趙春雪?阿迪力江·尼扎米丁?宋鳳勇?周繼偉

摘要：隨著物聯(lián)網(wǎng)的建設，自動化數(shù)據(jù)采集程度越來越高，充分利用自動采集數(shù)據(jù)，有效挖掘數(shù)據(jù)價值，是智能油田建設的一項重要內(nèi)容。大數(shù)據(jù)流式計算主要用于對動態(tài)產(chǎn)生的數(shù)據(jù)進行實時計算并及時反饋結果。在數(shù)據(jù)的有效時間內(nèi)獲取其價值，是大數(shù)據(jù)流式計算的首要設計目標。結合大數(shù)據(jù)流式計算，充分利用數(shù)據(jù)時效性，在業(yè)務分析基礎上建立預警模型，實現(xiàn)了稠油注蒸汽鍋爐運行的趨勢預警。

關鍵詞：流式計算；鍋爐運行；趨勢預警

一、前言

隨著物聯(lián)網(wǎng)建設，風城油田已實現(xiàn)油田生產(chǎn)全流程關鍵節(jié)點集中監(jiān)控、實時報警。圍繞數(shù)據(jù)分析和深化應用的需求，以挖掘實時數(shù)據(jù)價值、實現(xiàn)智能報警分析為目標，風城油田建設了稠油生產(chǎn)趨勢預警分析平臺，開發(fā)了參數(shù)關聯(lián)分析、工藝診斷建模、趨勢預警等功能，為稠油生產(chǎn)異常趨勢預警提供軟件手段[1-2]。

稠油熱采工藝要求穩(wěn)定提供高品質的蒸汽，注汽鍋爐是產(chǎn)生所需蒸汽的關鍵設備。鍋爐長期處于高溫高壓下工作，安全問題是生產(chǎn)過程中的首要問題。為保障鍋爐安全平穩(wěn)運行，必須對鍋爐運行過程進行有效監(jiān)測，并進行安全預警分析。目前在運行的稠油生產(chǎn)遠程監(jiān)控系統(tǒng)，已實現(xiàn)實時參數(shù)監(jiān)測和基礎的閾值報警，可以發(fā)現(xiàn)鍋爐運行的部分故障，但對鍋爐全面生產(chǎn)預警和工況分析還不夠[3]。

本文在常規(guī)閾值報警基礎上，應用趨勢預警分析平臺，進行趨勢預警和多參數(shù)模型分析，可以有效輔助技術人員開展工況分析，及時發(fā)現(xiàn)風險隱患，使報警模式由事后報警改為事前預警，減少生產(chǎn)異常的發(fā)生[4-5]。

二、流式計算簡介

目前常用的大數(shù)據(jù)計算模式包括批計算和流式計算。批計算，是統(tǒng)一收集數(shù)據(jù)并存儲到數(shù)據(jù)庫中，然后對數(shù)據(jù)進行批量處理的數(shù)據(jù)計算方式。流式計算，顧名思義，就是對數(shù)據(jù)流進行處理，是實時計算。數(shù)據(jù)流是指在時間分布和數(shù)量上無限的一系列動態(tài)數(shù)據(jù)集合體，數(shù)據(jù)的價值隨著時間的流逝而降低，因此必須實時計算給出秒級響應。

流式計算能做到數(shù)據(jù)隨到隨處理，有效降低了處理延時，比較適用于時效性要求高、持續(xù)性計算分析的應用場景，如用于對動態(tài)產(chǎn)生的數(shù)據(jù)進行實時計算并及時反饋結果的報警場景。流式計算能夠很好地對大規(guī)模流動數(shù)據(jù)在不斷變化的運動過程中進行實時分析，捕捉到可能有用的信息，并把結果發(fā)送到下一計算節(jié)點。在該過程中可重點完善的內(nèi)容包括提升單個流的可復用性、提高流的并行計算能力及數(shù)量。

