтным асинхронным электроприводом: свидетельство
о гос. рег. программы для ЭВМ / А.М. Сагдатуллин, А.И. Каяшев, А.А. Емеке-
ев; зарег. 27.05.2014. – Москва: Роспатент, 2014.
48. Свидетельство № 2014616202 Российская Федерация. Нейросетевая
идентификация режимов работы скважинного оборудования станка-качалки на
43
основе анализа динамограмм: свидетельство о гос. рег. программы для ЭВМ /
А.М. Сагдатуллин; зарег. 16.06.2014. – Москва: Роспатент, 2014.
49. Свидетельство № 2014618025 Российская Федерация. Система вектор-
ного управления высоковольтным асинхронным электродвигателем: свидетель-
ство о гос. рег. программы для ЭВМ / А.М. Сагдатуллин, А.И. Каяшев,
А.А. Емекеев; Заявка № 2014612877; заявл. 03.04.2014; зарег. 07.08.2014. –
Москва: Роспатент, 2014.
50. Свидетельство № 2014619062 Российская Федерация. Система ин-
версного нейроуправления нечеткими динамическими объектами с обучаемым
в режиме реального времени нейроконтроллером: свидетельство о гос. рег. про-
граммы для ЭВМ / А.М. Сагдатуллин, А.А. Емекеев, С.О. Вахреев, Ф.Р. Шаки-
ров; зарег. 08.09.2014 г. – Москва: Роспатент, 2014.
51. Свидетельство № 2014612227 Российская Федерация. Система управ-
ления высоковольтным асинхронным электроприводом: свидетельство о гос. рег.
программы для ЭВМ / А.М. Сагдатуллин (Зиятдинов). Заявка № 2013662006;
заявл. 24.12.2013; зарег. 21.02.2014. – Москва: Роспатент, 2014. – 2 с.
52. Пат. 2608185 Российская Федерация, МПК С2 H02P27/04, H02P1/58,
H02P1/56. Устройство адаптивного управления плавным пуском высоковольт-
ных электроприводов / А.М. Сагдатуллин. – № 2015113574; заявл. 13.04.2015;
опубл. 17.01.2017, Бюл. № 2. – 2 с.
53. Пат. 2619003 Российская Федерация, МПК С, F04D 15/00 (2006.01),
F04D 13/10 (2006.01), E21B 43/12 (2006.01). Управляемая система скважинной по-
гружной электронасосной установки / А.М. Сагдатуллин, А.А. Емекеев, Р.Р. Ах-
метзянов. – № 2014146120; заявл. 17.11.2014; опубл. 11.05.2017, Бюл. № 14. – 1 с.
54. Свидетельство № 2021661413 Российская Федерация. Дистанционная
система управления бионическим роботизированным механизмом: свидетель-
ство о гос. рег. программы для ЭВМ / А.М. Сагдатуллин, Р.М. Гизатулин,
Л.В. Маркин; зарег. 09.06.2021. – Москва: Роспатент, 2021.
- монография:
55. Сагдатуллин, А.М. Разработка схем и алгоритмов многомерного не-
четкого логического управления нефтеперекачивающими насосными станция-
ми: монография / А.М. Сагдатуллин. – Казань: Изд-во КНИТУ-КАИ, 2019. –
236 с.

44