2. 国家油气钻井装备工程技术研究中心;
3. 川庆钻探工程有限公司;
4. 渤海钻探工程有限公司
2. National Engineering Research Center for Oil and Gas Drilling Equipment;
3. CNPC Chuanqing Drilling Engineering Company Limited;
4. CNPC Bohai Drilling Engineering Company Limited
0 引言
大数据是连接物理世界、信息、空间和人类社会三元世界的纽带,人类社会则借助人机界面、脑机界面和移动互联网等手段在信息空间中产生自己的大数据映像[1]。大数据的经典应用之一就是设备的状态监测。设备的状态监测是设备预防性维护的重要组成部分。在智能工厂项目中,中国石化、神华集团等企业将状态监测作为资产管理的核心模块、评价和管理企业生产的核心资产[2]。随着网络技术的发展,状态监测的方式逐渐从本地发展为远程。通过在设备上建立状态监测点,采集设备状态数据,借助局域网和Internet,在技术力量较强的科研机构或设备生产厂家建立远程诊断分析中心,为设备用户提供远程和在线的技术支持[3-4]。这种远程监测的主要实现方式成为众多设备制造企业提高产品附加值、从“制造”向“服务”转型的重要选择。如陕鼓动力股份有限公司依靠此类系统,每年创造直接经济效益5 000余万元,同时为上游企业的安全、高效生产提供了及时有力的技术支持[5]。
石油钻机作为油气资源勘探开发的关键装备,存在作业地域分散、偏僻、关键设备意外停机损失大和无法预知维修等难题。鉴于此,宝鸡石油机械有限责任公司依托中国石油天然气集团公司2017年启动的装备制造物联网项目(C10),开展了行业内首个“石油钻机远程监测与技术服务”平台的建设,旨在实时掌握钻机作业现场的运行状态,为用户提供实时在线技术支持和故障诊断协同管理服务,保障钻机长周期安全运行,降低非计划停机风险,为预知维修、按需维修提供可靠数据支撑。
1 系统整体设计 1.1 整体架构该钻机远程状态监测与诊断系统基于中石油集团公司统一规划的云存储平台架构,实现了设备制造商、钻井公司及钻井作业现场之间的信息互联互通与高效协同,从而实现行业多方资源的有效整合。该系统主要由钻机现场采集子系统、数据传输及存储子系统、中石油云数据中心和客户端用户组成,其整体架构如图 1所示。
![]() |
图 1 系统整体架构 Fig.1 Overall architecture of the system |
1.1.1 钻机现场采集子系统
一台钻机的基本配套包括绞车、钻井泵、转盘或者顶驱,自动化程度高的钻机还会配置一些管柱自动化处理设备。这些设置的操作指令和状态信息的数据最初来源于现场运行的电控PLC系统。安装在现场的数据采集系统从电控PLC统一采集事先标注的数据,并实现采集数据的预处理归档。
1.1.2 数据传输及存储子系统该子系统借助移动网络或者卫星实现现场数据与中国石油天然气集团公司云数据平台的传输路径搭建,要求现场有比较好的移动网络条件,比如3G、4G网络。良好的移动网络条件能保证数据上传的速度和完整性。
1.1.3 中石油云数据中心该子系统是整个系统的核心,主要进行数据的挖掘、统计分析和管理。该系统采用了“云”服务器,而不是传统的独立服务器。其原因是:“云”服务器依靠其高速的数据处理能力、内置冗余的共享存储等性能,比传统的独立服务器更能保证数据存储与分析的可靠性和稳定性,可同时面向多个用户同时在线服务。
1.1.4 客户端用户客户端用户包括钻井公司用户监测客户端、第三方专家系统客户端以及钻机远程监测服务中心。他们是数据分析结果的使用方,根据上述系统的分析结果对设备的维护提出相关建议。
1.2 系统节点的功能需求分析系统数据流程如图 2所示,可以划分为三大节点:数据采集和预处理节点、数据存储和分析节点、数据应用节点。
![]() |
图 2 系统数据流程 Fig.2 Data flow of the system |
1.2.1 数据采集与预处理节点
数据采集部分由钻井仪表、PLC集成控制站、工业物联网关、钻井泵和绞车等关键设备新增的测温、测压、测距、测振等传感器、采集器组成;数据预处理部分主要为本地服务器。如何有效地压缩和保存海量数据及发展相关的数据预处理技术,将直接影响后期各类数据处理方法的选取[6]。为此,设计时将不同类型数据、不同重要程度的监测变量设置不同的采样周期,并按变量属性和幅值阈值等多种方式进行预筛选、滤波和归档等处理。