三、趨勢預警分析平臺

（一）基礎平臺

本平臺采用分布式流計算機制，直接對接天行實時數(shù)據(jù)庫獲取實時數(shù)據(jù)，對連續(xù)采集的生產(chǎn)數(shù)據(jù)進行實時計算分析，實時分析數(shù)據(jù)量可達百萬級，確保數(shù)據(jù)分析延遲低、計算速度快、可靠性高。在實際應用過程中，結合業(yè)務應用場景，可為用戶提供實時數(shù)據(jù)計算與生產(chǎn)異常報警服務。平臺支持流計算與批量計算兩種處理機制，高吞吐、低延時，支持多源數(shù)據(jù)對接，主要包括流計算引擎、批量計算引擎、模型配置管理、計算任務管理、報警管理、客戶端定制功能。平臺采用的低延時、流批一體引擎，能夠支撐足夠大體量的復雜計算，完全符合CEP（復雜事件處理）理念，彌補傳統(tǒng)生產(chǎn)監(jiān)控系統(tǒng)報警手段單一、復雜問題無法及時發(fā)現(xiàn)的不足。

基于Flink流式計算框架研發(fā)的流計算引擎，耦合了復雜預警模型規(guī)則，可以實現(xiàn)對連續(xù)采集的生產(chǎn)數(shù)據(jù)進行實時分析，確保了數(shù)據(jù)分析延遲低、計算速度快、可靠性高，在更短的時間內(nèi)挖掘數(shù)據(jù)中的價值。

通過開發(fā)流式計算引擎，建立可視化模型配置管理，開發(fā)實時報警管理功能，搭建了流計算趨勢預警平臺。

（二）可視化配置

1.診斷模型可視化

在模型運行調試階段常見的一個問題是模型的修改及更新非常耗時且更新周期較長，從而導致模型改進完善工作效率低下，無法通過快速迭代方式建立行之有效的診斷模型，系統(tǒng)運行效果大打折扣。根據(jù)實際生產(chǎn)需求，開發(fā)常用模型算法的可視化定制功能。

在實際分析時，首先，基于業(yè)務分析總結診斷模型涉及哪些計算方法；其次，對計算方法進行拆分，提取共性內(nèi)容，建立具有通用性的系統(tǒng)模型，比如上升趨勢、下降趨勢、多參數(shù)對比等；最后，基于系統(tǒng)模型，以界面交互方式構建適用于不同生產(chǎn)工藝環(huán)節(jié)的專屬業(yè)務模型，建立診斷模型庫。

2.診斷任務可視化

基于構建的業(yè)務模型，按照實際生產(chǎn)監(jiān)控管理需要，配置每個監(jiān)測對象的診斷任務，支持診斷任務的數(shù)據(jù)源接入、診斷模型接入，靈活設置是否預警生效、是否預警自動推送、報警級別、預警處置建議。

（三）應用流程

基于平臺，配置預警模型，進行報警的應用流程如下：

1.定義模型基本屬性

基礎屬性包括：模型名稱、報警計算點數(shù)、消警計算點數(shù)、輸入流個數(shù)、模型類型（模型分類管理的結構樹）、模型子類型、模型嚴重等級、模型內(nèi)容描述、輸入流名稱定義、觸發(fā)流規(guī)則設置等信息。

2.設置報警規(guī)則

系統(tǒng)引入了表達式來定義模型規(guī)則，提供了點表達式、列表達式、自定義表達式三種報警規(guī)則的單獨或組合設置，其中點表達式、列表達式均內(nèi)置了一系列常規(guī)運算函數(shù)，可滿足大部分計算規(guī)則的配置。除基礎的四則運算、最大/最小值、平均值外，還支持遞增、遞減、是否恒值等特殊函數(shù)。用戶還以通過Grovy自定義腳本實現(xiàn)。通過模型定義，不僅可以實現(xiàn)單參數(shù)趨勢報警，也可以實現(xiàn)多參數(shù)綜合報警。

系統(tǒng)還支持定義多個報警模型，模型之間是“或”的關系，即滿足其中一個模型規(guī)則時，都會報警。

（1）設置消警規(guī)則

如果未定義消警模型，則在報警情況下，下一次計算結果不滿足報警條件時，則自動消警；如果定義了消警模型，則在報警情況下，以消警模型規(guī)則判斷消警時機。

（2）模型生成及部署

上述內(nèi)容設置完成后，點擊“提交”即可完成新模型的定制，生成的新模型可通過“部署”“停止”等操作實現(xiàn)在服務端的應用。系統(tǒng)采用了熱部署機制，模型修改后，直接部署，無需重啟服務，由支持技術人員自行調試模型。

