小T导读：在川南页岩气生产运行管理中，气井、站库、压缩机、LNG/CNG 等设备设施已实现自动化采集覆盖，但前期建设的 SIS、BPCS、SCADA 及第三方厂商系统相互独立，数据难以形成统一视图，也影响了指挥中心对生产态势、应急处置和排采决策的集中支撑。围绕“生产运行可视化、气井生产精细化、生产监控智能化”的建设目标，项目组基于“云—边—端”架构和 TDengine 时序数据库，构建页岩气智能管控系统，让指挥中心能够围绕单井、站库、压缩机等关键对象，统一查看实时状态、历史趋势和异常信息，为调度指挥、应急处置和精细排采提供同一套数据依据。
多套系统并存，难以形成统一生产视图
在气井、站库、压缩机、LNG/CNG 等设备设施已基本实现自动化采集全覆盖的基础上，作业区前期陆续建设了多套 SIS、BPCS、SCADA 系统及第三方厂商系统，但由于系统架构、数据标准和运维主体不统一，仍难以实现全局统一管控，主要面临以下问题：
- 缺乏统一数据视图：生产、安全、设备、环保等数据分散在不同系统中，指挥中心在查看单井状态、站场运行、设备异常和环保监测信息时，需要跨系统切换和比对，难以快速形成统一判断。
- 传统实时库扩展与使用成本较高：前期页岩气精细排采主要依赖传统实时数据库，随着接入设备、测点和历史数据规模增长，系统扩展、长期存储和后续维护压力逐步增加，难以满足智能化建设要求。
- 云化与国产化支持弱：既有系统在私有云、混合云等环境下的灵活部署能力有限，对国产 CPU、操作系统等基础软硬件生态的适配不足，不利于后续平台化扩展和安全可控建设。
- 系统运维协同复杂：多套系统由不同供应商建设和维护，接口对接、问题协调和故障排查链路较长，现场问题难以及时定位，也增加了后续统一运维的复杂度。
新一代时序数据库支撑智能化升级
在数据库选型过程中，我们更关注它能否适配页岩气生产现场的真实使用方式：一方面要持续接入气井、站库、压缩机等对象产生的高频数据，另一方面要支持指挥中心按单井、站场、设备类型和时间区间快速查询历史趋势。同时，系统还需要适应私有云、国产化环境和后续规模扩展要求，避免再次形成新的数据孤岛。
经过综合评估，我们选择了 TDengine TSDB 作为页岩气智能管控系统的核心时序数据底座。TDengine TSDB 是一款开源、高性能、分布式的时序数据库，其架构设计与我们的业务场景高度契合：一方面，它能够支撑油气生产数据和设备运行状态的实时采集、存储与监控；另一方面，也为后续结合大数据分析和机器学习开展预测预警、精细排采分析和科学决策提供了统一的数据基础，帮助我们进一步提升生产管理效率、降低系统建设与运维成本，并挖掘数据价值。
展开来讲其优势包括：
- 按设备对象组织数据：TDengine TSDB 的“一个设备一张表”和“超级表”模型，结合列式存储引擎，适合我们按气井、站库、压缩机等对象管理数据，减少后续跨系统取数和重复建模。
- 支撑生产系统稳定运行：集群部署与多副本机制能够满足生产监控、集中调度等业务对连续性的要求，为系统稳定运行提供保障。
- 降低系统接入与迁移成本：标准 SQL 能够降低应用层改造难度，对国产操作系统和 CPU 平台的适配能力，也契合我们在云化部署和安全可控方面的建设要求。
“云—边—端”架构打通现场到指挥中心的数据链路
我们建设的生产运行智能管控系统采用“云—边—端”三层技术架构，依托智能物联网实现现场设备数据的统一采集、边缘汇聚与云端分析，打通了从生产现场到指挥决策的全链路数据通道。
系统以 TDengine TSDB 为统一数据底座，结合低代码开发和模型驱动技术，建设生产指挥中心与技术决策中心，支撑“生产运行可视化、气井生产精细化、生产监控智能化”的建设目标。
感知层：实现生产现场全要素数据采集
在感知层，我们围绕气井、工艺设备、站场设备及环保监测点等生产现场关键对象，构建覆盖气田全要素的数据采集体系，实现“一井一档、一设备一数据源”。各类现场设备产生的压力、温度、流量、液位、阀门状态、设备运行状态及环保监测数据，通过统一接入后进入时序数据链路，为后续集中监控、调度指挥和精细排采分析提供基础数据支撑。