钻井仪表数据及各PLC控制器数据由专用工业适配器采集,适配器对接方式支持RS232/RS485等物理接口、MODBUS协议;新增检测传感器配置专门数据采集箱,数据可通过WIFI、RJ45等方式发送到现场工控机存储。作为整个系统的信息源,现场数据的质量至关重要。后续的故障分析实质上是基于数据驱动的故障诊断,这是目前工业过程故障诊断中应用较广泛的方法之一。它的优点是不需要建立精确的数学模型,所需的先验知识也较少,通过过程数据分析就可以诊断,缺点是其效果依赖过程数据的质量和数量[7]。因此,需要在本地工控机内利用规划好的管理机制算法对数据进行预处理,并调整好数据格式才能以预定策略上传至云服务中心。
1.2.2 数据存储和分析节点该系统的数据类型多样,一个应用往往既要处理结构化数据, 还要处理文本、视频和语音等非结构化数据, 传统的独立数据库系统难以应付。因此,该系统依托中石油集团云服务器作为数据存储和分析平台。云计算平台可以作为大数据系统的基础设施层以满足特定的基础设施需求, 例如成本效率、灵活性及向上或向下扩展的能力[8], 具有更高的安全性、可靠性、灵活性和更卓越的运算性能。
云平台通过数据处理和分析系统对来自作业现场的数据进行运算分析,形成各类监测界面、分析结果和数据统计信息,供数据应用层展示给用户,实现钻机的状态监测和预警诊断,是整个平台的核心。
1.2.3 数据应用节点结合用户对数据的实际需求及已有的业务平台,通过PC、大屏和APP等显示方式展现用户所关注的数据。远程监测、故障报警、维护提醒和专家会诊等功能都在这一层实现。
1.3 平台主要功能模块设计 1.3.1 关键设备监测系统钻井泵将钻进过程中井底岩屑排出地面,冷却钻头、平衡地层压力,停机将直接影响其钻进作业过程。为此,针对钻井泵曾经出现故障的部位加装检测元件,并借助后台大数据分析技术进行趋势分析,实现钻井泵主驱动轴承磨损、十字头下导板磨损、单缸缸套磨损和润滑系统状态等实时监测,并提供预测性维护建议。钻井泵状态检测对象统计如表 1所示,传感器安装示意图如图 3所示。
监测点 | 检测目的 | 点数 | 检测手段 |
钻井泵主轴承 | 检测钻井泵主轴承温度,判断轴承磨损情况 | 2 | 温度传感器 |
十字头下导板 | 检测十字头下导板温度,判断下导板磨损情况 | 3 | 温度传感器 |
单泵排出压力 | 检测单泵排出压力 | 1 | 压力传感器 |
单缸排出压力 | 检测单缸排出压力,辅助判断缸套磨损情况 | 3 | 压力传感器 |
润滑油温 | 检测润滑系统油温 | 1 | 温度传感器 |
![]() |
1—主轴承温度传感器;2—油温传感器;3—下导板温度传感器;4—泵压传感器;5—吸入缸压力传感器。 图 3 钻井泵传感器安装示意图 Fig.3 Schematic diagram of drilling pump sensor installation |
1.3.2 现场批量化数据采集
系统采用专用工业物联网网关实现数据采集,其支持多种工业通信协议,提供包括RS232和RS485等丰富的物理接口,支持3G/4G和有线等互联网连接。网关能够读取包括PLC、传感器、DCS等多种工业设备和系统的实时数据,并通过MQTT/HTTP等多种通信能力,实现与工业物联网云平台的双向通信。
1.3.3 传输系统、存储后台及展示终端系统搭建数据传输及云平台的存储架构采用中石油集团物联网统一框架平台搭建,具有可靠的数据保密性和应急恢复等机制。
2 平台应用分析平台应用分析建立在采集数据和分析数据基础上,以多种图文并茂的分析界面呈献给不同的客户端用户。
2.1 钻机状态监测钻机状态监测是该系统基本功能,包含总体评价和单元部件不同层级监测。该平台状态监测界面示例如图 4所示。该界面通过曲线图、柱状图和仪表盘等多种数据可视化方式直观体现目标钻机及各设备的总体评价参数,如大钩载荷、游车高度、顶驱转速和顶驱扭矩等,同时从该界面也可以切换到单独设备的状态监测界面,查看相应设备的具体运行状态信息。
![]() |
图 4 钻机状态监测界面 Fig.4 Drilling rig monitoring interface |
2.2 预测性维护
