一种智能钻井控制云平台及智能钻井控制系统

摘要

本发明公开了一种智能钻井控制云平台，包括：数据分析服务器集群，用于对被控系统发送的至少一口井的钻井控制过程的实时钻井数据进行分析，至少得到不同类型的实时分析数据，并发送给深度学习服务器集群；深度学习服务器集群，用于将实时分析数据和历史分析数据结合进行机器学习以得到优化数据，并将其发送至数据分析服务器集群；数据分析服务器集群基于优化数据形成至少一口井的钻井控制过程的优化指令并发送至被控系统。本发明提供的方案，可做到钻井技术远程自动化，优化钻井参数、降低钻井成本、提高钻井效率。

说明书

技术领域

本申请涉及石油化工技术领域，尤其是涉及一种智能钻井控制云平台及智能钻井控制系统。

背景技术

现有技术中，钻井现场的各种操作流程复杂繁琐、效率低下，没有有效的自动化操作方式，岗位职能的配合一般通过对讲机喊话方式进行。在钻井过程中，各种钻井技术参数的选用指令，是根据上世纪早期行业标准及技术人员经验进行设定。钻井过程中设备及钻井相关数据，都是通过人工记录，上传到总部，这些人工记录的数据作为总部查看、决策、指挥现场生产的主要依据。

因此，现有技术存在以下几点不足：1、信息化程度低，人员成本高，钻井效率有待提高；2、现场操作多为人工重复性动作，无法自动化完成；3、岗位多、工作强度高，质量效益严重依赖人为因素，并存在各种风险；4、技术和管理人员水平差异，对钻井参数选择及钻井操作控制，造成很大差异；5、一个钻井公司，同时管理多达几十个井队，没有远程可视化的管理平台来实时有效的协同工作；6、钻井现场实时数据，及钻井公司历年钻井数据，没有进行充分的挖掘利用，而这部分数据对管理和整体效能的提高，有着很重要的应用价值。

发明内容

发明目的是为了解决现有技术存在的自动化程度低、对于钻井现场实时数据和钻井公司历史钻井数据没有进行充分挖掘利用的不足，提供了一种智能钻井控制云平台及智能钻井控制系统。通过本发明实施例提供的方案，可以做到钻井技术远程自动化，充分挖掘和利用钻井现场的实时数据和历史数据，进而优化钻井参数、降低钻井成本、提高钻井效率。

为解决上述问题，本发明实施例的第一个方面，提供了一种智能钻井控制云平台，包括：数据分析服务器集群，用于对被控系统发送的至少一口井的钻井控制过程的实时钻井数据进行分析，至少得到不同类型的实时分析数据，并发送给深度学习服务器集群；深度学习服务器集群，用于将实时分析数据和历史分析数据结合进行机器学习以得到优化数据，并将其发送至数据分析服务器集群；数据分析服务器集群基于优化数据形成至少一口井的钻井控制过程的优化指令并发送至被控系统。

优选的，历史分析数据不低于30％。

优选的，历史分析数据不高于50％。

优选的，不同类型的实时分析数据包括：故障风险数据、进尺分析数据、时效分析数据、设备能耗分析数据、钻具分析数据、钻头分析数据、钻速分析数据和钻进参数中的一种或多种。

优选的，优化数据包括：最优钻头参数、最优钻具组合参数和最优钻井参数中的一种或多种。

优选的，数据分析服务器集群还用于，对被控系统发送的至少一口井的钻井控制过程的实时钻井数据进行分析，获得材料物资分析数据，当材料物资剩余量不能完成钻井时，数据分析服务器集群生成物料预警指令，将物料预警指令下发至终端设备。

优选的，数据分析服务器集群设置有分析模型，分析模型包括：进尺数据分析、时效数据分析、能耗数据分析、故障数据分析、钻具数据分析、钻头数据分析、钻速数据分析、钻进参数分析中的一种或多种。

优选的，深度学习服务器集群设置有算法模型，算法模型包括：支撑向量机算法、决策树算法、K-Means聚类算法、循环神经网络算法、卷积神经网络算法中的一种或多种。

优选的，云平台还包括：设备接入服务器，设备接入服务器用于接收外部被控系统发送的钻井数据，并将钻井数据发送至数据存储服务器集群；设备接入服务器还用于对被控系统的实时数据进行缓存。

