探討油田物聯網系統邊緣計算的實踐研究

柳祥軍

摘要：在無線通信技術與智能傳感器技術高速的發展背景下，油田物聯網系統的應用使得生產現場數據采集效率得到了大幅提升，并能夠有效地控制其生產過程。但是應用物聯網系統，主要是通過遠程數據中心對相關數據進行計算與控制，常常受到通信延遲閾網絡帶寬的影響。針對物聯網系統邊緣層設備進行邊緣計算，將邊緣網關計算與存儲作用有效發揮出來，通或孤立森林算法，來有效監測異常數據與報警規則學習，并邏輯控制溫度與閥門開關，把原來云端處理作用向邊緣端進行下沉，降低網絡要求，為偏遠地區油田生產提供參考。

關鍵詞：物聯網;邊緣計算;孤立森林

對于邊緣計算而言，是在網絡邊緣將一些具有計算、存儲和接入網絡功能的小型設備安裝與此，連接智能傳感器以及有線儀表與用戶等，不但可以有效拓展邊緣設備計算能力，并能對網絡負載進行縮小，避免數據時延。邊緣端物聯網上的各種上行數據以及下行的云計算中心數據是邊緣計算的主要對象。將邊緣計算應用于油田物聯網，使得油田安全生產大幅提升。

1油田物聯網邊緣計算設計

由于油田作業的特殊性，多分布在一些交通不便，氣候惡劣的區域，網絡鏈接過程中，中斷現象比較普遍，難以將作業現場的生產數據進行及時回傳，采取相應的控制措施。同時油田作業現場在采集相關數據以及傳輸和業務邏等方面有著非常高的實時性要求，倘若這些都通過云端來完成，無法達到實時性的要求。同時，在邊緣計算下，能夠提供計算卸載，通信協議在邊緣端進行解析與轉換數據之后，能夠對感知層設備進行及時響應，過濾異常數據之后，進行規則學習，對報警閾值進行計算，出現異常數據過程中，將報警觸發，避免過去云端計算過程中出現很多冗余的報警信息，將有效的信息進行淹沒，無法觸發報警等問題得到有效解決，增強相應，避免時延，有效提升安全生產的作用。智能感知層以及云計算層和邊緣計算層是油田物聯網邊緣計算的整體架構組成。

2邊緣計算功能

2.1設備接入

基于IOT Edge為邊緣計算提供的有利環境，在IOT Edge中接入設備模塊而實現。在IOT Edge中接入的設備驅動屬于服務模塊獨立存在，常用的協議驅動由IOT Edge所提供，如Modbus，OPCUA驅動等，同時對于開發自定義驅動也提供支持。文中依照GRM私有通信協議，對自定義設備接入驅動進行自定義開發，并對數據流向以及其驅動功能進行自定義。該系統是在國際標準下開發的通用協議，并應用于油氣行業實踐中。其工作思路為，無線儀表數據經由無線接收終端采集之后，并通過路由，形成ZigBee網絡將數據，并在最近的網關進行傳輸，之后把這些數據進行云端傳送。ZigBee通信協議是儀表通信協議的前提，將應用協議數據嵌入到協議數據包內，幀頭與數據等兩部分是應用層協議數據的重要組成。

該文中進行邊緣物聯網系統的構建過程中，無線儀表數據的接收主要利用無線接收終端來完成，接著經由通訊接口把數據向邊緣網關進行傳送，經過相應處理向遠端中心服務器進行發送，利用API模式來接收相應的數據，并為用戶程序開發提供支持，數據通過相應接口直接讀取。根據上述兩種數據幀內容定義，在讀取儀表設備數據相應請求和應答過程中利用用戶驅動程序開發來實現，并實時的監控數據。

在IOT Edge的集成開發環境Docker鏡像前提下，開發用戶驅動，如程序編碼以及編譯打包，云端上傳程序和邊緣設備布置，查看數據以及查看日志運行等是設備驅動開發的主要流程。

2.2孤立森林法異常數據檢測

孤立森林（Isolation Forest）檢測算法不再對正常的樣本點進行描述，對異常點進行孤立，利用“容易被孤立的離群點”來定義異常數據，由此便可認為呈現稀疏分布，與密度高距離較遠的群體點。于樣本特征方為內，稀疏分布的區域提示該區發生事件幾率不高，覺得數據在這些區域中屬于異常數據。