预测性维护建立在自控技术基础上,通过获取在线监测设备的实时数据,结合设备健康模型,预测设备故障发生的规律和趋势,其维护成本比事后维修远远降低。采用这种方法能及时发现设备潜在的隐患或故障,并制定有针对性的维护计划,比传统维护降低25%~30%的成本,缩短生产装置停车时间等[9]。该系统的预测性维护在运行时长统计、参数门限比对和多参数耦合模型分析等基础上制定维护预警策略,各设备状态触发预警条件时自动生成待处理任务,提醒操作人员进行维护。该功能包括维保信息汇总和设备健康状况。其中,设备健康状况界面见图 5。
![]() |
图 5 设备健康状况界面 Fig.5 Equipment health interface |
该界面以雷达图、曲线和棒图的形式汇总、显示目标设备多处监测对象的状态,并给出整体的设备状态评价、情况推断和维护建议。
2.3 故障辅助诊断故障辅助诊断将设备产生的故障告警汇总管理,提供给运维人员查看,并根据平台已有故障库辅助诊断处理,包括告警列表、故障列表两大模块。告警列表汇总了全部的告警数量,能够对告警进行全面了解,发现各类告警及故障详情。其界面如图 6所示。
![]() |
图 6 告警列表管理界面 Fig.6 Alarm list management interface |
故障列表汇总了全部的故障数量,并支持手动创建或自动添加方式,建立故障处理库,将各设备故障表征与处理过程信息进行关联,便于后期其他用户发生同类故障时利用故障特征库自动搜索匹配,帮助用户进行故障分析判断。
2.4 统计分析基于多元统计分析的故障检测方法在不需知道过程精确解析模型的情况下,利用过程变量之间的相关性进行故障检测[10]。
该系统的统计分析功能包括预测性维护分析、告警分析和故障分析等,其中故障统计分析界面如图 7所示。
![]() |
图 7 故障统计分析界面 Fig.7 Fault statistics analysis interface |
该故障统计分析界面允许用户制定某个时间段、某台钻机某个设备的查询策略,查询的信息将以饼图的形式通过故障状态、故障级别、故障设备和故障类型的汇总方式体现。
2.5 多终端数据展示窗口系统支持用户在PC、移动终端和定制大屏等多种硬件客户端进行数据展示,并设置严密的登陆权限管理系统,确保各个钻探公司用户只能查询各自所属钻机的情况,避免信息外泄。
其中,移动终端APP界面如图 8所示,远程服务中心内某钻机定制大屏监视主界面如图 9所示。
![]() |
图 8 移动终端APP界面 Fig.8 Mobile terminal APP display |
![]() |
图 9 钻机定制大屏监视主界面 Fig.9 Large monitoring screen for custom drilling rig |
3 结论
(1) 研究了基于云平台的钻机远程状态监测与诊断系统,建立了诊断平台与集控平台的有效融合机制, 开发出标准化的数据预处理应用模块,可确保后续诊断数据的准确性。
(2) 该系统成功实现了对油田野外作业钻机的实时在线监测、故障预警和辅助诊断,从而保障钻机长周期安全运行,降低非计划停机风险,满足了管理人员与设备的“零距离”信息传输需求,实现了“移动的是数据而不是人”这一科技革新[11]。
(3) 研究结果可为钻机的预知维修和按需维修提供可靠的数据支撑。
[1] |
程学旗, 靳小龙, 王元卓, 等. 大数据系统和分析技术综述[J]. 软件学报, 2014, 25(9): 1889-1908. CHENG X Q, JIN X L, WANG Y Z, et al. Overview of big data systems and analysis technologies[J]. Journal of Software, 2014, 25(9): 1889-1908. |
[2] |
赵志海. 沈鼓云服务引领远程状态监测新趋势[J]. 上海信息化, 2017(11): 46-49. ZHAO Z H. Shengu leads the new trend of remote condition monitoring by cloud service[J]. Shanghai Informatization, 2017(11): 46-49. |
[3] |
年瑞, 符意德, 葛二灵, 等. 一种基于云服务的远程诊断系统设计[J]. 计算机与数字工程, 2012, 40(10): 166-168. NIAN R, FU Y D, GE E L, et al. Design of remote diagnosis system based on cloud service[J]. Computer and Digital Engineering, 2012, 40(10): 166-168. |
