流式计算在稠油热采锅炉运行趋势预警中的应用

赵春雪?阿迪力江·尼扎米丁?宋凤勇?周继伟

摘要：随着物联网的建设，自动化数据采集程度越来越高，充分利用自动采集数据，有效挖掘数据价值，是智能油田建设的一项重要内容。大数据流式计算主要用于对动态产生的数据进行实时计算并及时反馈结果。在数据的有效时间内获取其价值，是大数据流式计算的首要设计目标。结合大数据流式计算，充分利用数据时效性，在业务分析基础上建立预警模型，实现了稠油注蒸汽锅炉运行的趋势预警。

关键词：流式计算；锅炉运行；趋势预警

一、前言

随着物联网建设，风城油田已实现油田生产全流程关键节点集中监控、实时报警。围绕数据分析和深化应用的需求，以挖掘实时数据价值、实现智能报警分析为目标，风城油田建设了稠油生产趋势预警分析平台，开发了参数关联分析、工艺诊断建模、趋势预警等功能，为稠油生产异常趋势预警提供软件手段[1-2]。

稠油热采工艺要求稳定提供高品质的蒸汽，注汽锅炉是产生所需蒸汽的关键设备。锅炉长期处于高温高压下工作，安全问题是生产过程中的首要问题。为保障锅炉安全平稳运行，必须对锅炉运行过程进行有效监测，并进行安全预警分析。目前在运行的稠油生产远程监控系统，已实现实时参数监测和基础的阈值报警，可以发现锅炉运行的部分故障，但对锅炉全面生产预警和工况分析还不够[3]。

本文在常规阈值报警基础上，应用趋势预警分析平台，进行趋势预警和多参数模型分析，可以有效辅助技术人员开展工况分析，及时发现风险隐患，使报警模式由事后报警改为事前预警，减少生产异常的发生[4-5]。

二、流式计算简介

目前常用的大数据计算模式包括批计算和流式计算。批计算，是统一收集数据并存储到数据库中，然后对数据进行批量处理的数据计算方式。流式计算，顾名思义，就是对数据流进行处理，是实时计算。数据流是指在时间分布和数量上无限的一系列动态数据集合体，数据的价值随着时间的流逝而降低，因此必须实时计算给出秒级响应。

流式计算能做到数据随到随处理，有效降低了处理延时，比较适用于时效性要求高、持续性计算分析的应用场景，如用于对动态产生的数据进行实时计算并及时反馈结果的报警场景。流式计算能够很好地对大规模流动数据在不断变化的运动过程中进行实时分析，捕捉到可能有用的信息，并把结果发送到下一计算节点。在该过程中可重点完善的内容包括提升单个流的可复用性、提高流的并行计算能力及数量。

三、趋势预警分析平台

（一）基础平台

本平台采用分布式流计算机制，直接对接天行实时数据库获取实时数据，对连续采集的生产数据进行实时计算分析，实时分析数据量可达百万级，确保数据分析延迟低、计算速度快、可靠性高。在实际应用过程中，结合业务应用场景，可为用户提供实时数据计算与生产异常报警服务。平台支持流计算与批量计算两种处理机制，高吞吐、低延时，支持多源数据对接，主要包括流计算引擎、批量计算引擎、模型配置管理、计算任务管理、报警管理、客户端定制功能。平台采用的低延时、流批一体引擎，能够支撑足够大体量的复杂计算，完全符合CEP（复杂事件处理）理念，弥补传统生产监控系统报警手段单一、复杂问题无法及时发现的不足。

基于Flink流式计算框架研发的流计算引擎，耦合了复杂预警模型规则，可以实现对连续采集的生产数据进行实时分析，确保了数据分析延迟低、计算速度快、可靠性高，在更短的时间内挖掘数据中的价值。

通过开发流式计算引擎，建立可视化模型配置管理，开发实时报警管理功能，搭建了流计算趋势预警平台。

（二）可视化配置

1.诊断模型可视化

在模型运行调试阶段常见的一个问题是模型的修改及更新非常耗时且更新周期较长，从而导致模型改进完善工作效率低下，无法通过快速迭代方式建立行之有效的诊断模型，系统运行效果大打折扣。根据实际生产需求，开发常用模型算法的可视化定制功能。

