★ 中国石油长庆油田分公司页岩油开发分公司 贾志鹏 

★ 中国石油长庆油田分公司第一采油厂 崔强

★ 中国石油长庆油田分公司页岩油开发分公司 周婷，余杰，赵一帆

1引言

目前，油气行业正处于数字化转型、智能化发展阶段，油气生产业务需要进行全业务融合和智能化水平提升，实现生产工况诊断、功图量液、合规监测，引入边缘计算，促进油气生产现场远程操控水平的提升。通过油气行业多层闭环管理系统，在优化生产流程、优化组织结构、提高生产效率、提升管理水平、减轻一线员工劳动强度、降低安全风险等方面取得了显著效果，极大地促进了石油行业油气生产物联网系统的发展。

在油气行业多层闭环管理系统总体框架下，紧密结合工业物联网平台发展思路和技术发展趋势，重点结合油气生产业务领域的实际需求，形成了基于工业领域的云端部署的大数据平台软件；该平台完全基于B/S的架构设计，通过物联网、云计算等技术，提供设备接入、控制系统运行监控、设备资产管理等一站式服务，实现统一的数据采集、存储、计算、显示和共享，搭建以设备运行和管理为核心的设备监控、设备管理、设备运维等系统，支撑物联网平台应用的构建和快速上线。

在油气行业多层闭环管理系统的框架下，依托云端部署的大数据平台软件，对边缘计算产品性能进行提升。边缘计算与感知智能息息相关，大量的感知特征需要通过海量终端来获取数据，并且需要前端进行预处理，进而再回传结论性的数据到后端。

智能远程终端装置（SmartRemoteTerminalUnit，智能RTU）作为边缘计算前端设备，集成了边缘计算算法，对油田的生产工况诊断、能耗分析、数据预测、无人化管理做有力支撑。通过智能RTU可以打开物联网应用的钥匙；智能RTU前置的数据处理模型，是解决海量数据处理的又一新型计算模型，是人工智能的神经末梢，因此智能RTU在具体实现“数字化智能化油田”进程中，将发挥其重要的作用。

智能RTU集成了边缘计算的数据处理模型，是边缘计算在油田现场的应用载体。因此本文中的应用场景与实践主要是针对智能RTU在工况诊断、液量计量和合规监测等方面的阐述和分析。

2边缘计算

边缘计算，是指在靠近物或数据源头的一侧，采用网络、计算、存储、应用核心能力为一体的开放平台，就近提供最近端服务。边缘计算涉足通信技术、运营技术、信息技术多个领域，与网络联接、数据聚合、芯片、传感、行业应用等多个产业链有着交叉和融合。随着各个产业链技术的发展与提升，边缘计算发展也将进入关键阶段。

掌握数据挖掘系统及算法，做到事半功倍，少走弯路，同时加强与石油专业知识相结合，探寻适合油田开发领域数据挖掘方法，实现数字油田“让数字说话，听数据指挥”智能化管理。

本文边缘计算涉及了三方面的算法和技术：功图诊断、功图量液、合规监测。

随着油气行业智能化技术的快速发展，智能化油田技术也成为采油工程界的研究热点，抽油机井的工况诊断、功图量液和合规监测也日益在采油行业受到重视。

抽油机井示功图作为获取抽油机井工作状况的一个重要手段，在国内外油田得到广泛应用，同时对示功图测量方法的研究依然是重要的研究课题。经过长期探索研究，示功图测量技术已取得很大的进展。

工况诊断和功图量液智能算法则是基于先进的示功图测量技术，利用专家系统，通过对抽油机井电机功率曲线的分析，结合电机的电压、电流、转速、功率因数等参数，实现对抽油机系统的工况进行诊断和液量计量。

工况诊断和功图量液智能算法是一种兼顾井上电机的电压、电流、转速、功率因数等参数与井下抽油泵的运行工况参数的综合方法，分析抽油机井电机的运行原理和抽油机系统的能耗，建立电参数与井下供液情况、抽油泵运行参数的数学模型。根据抽油机系统的能耗与电机的工作原理，对产液量、泵效、平衡度、电机利用率等分析，建立抽油机井工况的特征值的数学模型。如图1所示。