[4] |
张朋, 杨康敏, 张景辉, 等. 螺杆泵采油井智能远程监控系统开发与应用[J]. 钻采工艺, 2018, 41(2): 76-77. ZHANG P, YANG K M, ZHANG J H, et al. Development of intelligent remote monitoring system for oil well produced by screw-pump[J]. Drilling & Production Technology, 2018, 41(2): 76-77. |
[5] |
刘振扬, 金颖, 郎博. 远程在线监测及故障诊断中心的精细化监测体系在装备制造企业的实现[J]. 工业仪表与自动化装置, 2010(5): 80-86. LIU Z Y, JIN Y, LANG B. Realization of the refined monitoring system of remote online monitoring and fault diagnosis center in equipment manufacturing enterprises[J]. Industrial Instrumentation and Automation, 2010(5): 80-86. |
[6] |
李晗, 萧德云. 基于数据驱动的故障诊断方法综述[J]. 控制与决策, 2011, 26(1): 1-9, 16. LI H, XIAO D Y. Survey of fault diagnosis methods based on data driven[J]. Control and Decision, 2011, 26(1): 1-9, 16. |
[7] |
苏中鲜. 基于数据驱动的工业过程故障诊断方法综述[J]. 软件导刊, 2016, 15(3): 149-150. SU Z X. Survey of industrial process fault diagnosis methods based on data driven[J]. Software Guide, 2016, 15(3): 149-150. |
[8] |
李学龙, 龚海刚. 大数据系统综述[J]. 中国科学(信息科学), 2015, 45(1): 1-44. LI X L, GONG H G. Overview of big data systems[J]. Science China(Information Sciences), 2015, 45(1): 1-44. |
[9] |
黄飞飞. 基于数据挖掘技术的油气设备预测性维护研究[J]. 信息通信, 2016(10): 16-18. HUANG F F. Research on predictive maintenance of oil and gas equipment based on data mining technology[J]. Information and Communications, 2016(10): 16-18. |
[10] |
纪洪泉, 何潇, 周东华. 基于多元统计分析的故障检测方法[J]. 上海交通大学学报, 2015, 49(6): 842-848, 854. JI H Q, HE X, ZHOU D H. Fault detection method based on multivariate statistical analysis[J]. Journal of Shanghai Jiaotong University, 2015, 49(6): 842-848, 854. |
[11] |
葛二灵, 符意德, 年瑞, 等. 基于云服务的设备远程诊断实时交互平台设计[J]. 计算机与数字工程, 2012, 40(10): 156-158. GE E L, FU Y D, NIAN R, et al. Design of real-time interactive platform for remote diagnosis of equipment based on cloud service[J]. Computer and Digital Engineering, 2012, 40(10): 156-158. |