优选的，数据分析服务器集群，还用于分析被控系统发送的视频数据，自动抓拍钻井过程的违章行为，并将违章行为发送至被控系统。

优选的，云平台还包括Web服务器集群，用于预先接受用户的注册企业账号请求，根据企业账号创建企业组织结构和企业用户，并将已接入的钻井现场设备和企业下的各钻井队进行关联；新建的企业用户登录后，通过Web服务器集群自动关联钻井现场部署的智能钻井专家系统。

优选的，Web服务器集群，还用于接收终端设备发送的控制指令，并将控制指令传输至设备接入服务器，设备接入服务器将控制指令传输至被控系统。

具体地，控制指令包括：钻井系统的工艺设计、钻井系统的工艺修改、钻井系统的工艺优化、钻井设备的维修保养计划、应急启停控制、故障检修指导中的一种或多种。

根据本发明的另一个方面，提供了一种智能钻井控制系统，包括：上述智能钻井控制云平台，还包括智能钻井专家系统和终端设备；智能钻井控制云平台，用于对智能钻井专家系统发送的至少一口井的钻井控制过程的实时钻井数据进行分析，至少得到不同类型的实时分析数据，并将实时分析数据和历史分析数据结合进行机器学习以得到优化数据，并基于所述优化数据形成所述至少一口井的钻井控制过程的优化指令并发送至智能钻井专家系统和终端设备；智能钻井专家系统，根据优化指令，对至少一口井的钻井控制过程的数据进行优化；终端设备，用于显示优化后的至少一口井的钻井控制过程的数据。

优选的，不同类型的实时分析数据包括：故障风险数据、进尺分析数据、时效分析数据、设备能耗分析数据、钻具分析数据、钻头分析数据、钻速分析数据和钻进参数中的一种或多种。优化数据包括：最优钻头参数、最优钻具组合参数和最优钻井参数中的一种或多种。

优选的，云平台还用于接收终端设备发送的控制指令，并将该控制指令通过企业消息队列下发至智能钻井专家系统，智能钻井专家系统执行控制指令，控制指令包括：钻井系统的工艺设计、钻井系统的工艺修改、钻井系统的工艺优化、钻井设备的维修保养计划、应急启停控制、故障检修指导中的一种或多种。

优选的，终端设备还用于，显示效率数据、地层及岩性信息、实时工况及参数信息、故障风险数据、进尺分析数据、时效分析数据、设备能耗分析数据、钻具分析数据、钻头分析数据、钻速分析数据、钻进参数分析数据中的一种或多种；终端设备还用于供用户浏览钻井现场的视频；终端设备还用于用户间的即时通讯。

优选的，云平台还用于记录邻井钻井控制过程的优化数据；所述云平台根据当前井的环境数据，将当前井的钻井控制过程的数据优化为邻井已知的优化数据。

本发明的上述技术方案具有如下有益的技术效果：(1)本申请的智能专家钻井系统采用物联网传感器技术，在钻井现场设置有多个传感器，可以实现数据采集和同步上传功能。以及完成远程控制指令、信息的接收和现场控制任务的执行。(2)通过数据分析服务器集群和深度学习服务器集群，获得分析结果数据，并根据分析结果数据实时在线给出钻井集群各自及综合的进尺、时效、能耗、钻速、风险、故障等在不同年、月、周、日对比数据及态势；并充分挖掘不足和短板，提出改进提升方案和指令。做到系统性综合提升钻井生产、运营、管理和服务水平。(3)云平台各服务间采用MQ机制进行解耦通信，所有的服务采用分布式架构，可在线动态扩容，适应不同规模的数据处理需求。(4)云平台利用物联网技术、大数据云计算技术、人工智能技术等，为油气钻井提供了实时在线的、高效的、智能化的钻井服务生态系统。使油气钻井生产过程、运营服务、管理指挥等工作实现线上线下、全价值链的协同配合、以及体系化高效智能运行，为油气资源精准发现和低成本勘探开发提供了一套系统性解决方案。

附图说明

图1是本发明实施方式提供的智能钻井控制云平台的结构示意图；

图2是本发明实施方式示意性的提供的智能钻井控制云平台的数据流示意图；

图3是本发明实施方式提供的智能钻井控制云平台数据分析流程图；

图4是本发明实施方式提供的终端设备远程控制钻井专家系统的示意图；

图5是本发明实施方式提供的智能钻井控制系统的应用场景图；

图6是根据本发明实施方式提供的智能钻井控制系统的功能结构图。

附图标记：

10：设备接入服务器；20：数据存储服务器集群；21：数据缓存服务器；22：MySQL数据服务器集群；23：实时消息服务器；30：数据分析服务器集群；31：数据仓库HLive；40：深度学习服务器集群；50：视频服务器集群；60:Web服务器集群；70：智能专家钻井系统；80：终端设备；81：移动终端；82：网络终端；83：集中监控大屏。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