在数据建模方面，我们结合 TDengine TSDB 的“超级表 + 子表”能力，将同类设备抽象为统一的数据模型，并以单井、单设备作为具体数据对象进行管理。这样既能够适配不同设备类型、不同测点结构带来的数据差异，也便于后续按照气井、站场、设备类型、作业区等维度进行高效查询和分析。
具体来看，感知层主要覆盖以下数据来源：
- 气井监测设备：通过有线压力/温度传感器、旋进漩涡流量计、静压液位计等设备，实时采集井口压力、温度、产气量、井下液位等关键生产参数，为气井生产状态判断和精细排采提供依据。
- 工艺控制设备：通过智控阀、泡排/气举设备等，实现气井开关、流量调节及增产工艺过程的远程控制和自动化执行，支撑生产过程的精细化管理。
- 站场与配套设备：通过 PLC 控制系统、RTU 远程终端、压缩机监控系统等，完成集气站工艺逻辑控制、偏远井场数据采集传输和关键动力设备状态监测，保障站场运行稳定可靠。
- 环保监测设备：通过地下水等环保监测点的数据采集，持续掌握相关环境指标，为环保合规管理提供数据支撑。
边缘层：让站场数据可靠汇聚到中心侧
在边缘层，我们通过部署在各集气站与作业区的 HUB 采集器，对气井、站场、压缩机及各类工控设备数据进行统一接入、协议转换、清洗压缩和边缘计算，并将处理后的数据写入 TDengine 时序数据库。入库后的数据再通过查询、订阅等方式提供给物联网业务共享中心、物联网数据共享中心及上层应用使用。
具体来看，边缘层主要覆盖以下能力：
- HUB 采集器：部署于各集气站与作业区，支持 Modbus、OPC UA、IEC-104 等多种工控协议，完成现场数据的统一采集、协议转换、清洗、压缩和边缘计算，并通过断网续传保障数据完整性。
- 数据接入：通过 MQTT 协议接入实时流数据，通过 Modbus TCP 等方式对接传统工控设备。在持续采集场景下，TDengine TSDB 能够支持每秒百万级数据点写入。
- 数据存储：采用“一设备一表”模型，为每口井、每台设备建立独立时序表，并利用超级表（STable）统一管理同类设备的数据结构和标签信息，原始数据存储粒度达秒级，支持 10 年以上历史数据存储。
- 数据处理：基于 TDengine TSDB 的流式计算、时间窗口聚合和数据降采样能力，实时计算产气量、设备效率等关键指标，为指挥中心页面、报表分析和异常研判提供直接可用的数据结果。
基于超级表的统一数据建模
在数据模型设计上，我们利用 TDengine TSDB 的超级表能力，将同类设备的数据结构进行统一管理。字段类型根据现场采集数据的特点规范为 TIMESTAMP、INT、BOOLEAN、DOUBLE、FLOAT、JSON 等类型，减少不同设备接入时的重复建模工作，也方便后续围绕设备、测点和时间区间进行查询分析。
CREATE STABLE IF NOT EXISTS ts_kv(
ts TIMESTAMP,
bool_v bool,
str_v varchar(4000),
long_v bigint,
dbl_v DOUBLE,
json_v varchar(8000)
) TAGS (key int, entity_id varchar(36));
多井多指标查询响应缩短至 100ms 以内
在实际使用中，指挥中心经常需要同时查看多口井、多类指标的历史变化。以气瞬时流量、阀门开度、压力等指标查询为例，在查询 3 个设备、6 个指标、15 天历史数据，且数据间隔为 10 分钟的场景下，TDengine TSDB 的响应时间可控制在 100ms 以内。相比旧系统，现场人员在查看趋势、对比工况和辅助调度判断时，不再需要长时间等待查询结果。
系统稳定运行过程中的升级与优化
版本升级：从 3.1 升级至 3.3.6.35
在项目推进过程中，TDengine 售后团队协助我们完成了 TDengine TSDB 的版本升级与连接方式优化，进一步提升了系统运行稳定性。主要升级内容包括：