图1 智能算法模型诊断计量流程图

在合规检测方面，为了可靠且高效地处理大规模的视频流数据，使用堆视频流实时分析算法，涉及工服检测算法、安全帽佩戴检测算法、烟雾检测算法、人员跌倒检测算法、外来人员识别算法、车辆识别算法等，需要有一个可扩展、能容错、松耦合的系统，使用开源的技术来构建这样的系统，该系统包含了三个主要的组件：视频流收集器、流数据缓冲以及视频流处理器。

3智能RTU功能特点

油气生产现场以智能RTU为中心，智能RTU是油气行业设备智能化的关键。智能RTU集成了工况诊断、功图量液、合规监测等智能算法模型，通过示功图完成对井站内每口井的工况进行分析、计量与监测，并根据油井工况给出调节建议。数据的传输、分析、处理与存储对网络带宽提出了巨大的挑战，而智能RTU的边缘计算能力，为解决这一问题提供了必要的技术手段。把大量的数据传输到云计算中心去处理，将导致数据处理的不及时，在油气行业VR/AR等要求可靠性、实时性比较高的应用场景下。

智能RTU作为油气生产数字化转型的关键设备，是油气生产信息与业务分析的桥梁。设备通用性强，支持Tensorflow、Pytorch、Caffe等深度学习平台；采用工业级设计，适用于宽温环境。

智能RTU基于算力资源，自身可以完成部分，甚至全部处理任务，无需立刻回传到云端进行处理，而是有进一步处理需求后，才进行数据的回传。因此，智能RTU可以分担云计算部分处理任务，开启“云网端智”四位一体的处理模式，能够实现就地采集、智能AI分析、状态上传，有效减少网络负载，降低数据时延，提升数据价值。

主要具有以下功能特点：

（1）采用四核ARMCortex-A57高性能处理器，支持RS232、RS485、CAN、USB、以太网、ZigBee和4G等通信接口；

（2）集成128核Maxwell架构NVIDIA图形处理器，可提供3TFlops的AI算力支持，支持Tensorflow、Caffe、Pytorch等AI计算框架；

（3）支持ModbusRTU、ModbusTCP和MQTT等通讯协议。

支持基于CAN总线的I/OBUS数据扩展协议，可添加模拟量、开关量和脉冲量等扩展板卡；

（4）支持IEC61131-3标准的二次开发平台，可支持IL、ST、LD、FBD和SFC共5种标准编程语言；

（5）工业级环境适应能力，一体化、无风扇设计，工作温度达-40~+70℃。

智能RTU应用系统结构图如图2所示。

图2智能RTU应用系统结构图

4应用场景与实践

依托云端部署的大数据平台软件，基于油井生产整体优化技术，在边缘计算算法的基础上实现油井液量的实时在线计量。

智能RTU可以应用在石油产业链的每个环节，在油气生产过程中，典型应用实践场景包含功图诊断、功图量液、合规监测。

4.1工况诊断

在油气生产功图诊断方面，智能RTU结合边缘计算算法和技术，建立抽油机井况的数学模型，通过专家系统实现对油井生产工况的分析与判断。

（1）智能RTU通过对每一口井的功图信息采用算法模型进行诊断，可诊断出油井的工况信息，根据诊断出的工况给出合理的建议。智能RTU可对诊断过的功图及诊断结果进行保存，云端部署的大数据平台软件可通过API查阅历史功图。

（2）工况诊断和预测：抽油机井工况复杂多样，工况的变化和趋势都会通过井上抽油机电机功率曲线和井下抽油泵工作参数变化体现，通过井上电机的电压、电流、转速、功率因数等参数与井下抽油泵的运行工况参数的综合方法，分析、诊断和预测抽油机井的开关状态、通讯状态、特征参数及曲线。智能RTU对功图诊断信息图如图3所示。