图1是本申请实施方式提供的智能钻井控制云平台的结构示意图。

如图1所示，智能钻井控制云平台包括：设备接入服务器10、数据存储服务器集群20、数据分析服务器集群30、深度学习服务器集群40、视频服务器集群50、Web服务器集群60。

智能钻井控制云平台部署在公有云服务器上，采用分布式数据计算、存储、分析平台。其中，设备接入服务器10、数据存储服务器集群20、数据分析服务器集群30、深度学习服务器集群40、视频服务器集群50、Web服务器集群60之间采用MQ机制进行解耦通信，所有的服务采用分布式架构，可在线动态扩容，适应不同规模的数据处理需求。

设备接入服务器10，接收被控系统发送的钻井数据，并将其发送至数据存储服务器集群20，由数据存储服务器集群20存储数据，设备接入服务器10还用于对被控系统的实时数据进行缓存。

数据分析服务器集群30，用于对被控系统发送的至少一口井的钻井控制过程的实时钻井数据进行分析，至少得到不同类型的实时分析数据，并发送给深度学习服务器集群40。

优选的，对被控系统发送的至少一口井的钻井控制过程的实时钻井数据进行数据类型分析，通过对实时钻井数据进行类型识别和划分，得到不同类型的实时分析数据。

具体地，不同类型的实时分析数据包括：故障风险数据、进尺分析数据、时效分析数据、设备能耗分析数据、钻具分析数据、钻头分析数据、钻速分析数据、钻进参数数据和钻井过程中可能出现的风险数据中的一种或多种。

进一步具体地，数据分析服务器集群30设置有分析模型，分析模型包括：进尺数据分析、时效数据分析、能耗数据分析、故障数据分析、钻具数据分析、钻头数据分析、钻速数据分析、钻进参数分析中的一种或多种。

深度学习服务器集群40，用于将实时分析数据和历史分析数据结合进行机器学习以得到优化数据，并将其发送至数据分析服务器集群30；

可选的，深度学习服务器集群40将实时分析数据和全部历史分析数据结合，进行机器学习以得到优化数据。

优选的，深度学习服务器集群40将实时分析数据和部分历史分析数据结合，进行机器学习以得到优化数据。其中，部分历史分析数据不低于30％的历史数据，或者不高于50％的历史数据。如果将实时分析数据和低于30％的历史分析数据结合，那么，分析的数据量可能较少，机器学习得到优化数据不能做到精确。如果将实时分析数据和超过50％的历史数据结合，分析的数据量较多，机器学习处理量过多，可能会导致服务器的运行速度很慢。不能及时响应。因此优选的部分历史分析数据不低于30％的历史数据，不高于50％的历史数据。

数据分析服务器集群30基于优化数据形成所述至少一口井的钻井控制过程的优化指令并发送至被控系统。

优选的，优化数据包括：最优钻头参数、最优钻具组合参数和最优钻井参数中的一种或多种。

进一步具体地，深度学习服务器集群40设置有算法模型，算法模型包括：支撑向量机算法、决策树算法、K-Means聚类算法、循环神经网络算法、卷积神经网络算法中的一种或多种。

数据分析服务器集群30还用于，对被控系统发送的至少一口井的钻井控制过程的实时钻井数据进行分析，获得材料物资分析数据，当材料物资剩余量不能完成钻井时，数据分析服务器集群30生成物料预警指令，将物料预警指令下发至终端设备。

数据分析服务器集群30还用于，分析被控系统发送的视频数据，自动抓拍钻井过程的违章行为，并将违章行为发送至终端设备。

需要说明的是：数据分析服务器集群30可以对被控系统发送的钻井现场的视频数据和被控系统发送的传感器采集的数据分别进行处理；也就是说，数据分析服务器集群30可以在对被控系统发送的至少一口井的钻井控制过程的实时钻井数据进行分析的同时分析被控系统发送的视频数据。

视频服务器集群50，用于存储被控系统发送的视频数据。

Web服务器集群60，用于预先接受用户的注册企业账号请求，根据企业账号创建企业组织结构和企业用户，并将已接入的钻井现场设备和企业下的各钻井队进行关联；新建的企业用户登录后，通过Web服务器集群60自动关联钻井现场部署的智能钻井专家系统。