在模型配置過程中，系統(tǒng)考慮了完善的容錯處理機制：當服務端模型運行狀態(tài)設置無效時，可通過重置操作將狀態(tài)初始化；在模型規(guī)則設置時，系統(tǒng)提供了運算規(guī)則合法性檢查機制。

（3）模型測試

為方便用戶對創(chuàng)建的模型進行測試，驗證模型設置結果是否符合預期，系統(tǒng)提供了模型調試的功能。在生成測試數(shù)據(jù)時，支持按多種方式模擬數(shù)據(jù)，包括等步長數(shù)據(jù)自動生成、指定數(shù)據(jù)范圍內(nèi)隨機生成或人為設定數(shù)據(jù)，以驗證不同場景模型正確性。

（四）數(shù)據(jù)處理

在流式計算應用過程中，需要考慮以下情況的數(shù)據(jù)處理：

1.數(shù)據(jù)對齊

在多參數(shù)預警時，來自不同傳感器的數(shù)據(jù)會存在采集周期和采集時間不一致的情況，需要考慮如何根據(jù)某一時間點將各個數(shù)據(jù)對齊。平臺提供了設置觸發(fā)流、參數(shù)分組等功能，避免數(shù)據(jù)錯位和無效計算。

2.數(shù)據(jù)預計算

在有些報警模型中，需要用到非直接采集的數(shù)據(jù)，如通過多個采集參數(shù)計算得到的新參數(shù)值作為規(guī)則輸入值；在有些預警模型中，還存在復雜的前置條件，需要根據(jù)判斷結果，建立預警規(guī)則。針對這些場景，平臺提供了自定義流功能，支持將計算或判斷值作為虛擬數(shù)據(jù)流作為預警模型的輸入。

3.異常數(shù)據(jù)過濾

一方面，系統(tǒng)在實時數(shù)據(jù)計算過程中，針對空數(shù)據(jù)、無效數(shù)據(jù)，自動進行過濾處理，避免了造成運算錯誤；另一方面，系統(tǒng)提供了多個數(shù)據(jù)過濾相關函數(shù)，可以設定數(shù)據(jù)范圍。

四、稠油注汽鍋爐預警模型

稠油熱采鍋爐是在開采高密度、高粘度的稠油過程中，為油井注入蒸汽的專用鍋爐，又稱為注汽鍋爐或濕蒸汽發(fā)生器。鍋爐的主體結構主要由輻射段、過渡段、對流段以及給水換熱器等部分組成。鍋爐運行過程復雜，根據(jù)鍋爐構造組成以及生產(chǎn)過程監(jiān)測的要求，現(xiàn)場監(jiān)測的鍋爐特性參數(shù)眾多，以過熱鍋爐為例，目前采集到的參數(shù)有80余項，包括鍋爐在各個運行區(qū)段的溫度、壓力、濕度、流量等參數(shù)。

在趨勢預警分析平臺中，創(chuàng)建、部署鍋爐預警模型，可以及時發(fā)現(xiàn)鍋爐異常[6]。通過分析和驗證的模型見表1。

五、模型應用

以鍋爐壓降上升分析為例。

根據(jù)一段時間內(nèi)鍋爐壓降（包括對流段、過熱段、輻射段）的變化幅度，確定是否存在鍋爐爐管結垢等問題。通過判斷診斷，將鍋爐壓降異常變化情況提供給技術員，幫助技術人員結合其他數(shù)據(jù)和經(jīng)驗進行深入診斷和決策。