在实际分析时，首先，基于业务分析总结诊断模型涉及哪些计算方法；其次，对计算方法进行拆分，提取共性内容，建立具有通用性的系统模型，比如上升趋势、下降趋势、多参数对比等；最后，基于系统模型，以界面交互方式构建适用于不同生产工艺环节的专属业务模型，建立诊断模型库。

2.诊断任务可视化

基于构建的业务模型，按照实际生产监控管理需要，配置每个监测对象的诊断任务，支持诊断任务的数据源接入、诊断模型接入，灵活设置是否预警生效、是否预警自动推送、报警级别、预警处置建议。

（三）应用流程

基于平台，配置预警模型，进行报警的应用流程如下：

1.定义模型基本属性

基础属性包括：模型名称、报警计算点数、消警计算点数、输入流个数、模型类型（模型分类管理的结构树）、模型子类型、模型严重等级、模型内容描述、输入流名称定义、触发流规则设置等信息。

2.设置报警规则

系统引入了表达式来定义模型规则，提供了点表达式、列表达式、自定义表达式三种报警规则的单独或组合设置，其中点表达式、列表达式均内置了一系列常规运算函数，可满足大部分计算规则的配置。除基础的四则运算、最大/最小值、平均值外，还支持递增、递减、是否恒值等特殊函数。用户还以通过Grovy自定义脚本实现。通过模型定义，不仅可以实现单参数趋势报警，也可以实现多参数综合报警。

系统还支持定义多个报警模型，模型之间是“或”的关系，即满足其中一个模型规则时，都会报警。

（1）设置消警规则

如果未定义消警模型，则在报警情况下，下一次计算结果不满足报警条件时，则自动消警；如果定义了消警模型，则在报警情况下，以消警模型规则判断消警时机。

（2）模型生成及部署

上述内容设置完成后，点击“提交”即可完成新模型的定制，生成的新模型可通过“部署”“停止”等操作实现在服务端的应用。系统采用了热部署机制，模型修改后，直接部署，无需重启服务，由支持技术人员自行调试模型。

在模型配置过程中，系统考虑了完善的容错处理机制：当服务端模型运行状态设置无效时，可通过重置操作将状态初始化；在模型规则设置时，系统提供了运算规则合法性检查机制。

（3）模型测试

为方便用户对创建的模型进行测试，验证模型设置结果是否符合预期，系统提供了模型调试的功能。在生成测试数据时，支持按多种方式模拟数据，包括等步长数据自动生成、指定数据范围内随机生成或人为设定数据，以验证不同场景模型正确性。

（四）数据处理

在流式计算应用过程中，需要考虑以下情况的数据处理：

1.数据对齐

在多参数预警时，来自不同传感器的数据会存在采集周期和采集时间不一致的情况，需要考虑如何根据某一时间点将各个数据对齐。平台提供了设置触发流、参数分组等功能，避免数据错位和无效计算。

2.数据预计算

在有些报警模型中，需要用到非直接采集的数据，如通过多个采集参数计算得到的新参数值作为规则输入值；在有些预警模型中，还存在复杂的前置条件，需要根据判断结果，建立预警规则。针对这些场景，平台提供了自定义流功能，支持将计算或判断值作为虚拟数据流作为预警模型的输入。

3.异常数据过滤

一方面，系统在实时数据计算过程中，针对空数据、无效数据，自动进行过滤处理，避免了造成运算错误；另一方面，系统提供了多个数据过滤相关函数，可以设定数据范围。

四、稠油注汽锅炉预警模型

稠油热采锅炉是在开采高密度、高粘度的稠油过程中，为油井注入蒸汽的专用锅炉，又称为注汽锅炉或湿蒸汽发生器。锅炉的主体结构主要由辐射段、过渡段、对流段以及给水换热器等部分组成。锅炉运行过程复杂，根据锅炉构造组成以及生产过程监测的要求，现场监测的锅炉特性参数众多，以过热锅炉为例，目前采集到的参数有80余项，包括锅炉在各个运行区段的温度、压力、湿度、流量等参数。