Web服务器集群60，还用于接收终端设备发送的控制指令，并将控制指令传输至设备接入服务器10，设备接入服务器10将控制指令传输至被控系统。控制指令包括：钻井系统的工艺设计、钻井系统的工艺修改、钻井系统的工艺优化、钻井设备的维修保养计划、应急启停控制、故障检修指导中的一种或多种。

本发明的上述技术方案具有如下有益的技术效果：(1)通过数据分析服务器集群和深度学习服务器集群，获得分析结果数据，并根据分析结果数据实时在线给出钻井集群各自及综合的进尺、时效、能耗、钻速、风险、故障等在不同年、月、周、日对比数据及态势；并充分挖掘不足和短板，提出改进提升方案和指令，做到系统性综合提升钻井生产、运营、管理和服务水平。(2)云平台各服务间采用MQ机制进行解耦通信，所有的服务采用分布式架构，可在线动态扩容，适应不同规模的数据处理需求。(3)云平台利用物联网技术、大数据云计算技术、人工智能技术等，为油气钻井提供了实时在线的、高效的、智能化的钻井服务生态系统。使油气钻井生产过程、运营服务、管理指挥等工作实现线上线下、全价值链的协同配合、以及体系化高效智能运行，为油气资源精准发现和低成本勘探开发提供了一套系统性解决方案。

图2是本发明实施方式示意性的提供的钻井云平台的数据流示意图。

如图2所示，被控系统可以是智能钻井专家系统70，智能钻井专家系统70中的钻井现场设备将实时数据发送至企业消息队列90，企业消息队列90将数据发送至智能钻井控制云平台的设备接入服务器10，设备接入服务器10根据数据的性质和用途的不同，分别将数据存储在数据存储服务器集群上。数据存储服务器集群20可以包括：数据缓存服务器21、MySQL数据服务器集群22和实时消息服务器23。例如，实时数据缓存存储在数据缓存服务器21中，实时消息可以存储在实时消息服务器23中，其他数据可存储在MySQL数据集群22中。其中，数据缓存服务器21可以是Redis服务器。实时消息服务器23再将实时消息发送至Web服务器集群60，Web服务器集群60将实时消息通过WebSocket协议发送至终端设备80上。实时数据通过企业消息队列90和实时消息服务器23，钻井现场数据可以三秒内推送到终端设备。

图3是本发明实施方式提供的智能钻井控制云平台数据分析流程图。

如图3所示，通过智能钻井控制云平台的数据分析服务器集群30进行大数据分析，通过深度学习服务器集群40进行机器学习。钻井现场数据通过大数据分析和机器学习生成优化数据。云平台再将优化数据转化成优化指令发送至通过企业消息队列90，企业消息队列90将优化指令实时下发到钻井现场设备执行，终端设备80也会收到实时获得优化指令的执行情况。优化数据可以是最优钻头参数、最优钻具组合参数和最优钻井参数中的一种或多种。

具体地，钻井现场数据通过大数据分析和机器学习生成优化数据包括以下步骤：

步骤S101，数据分析服务器集群30将多个井的钻井控制过程的实时钻井数据进行日统计，获得日统计数据，并将日统计数据发送到数据仓库HLive31。日统计数据可以是当天钻井进尺统计、当天时效统计、当天钻头钻速统计、当天设备能耗统计等。

步骤S102，MySQL数据服务器集群22对多个井的钻井控制过程的实时钻井数据进行ETL(Extract Transform Load，抽取、转换、加载)数据提取。

具体的，ETL数据提取规则是按照井队的不同进行提取数据，获得多个井队当前钻井的实时数据，多个井队当前钻井的实时数据可以包括多个钻井队钻井过程中的进尺数据、时效数据、设备能耗数据、钻具数据、钻头数据、钻速数据、钻进参数数据、井设计数据、地层岩性数据、钻井设备及材料数据中的一种或多种。MySQL数据服务器集群22将不同井队当前钻井的不同类型的实时数据发送至数据仓库HLive31。

需要说明的是，一般一个井队钻一个井，不同井队的工作时间地点、人手、质量、工况状态也是不同的，因此ETL提取出不同井队钻井当前钻井的实时数据进行提取，以获得多个井队当前钻井的实时数据。比如，当前每个井队累计达到的钻井进度、当前每个井队的设备能耗总量，每个井队的材料剩余量、每个井队的钻井效率等等。

数据仓库HLive31根据日统计数据和多个井队当前钻井的实时数据进行业务提取、分析和整合，并去除部分无效数据，获得当前钻井的不同类型的实时分析数据。其中，部分无效数据可以是：钻井控制过程的噪音数据、停止钻井时现场获取的数据等等。