診斷規(guī)則：

鍋爐平穩(wěn)運行時，連續(xù)30min，壓降上升0.3MPa。

診斷流程：

1.累積連續(xù)2小時火焰信號數(shù)據(jù)（默認數(shù)據(jù)采集頻率為1個/分鐘）。

2.判斷火焰信號情況：若火焰信號一直為0，則不進行壓降變化趨勢判斷；若火焰信號由0變?yōu)?，則將0變?yōu)?作為起始點，2小時后開始累積壓降數(shù)據(jù)，壓降數(shù)據(jù)累積連續(xù)30min后，進行步驟3；若火焰信號一直為1，則直接開始累積連續(xù)30min壓降數(shù)據(jù)，進行步驟3計算。

3.將30min壓力數(shù)據(jù)分為兩部分：第一部分為前15分鐘數(shù)據(jù)（即前15個數(shù)據(jù)），求取第一部分數(shù)據(jù)平均值P1；第二部分為后15分鐘數(shù)據(jù)（即后15個數(shù)據(jù)），求取第二部分數(shù)據(jù)平均值P2。

4.判斷壓力變化趨勢：若△P=P1-P2≥0.3MPa，則輸出一條記錄，水處理管匯壓力下降過快；若△P=P1-P2＜0.3MPa，則判斷為正常。

5.持續(xù)累積連續(xù)30min（2min-31min，3min-32min，4min-33min，……）壓力數(shù)據(jù)，重復第2、第3步驟，計算△P。

6.若△P連續(xù)5次大于0.3MPa，則達到報警觸發(fā)條件，程序向客戶端推送“#鍋爐壓降上升”報警信息，當△P不滿足連續(xù)5次大于0.3MPa時，停止報警。

輸入數(shù)據(jù)（來源）：

火焰信號、壓降，來源實時數(shù)據(jù)平臺

輸出結果

結果：是否上升。

生產(chǎn)數(shù)據(jù)變化情況曲線圖。

詳細診斷依據(jù)。

算法應用情況如表2所示。

該算法前期為單參數(shù)趨勢算法，受鍋爐點停爐影響，報警準確率僅為50%左右?，F(xiàn)加入火焰信號輔助判斷，并排除點爐2小時內(nèi)數(shù)據(jù)，有效提高了算法準確性。該算法采用平均值計算，可以在一定程度上減少數(shù)據(jù)跳變的影響，但是具有一定的延遲率，延遲時間約5—15分鐘。經(jīng)過測試，數(shù)據(jù)上升越快，延遲時間越短。此外，該算法還受到數(shù)據(jù)信號中斷影響，會產(chǎn)生誤報警，需要進一步優(yōu)化。

通過對比連續(xù)120min的模型，發(fā)現(xiàn)30min模型報警及時性更好。

六、結語

應用流式計算方法，基于汽水分離器液位、火量、水量、天然氣流量、蒸汽溫度、蒸汽壓力等關鍵參數(shù)，建立鍋爐運行工況模型，實時判斷鍋爐運行狀態(tài)，提示管理人員及時調整鍋爐運行，降低鍋爐故障運行時率，提高蒸汽出口質量。在此基礎上，后續(xù)還可以結合批計算方法，基于監(jiān)測參數(shù)，建立儀器儀表故障診斷模型，提早查找風險點和隱患點，以采取整改措施及時排除。

參考文獻

[1]孫大為，張廣艷，鄭維民.大數(shù)據(jù)流式計算：關鍵技術及系統(tǒng)實例[J].軟件學報.2014，25（4）：839-863.

[2]孫大為.大數(shù)據(jù)流式計算：應用特征和技術挑戰(zhàn)[J].大數(shù)據(jù).2015，1（3）：99-105.

[3]余衛(wèi)軍，樊新平，繆永強.淺析稠油熱采注汽鍋爐的維護與保養(yǎng)[J].中國石油和化工標準與質量，2012，33（16）：265.

[4]劉敬東，孫彥輝，高國忠.基于數(shù)據(jù)的油田生產(chǎn)過程中的多故障診斷方法的研究[J].硅谷，2014，7（14）：94-95.

[5]樊虹.工業(yè)過程報警的關聯(lián)規(guī)則挖掘方法及應用[D].北京：北京化工大學，2016.

[6]楊越.基于物聯(lián)網(wǎng)大數(shù)據(jù)的油田注汽鍋爐停爐原因分析研究[J].信息系統(tǒng)工程，2020，321（9）：123-124.