图3智能RTU对功图诊断信息图

（3）功图诊断实践结果展示

根据传感器采集的数据，通过智能算法进行分析计算可知，井1诊断为供液不足。油井供液不足时，柱塞下行时接触不到液面，卸载时间延长，使功图表现出“刀把”的形状，“刀把”长度占冲程的比例反映着供液不足的程度，如图4所示。根据“刀把”长度和功图面积监测供液能力变化趋势，当供液不足程度发生较大变化时预警，必要时采取调参、调整注水等措施挖掘油井生产潜力。也可用于监测间抽井供排变化趋势，合理制定间抽周期。

图4井1功图

根据传感器采集的数据，通过智能算法进行分析计算可知，井2诊断为杆断脱，如图5所示。

图5井2功图

根据传感器采集的数据，通过智能算法进行分析计算可知，井3诊断为固定凡尔漏失，如图6所示。

图6井3功图

根据传感器采集的数据，通过智能算法进行分析计算可知，井4诊断为严重供液不足，如图7所示。

图7井4功图

（4）功图诊断准确率

通过智能算法诊断，诊断结果准确率在95%以上，见表1。

表1功图诊断结果表

4.2功图量液

油井产液量计量是油田生产管理中的一项重要工作。建立多种数学模型、应用智能算法编制计算软件、编译功图量液分析程序，通过程序计算与现场A11计量系统进行实际产液量对比。

（1）抽油机系统效率分析：抽油机将井下液体举升到地面的过程中有用功率与系统输入的功率的比值，由地面效率和井下效率两部分组成，地面效率取决于光杆载荷、光杆功率、四连杆机构、减速箱、电机效率，井下效率取决于盘根盒效率、抽油杆效率。管柱和抽油泵效率提高系统效率可采取参数优化和调平衡等措施。

（2）功图量液计算：对井下和井口常规数据、温度、时间等海量数据，进行作业区单位级别的大数据分

析，结合抽油机井的工况优化模型，对油井产量进行分析计算和预测，提高油田的整体产量。

（3）功图量液计算信息对比

通过现场安装的智能RTU对井101X和井102X两口井进行实时功图诊断和计量，并以天来求取平均日产液量；最后计算近23天的平均值与A11计量系统中的标记产液量进行对比。

井101-6X和井101-1X采用历史功图进行功图量液计算，计算2021年1月10日至3月7日共50天的平均值与A11计量系统标记产量进行对比。

对比结果表明，功图量液计量结果相对误差在10%以内，见表2、表3。

表2功图量液计算结果对比表1

表3功图量液计算结果对比表2

4.3合规监测

运用工服检测算法、安全帽佩戴检测算法、烟雾检测算法、人员跌倒检测算法、外来人员识别算法、车辆识别算法等进行智能识别，通过新技术的应用，更好地为油田管理提供服务，识别现场操作合规性，实现安全隐患自动识别，提升现场管理效率。

区域入侵识别：以视频为核心，结合人工智能技术，拓展多维感知手段，对进入划定区域的人员、动物、车辆等物体进行识别。

人员行为识别：利用摄像头采集视频图像信息，计算人员行为模式，识别人员行为，实现安全帽佩戴、工作服着装、可疑人物等监控。

烟雾/火焰检测识别：实现对监控区域内的烟雾和火焰进行识别，并动态识别烟雾和火焰从无到有、从有到无、从小到大，从大到小、从小烟到浓烟的状态转换的识别、实时分析报警。

漏油/漏水检测：漏油检测原理是基于油和水在温度、热反射和热发射率与周围环境之间的差异，基于对现场配置的专业摄像机画面进行分析，发现泄漏现象。

（1）合规监测应用

合规监测可针对现场人员穿劳保服、戴安全帽、人员位置等信息进行监测；可对未正确穿戴劳保服的人员进行标注，并存储视频截图。如图8、图9所示。

合规监测采用了AI人工智能模型，对人、车的识别准确度可达95%以上；单次获取视频流和处理视频，只需要5秒即可完成。

图8合规监测图1

图9合规监测图2

（2）合规监测结果（见表4）

5结论

本文主要对带有智能边缘计算算法和技术的智能RTU产品的功能、性能和稳定性进行应用与实践。应用与实践时长27天，系统完全兼容且稳定运行；功图诊断智能算法得到应用，对现场实时功图138幅和离线功图1000幅进行分析，工况诊断结果准确率大于98%；液量虚拟计量功能采用历史数据和实际数据结合实践测试，计量精度10%以内；合规性视频分析应用25天，检测图片43万张，监测保存人员或车辆进入图片467张，其中违规截图90张，识别准确率大于95%；所有参数均已满足油田现场应用要求。

