从油井产出的流体很少是单一的液体或是气态的碳氢化合物，大多为多相混合流。*简单的组成形式是一种天然气和油水的混合物。要计量油井的产量和分相含率，可采用分离计量的方式。混合流体经过气液分离后，利用成熟的单相流测量技术和相分率测量技术计量，因此计量的不确定度主要受气液分离程度的影响。基于此问题本文提出了利用涡街流量计和涡轮流量计的响应函数混合控制气液分离器。

１　工作原理

  涡街流量计是利用流体振动原理来进行流量测量的。即根据旋涡脱离旋涡发生体的频率与流量之间的关系来测量流量的仪表。而涡轮流量计属于叶轮式速度流量计的一种，其工作原理是：置于流体中的叶轮的旋转角速度与流体流速成正比，通过测量叶轮的旋转角速度就可以得到流体的流速，从而得到管道内的流量值。涡街流量计在计量气液两相流时，由于流体中含有气泡，使旋涡的脱落不稳定，也不易形成稳定的涡街，当含气率增大到一定程度时，将不能形成涡街。涡轮流量计在测量气液两相流时，由于气相比液相的速度高，所以测量结果增大。在气液分离时利用涡街流量计和涡轮流量计的响应函数来控制气液分离器将很好的减小测量的误差。但是以往的ＰＩＤ控制要取得较好的控制效果，就必须通过调整好比例、积分和微分三种控制作用，形成控制量中既相互配合又相互制约的关系，这种关系不一定是简单的“线性组合”，从变化无穷的非线性组合中可以找出非常好的的ＰＩＤ控制。神经网络所具有的任意非线性表达能力，可以通过对系统性能的学习来实现具有非常好的组合的ＰＩＤ控制。采用ＢＰ网络，可以建立，自学习的ＰＩＤ控制。所以利用基于ＢＰ神经网络的改进ＰＩＤ控制算法来控制气液分离器，可以达到混合流体的*计量。

  基于ＢＰ（Ｂａｃｋ　Ｐｒｏｐａｇａｔｉｏｎ）网络的ＰＩＤ控制系统结构如图１所示，控制器由两部分构成：①改进的ＰＩＤ控制器，直接对被控对象进行闭环控制，并且三个参数，为在线调整方式；②神经网络，根据系统的运行状态，调节ＰＩＤ控制器的参数，以期达到分离性能指标的*优化，使输出层神经元的输出状态对应于ＰＩＤ控制器的三个可调参数ｋｐ，ｋｉ，ｋｄ通过神经网络的自学习、加权系数调整，使神经网络输出对应于某种*优控制律下的ＰＩＤ控制器参数。

（２）采样得到ｒｉｎ（ｋ）和ｙｏｕｔ（ｋ），计算该时刻误差ｅｒｒｏｒ（ｋ）＝ｒｉｎ（ｋ）－ｙｏｕｔ（ｋ）；（３）计算神经网络ＮＮ各层神经元的输入、输出，ＮＮ输出层的输出即为ＰＩＤ控制器的三个可调参数ｋｐ，ｋｉ，ｋｄ；（４）根据式（１）计算ＰＩＤ控制器的输出ｕ（ｋ）；（５）进行神经网络学习，在线调整加权系数ｗ１ｉｊ和ｗ２ｌｉ（ｋ），实现ＰＩＤ控制参数的自适应调整；（６）置ｋ＝ｋ＋１，返回到（１）。

２　结论

  ①通过涡街流量计和涡轮流量计的响应函数来控制气液分离，可以实时监测调整，达到完全分离的目的。②基于ＢＰ网络的改进ＰＩＤ控制算法可以有效的实现对气液分离的实时控制。