- 将 TDengine TSDB 从 3.1 版本升级至 3.3.6.35 企业版版本，提升系统稳定性；
- 将 taosjdbc-driver 升级至 3.7.8，增强驱动兼容性与连接能力；
- 将连接方式调整为 WebSocket，进一步提升查询访问性能。
运维优化：围绕查询、慢 SQL 和内存占用持续调优
在项目建设和运行过程中，我们结合 TDengine TSDB 的使用特点，沉淀了一些运维与性能优化实践，主要包括以下几个方面：
- 利用缓存能力提升最新数据查询效率
在需要获取每个设备最新数据的场景下，我们使用 TDengine TSDB 内置缓存能力进行查询，响应速度提升明显。
select last_row(*) from ts_kv group by tbname;- 通过系统表排查慢 SQL
在日常运维中，我们可以通过 performance_schema.perf_queries 排查执行耗时较长的 SQL，定位影响系统性能的查询语句。例如：
#查询耗时大于10秒的最长的前10个SQL
select sql,exec_usec/1000/1000,`user` from performance_schema.perf_queries where (sql like '%select %' or sql like '%SELECT%' )and exec_usec >10000000 order by exec_usec desc limit 10;- 优化 taosd、taosAdapter 内存占用
TDengine TSDB 提供了内存分配器配置脚本 set_taos_malloc.sh，用于优化内存分配策略。通过该脚本，用户可以轻松切换不同的内存分配器模式，提高 TDengine TSDB 的性能和稳定性。
如果使用过程中出现 taosd、taosAdapter 内存占用高的情况，可以使用此脚本将内存分配方式改为 tcmalloc、jemalloc 等模式。一般优化场景下，可优先选择 1、3 模式。
-m <mode>
指定内存分配器模式。
0：glibc 默认分配器
1：tcmalloc 优化
2：tcmalloc 定制检查，用于内存泄漏检测
3：jemalloc 优化
4：jemalloc 定制检查，用于内存泄漏检测- 借助专业服务保障项目推进
在版本升级、连接方式调整和运行问题排查过程中，TDengine 售后团队能够及时响应并协助定位问题，保障了项目上线和后续运行过程中的关键节点。
后续计划：在已沉淀数据基础上引入 IDMP
TDengine 此前发布了 AI 原生工业数据管理平台 TDengine IDMP。该平台能够通过经典的树状层次结构组织传感器、设备等工业现场数据，建立统一的数据目录，并对数据进行语境化、标准化处理，同时提供实时分析、可视化、事件管理与报警等能力。
未来，我们计划进一步引入 TDengine IDMP，在现有 TDengine TSDB 已沉淀的高频时序数据基础上，持续释放页岩气生产数据价值。借助 TDengine IDMP 在应用场景智能感知、面板与报表自动生成、异常监测与告警等方面的能力，我们希望进一步提升系统运营洞察能力，推动页岩气开发向更智能、更精细、更高效的方向演进。
关于昆仑数智
昆仑数智科技有限责任公司成立于 2020 年 11 月，是中国石油为贯彻落实党中央、国务院关于推动新一代信息技术与制造业深度融合、构建数字经济新优势的决策部署，加快推进数字化转型而组建的数字化智能化科技公司。公司拥有 3500 余人的 IT 专业化队伍，其中技术人员占比超过 90%，包括 PMP 项目经理、高级软件架构师、网络及安全专家、高级咨询顾问、算法专家 1000 余人。公司重组整合后，形成油气应用、通用应用、数字平台、创新研究等四大业务群，具备覆盖油气全产业链的咨询、设计、研发、交付、运营一体化服务能力。
作者：项目经理杨波