边缘计算的应用，提升了智能RTU设备智能化水平。将智能化技术与油气生产业务深入融合，实现油气田业务的数字化转型、智能化发展。随着中国石油全面推进“十四五”信息技术总体规划实施，油田数字化智能化建设迈上新台阶，对油气田物联网系统数据的可靠性和处理速度有更高的要求，边缘计算的应用场景将有更广阔的发展空间。AP

作者简介：

贾志鹏（1984-），男，甘肃庆阳人，工程师，学士，现就职于中国石油长庆油田分公司页岩油开发分公司，主要从事智能化、数字化、信息化方面的建设管理工作。

参考文献：

[1]于世春,杨仓海,李明江,赵晓龙,邱亮,等.基于油井工况诊断及功图计产系统的数据挖掘应用[J].自动化技术与应用,2015,34(1):115-118.

[2]宋明垚,薛良玉,张薇.油井生产工况智能诊断与趋势预警技术研究报告[J].中国化工贸易,2018,(27):93.

[3]边缘云计算技术及标准化白皮书[EB/OL].2019.

[4]阿里云,中国电子技术标准化研究院.2018年边缘云计算技术及标准化白皮书[EB/OL].

[5]雷波,赵倩颖,赵慧玲.边缘计算与算力网络综述[J].中兴通讯技术,2021,(03):3-6.

[6]曾德生,骆金维,庞双龙,谢品章,陈晓丹.基于边缘计算模型的智能视频监控系统的设计[J].智能计算机与应用,2019,(6):254-261.

[7]王灵军,蒋世用,赵志刚,罗晓.基于需求侧视角的能源互联网[J].制冷与空调,2017,(12):17-23.

[8]向阳.5G技术对民生档案共享体系的影响研究[J].广州城市职业学院学报2021,(03):48-53.

[9]杨宏,郭雄,李孟良,苏静茹.先进计算技术与标准研究[J].中国标准化,2018,(20):243-245.

[10]邢帆.“大规模上云”时代来临[J].中国信息化,2017,(08):31.

[11]李永萍,柳震.沿高速公路部署的车联网关键技术[J].无线互联科技,2018,(21):151-152.

[12]贾雪琴,王友祥,曹畅,林晨,史可.区块链赋能5G共建共享技术研究[J].邮电设计技术,2021,(03):7-11.

[13]周旸,李宏平,赵晨光,常旭.冬奥5G高性能无线网络新技术进展与应用[J].邮电设计技术,2020,(12):15-17.

[14]张涌,陈丹,范斌,韩赛,吕华章.中国联通边缘计算技术演进规划与部署方案[J].邮电设计技术,2018,(04):42-47.

[15]曹春江.融合云视讯系统技术方案研究和应用[J].数字通信世界,2018,(09):17-20.

[16]张力平.“小而美”的边缘计算[J].电信快报:网络与通信,2018,(02):48.

[17]程乔,王映华,李冉,陈江山.移动边缘计算技术与应用的探讨[J].广西通信技术,2020,(03):1-6.

[18]刘炜,张为.基于边缘智能2.0的工业互联网平台架构及应用[J].光通信研究,2021,(02):7-13.

[19]赵志斌,何力毅,刘广红,徐大伟.5GMEC行业应用部署方案研究[J].邮电设计技术,2021,(01):25–30.

[20]边缘计算产业联盟.边缘计算产业联盟白皮书[EB/OL].2016-11.

[21]熊俊杰,陈经纬,苏聪,周起如,包德刚.边缘计算在5G时代的价值研究[J].数字通信世界,2019,(09):139.

摘自《自动化博览》2022年8月刊