對于孤立森林算法而言，該方法為不斷異常數據進行進度檢測的方法，不必進行標記樣本訓練，然而樣本特征必須變量必須是連續的，樣本數據集通過隨機遞歸地分割，孤立全部的樣本點，受隨機分割方法影響，異常點一般路徑均較短。

2.3邊緣端過程控制

過去油田物聯網系統應用過程中，傳感器負責對油井生產過程中的各種數據進行采集，在光纜或者3G/4G網絡下，向遠端數據中心服務器進行數據傳輸，并轉換處理相關數據，分析運算，接著再利用網絡把通過處理的數據指令，向現場儀表層進行傳輸，進而更好的控制現場。過去這種物聯網架構，主要依靠網絡來實現異常數據的處理，并進行相應的控制，如果發生網絡中斷，勢必會出現業務中斷，影響安全生產。倘若在邊緣端將云端計算以及存儲資源進行下沉，實現監測數據，并開展邏輯控制，能夠更好的保證業務正常開展，不會發生中斷，避免安全問題出現。文中基于邊緣端具有的計算，存儲和IOT Edge，對油田物聯網邊緣計算模式的構建。近段邊緣層和云端計算層協同處理的構建模式，基于輕量級存儲環境SQLite與邊緣計算環境來實現。通過預處理儀表感知層的數據，并進行相應的檢測與修正，實現控制現場的效果，開展故障診斷，向云端傳輸檢測的數據結果以及過程控制邏輯，于云端開展深入的計算，并向用戶進行展示，判斷與使用，如此一來達到了分層立體式的數據協同處理過程。

3生能評估

為了評估在邊緣側進行異常數據處理和函數計算邏輯控制的精度和運行效率，分別從異常數據檢測處理計算時間和算法精度兩個方面進行評估。

3.1異常檢測計算時間對比

將檢測程序運行于邊緣端以及云端，共進行十次運行，獲知運行過程中的平均消耗時間。依照邊緣端運行時間進行分析，檢測單個的數據異常，時間在1.05秒，這樣一來，與生產應用要求相符合，并與云數據過濾作用充分結合，能夠向云端進行異常數據上傳，同時上傳報警規則，使網絡運行成本得到了有效控制。

邏輯控制功能在函數計算中的時間相應也非常短，屬于秒級，通過這些認為，云計算功能利用邊緣計算設備，完全符合生產要求。

3.2檢測算法精度分析

正常數據通過物聯網進行監測，通常變化范圍不大，同時這些都是在某區間固定的數據，所以評估算法精度時，根據具體監測的兩倍數據個數，形成序列精度監測，具體監測的數值在0.82-1.1，不同的數據一共18個。依照具體數據最大值與最小值和相關的數據個數進行精度分析，對數據存在的變化間隔進行計算，并根據間隔數據形成0.692-1.237的一個區間，評價其精度時利用混淆矩陣來完成。依照應用實際進行分析，誤報率較小，但是卻存在較大的漏報率。

結語

為了更好的解決油田物聯網邊緣計算問題，進行相應架構的提出，不僅可以介入行業數據驅動，同時還實現監控與管理云端設備作用。同時在邊緣端設備基礎上，將監測數據中最值間隨機數生成孤立森林，來檢測相應的異常數據，并進行異常報警設備中的邏輯控制利用邊緣計算中的函數計算功能來實現，達到邊緣設備實時監測數據，并機械能就近控制的作用，使得網絡中斷、延遲等問題得到了有效解決。對比分異常檢測計算時間以及檢測精度，在油田物聯網計算場景中應用孤立森林算法滿足相關要求，然而還存在較為突出的誤報率問題，還需要更加深入的研究工作。

參考文獻：

[1]施巍松，張星洲，王一帆，張慶陽.邊緣計算：現狀與展望[J].計算機研究與發展，2019（1）：69-89.

[2]林小新.云計算、邊緣計算和霧計算——了解每種計算的實際應用[J].計算機與網絡，2019（12）：42-43.

（作者單位：四機賽瓦石油鉆采設備有限公司）