在趋势预警分析平台中，创建、部署锅炉预警模型，可以及时发现锅炉异常[6]。通过分析和验证的模型见表1。

五、模型应用

以锅炉压降上升分析为例。

根据一段时间内锅炉压降（包括对流段、过热段、辐射段）的变化幅度，确定是否存在锅炉炉管结垢等问题。通过判断诊断，将锅炉压降异常变化情况提供给技术员，帮助技术人员结合其他数据和经验进行深入诊断和决策。

诊断规则：

锅炉平稳运行时，连续30min，压降上升0.3MPa。

诊断流程：

1.累积连续2小时火焰信号数据（默认数据采集频率为1个/分钟）。

2.判断火焰信号情况：若火焰信号一直为0，则不进行压降变化趋势判断；若火焰信号由0变为1，则将0变为1作为起始点，2小时后开始累积压降数据，压降数据累积连续30min后，进行步骤3；若火焰信号一直为1，则直接开始累积连续30min压降数据，进行步骤3计算。

3.将30min压力数据分为两部分：第一部分为前15分钟数据（即前15个数据），求取第一部分数据平均值P1；第二部分为后15分钟数据（即后15个数据），求取第二部分数据平均值P2。

4.判断压力变化趋势：若△P=P1-P2≥0.3MPa，则输出一条记录，水处理管汇压力下降过快；若△P=P1-P2＜0.3MPa，则判断为正常。

5.持续累积连续30min（2min-31min，3min-32min，4min-33min，……）压力数据，重复第2、第3步骤，计算△P。

6.若△P连续5次大于0.3MPa，则达到报警触发条件，程序向客户端推送“#锅炉压降上升”报警信息，当△P不满足连续5次大于0.3MPa时，停止报警。

输入数据（来源）：

火焰信号、压降，来源实时数据平台

输出结果

结果：是否上升。

生产数据变化情况曲线图。

详细诊断依据。

算法应用情况如表2所示。

该算法前期为单参数趋势算法，受锅炉点停炉影响，报警准确率仅为50%左右。现加入火焰信号辅助判断，并排除点炉2小时内数据，有效提高了算法准确性。该算法采用平均值计算，可以在一定程度上减少数据跳变的影响，但是具有一定的延迟率，延迟时间约5—15分钟。经过测试，数据上升越快，延迟时间越短。此外，该算法还受到数据信号中断影响，会产生误报警，需要进一步优化。

通过对比连续120min的模型，发现30min模型报警及时性更好。

六、结语

应用流式计算方法，基于汽水分离器液位、火量、水量、天然气流量、蒸汽温度、蒸汽压力等关键参数，建立锅炉运行工况模型，实时判断锅炉运行状态，提示管理人员及时调整锅炉运行，降低锅炉故障运行时率，提高蒸汽出口质量。在此基础上，后续还可以结合批计算方法，基于监测参数，建立仪器仪表故障诊断模型，提早查找风险点和隐患点，以采取整改措施及时排除。

参考文献

[1]孙大为，张广艳，郑维民.大数据流式计算：关键技术及系统实例[J].软件学报.2014，25（4）：839-863.

[2]孙大为.大数据流式计算：应用特征和技术挑战[J].大数据.2015，1（3）：99-105.

[3]余卫军，樊新平，缪永强.浅析稠油热采注汽锅炉的维护与保养[J].中国石油和化工标准与质量，2012，33（16）：265.

[4]刘敬东，孙彦辉，高国忠.基于数据的油田生产过程中的多故障诊断方法的研究[J].硅谷，2014，7（14）：94-95.

[5]樊虹.工业过程报警的关联规则挖掘方法及应用[D].北京：北京化工大学，2016.

[6]杨越.基于物联网大数据的油田注汽锅炉停炉原因分析研究[J].信息系统工程，2020，321（9）：123-124.