数据仓库HLive31将当前钻井的不同类型的实时分析数据发送至数据分析服务器集群30。当前钻井的不同类型的实时分析数据包括：故障风险数据、进尺分析数据、时效分析数据、设备能耗分析数据、钻具分析数据、钻头分析数据、钻速分析数据、钻进参数数据和钻井过程中可能出现的风险数据中的一种或多种。

步骤S103，深度学习服务器集群40对当前钻井的不同类型的实时分析数据和历史分析数据针对不同的井身结构、不同区块的地层进行机器学习，获得优化数据。优化数据包括：最优钻头参数、最优钻具组合参数和最优钻井参数中的一种或多种。深度学习服务器集群40将优化数据发送至数据分析服务器集群30，数据分析服务器集群将优化数据生成优化指令，发送到企业消息队列中，企业消息队列将优化指令下发到智能钻井现场设备中；数据分析服务器集群将优化数据生成优化指令发送到远程客户端web服务器，远程客户端web服务器将优化指令通过HTTP形式发送到终端设备，终端设备80也会获得实时指令的执行情况，并显示出来。

本发明实施例提供的云平台，在机器学习时运用支撑向量机算法、决策树算法、K-Means聚类算法、循环神经网络算法、卷积神经网络算法等对实时采集的钻井数据、历史钻井数据和邻井共享数据进行高速分析计算，实时在线给出钻井集群各自及综合的进尺、时效、能耗、钻速、风险、故障等在不同年、月、周、日对比数据及态势，并充分挖掘不足和短板，提出改进提升方案和指令。机器学习针对不同井身结构、不同区块地层，综合分析找出最优钻头选用、最优钻具组合方案、最优钻井参数控制等决策，从而系统性综合提升钻井生产、运营、管理和服务水平。

图4是本发明实施方式提供的终端设备远程控制钻井专家系统的示意图。

如图4所示，钻井专家系统将钻井现场的数据通过企业消息队列90(EMQ，Enterprise Message Queue),实时发送至智能钻井控制云平台的设备接入服务器10，设备接入服务器10将钻井现场的数据、不同类型的实时分析数据或优化数据通过Web Socket协议发送到终端设备80和终端设备80的远程APP上。终端设备80的指令通过Web Socket提交到智能钻井控制云平台，智能钻井控制云平台通过企业消息队列90，下发到智能钻井专家系统，智能钻井专家系统执行该指令。由此，可以进行远程控制。

可选的，终端设备80的指令由专家或者技术人员输入，该指令包括：钻井系统的工艺设计、钻井系统的工艺修改、钻井系统的工艺优化、钻井设备的维修保养计划、应急启停控制、故障检修指导中的一种或多种。

可选的，智能钻井专家系统70中的钻井现场设备安装了GPS定位系统，智能钻井专家系统将GPS信息实时上传到智能钻井控制云平台，智能钻井控制云平台记录了每口井的位置，能够自动匹配当前井的邻井数据。云平台根据当前井的环境数据，将当前井的钻井控制过程的数据优化为邻井已知的优化数据。当前井的环境参数可以是，当前井的井身结构、进尺数据、地层结构等等。本申请的云平台结合大数据和人工智能计算，提前自动调整钻井参数，防范钻井风险；自动运行邻井已知的最优指令、自动推送匹配最优的钻具组合、钻头选择等，提高钻井效率。

优选的，智能钻井控制云平台被控系统发送的至少一口井的钻井控制过程的实时钻井数据进行分析，获得材料物资分析数据，当材料物资剩余量不能完成钻井时，智能钻井控制云平台生成物料预警指令，将物料预警指令下发至终端设备。用户通过终端设备发现物料不足，可以与管理部门、供应及服务商实时在线协同配合高效处理。

优选的，智能钻井控制云平台还可以根据智能钻井专家系统70上传的视频数据，分析钻井现场违章行为和违规动作，对违章行为和违规动作进行自动抓拍，抓拍完成后，形成推送指令，并将推送指令上报至客户端。由现场的工作人员对违规动作和违章行为进行处理，可以杜绝各种风险和事故的发生。

可选的，预先在智能钻井控制云平台中设定违规操作规则和违规动作样例。

本发明的上述技术方案具有如下有益的技术效果：(1)通过数据分析服务器集群和深度学习服务器集群，获得分析结果数据，并根据分析结果数据实时在线给出钻井集群各自及综合的进尺、时效、能耗、钻速、风险、故障等在不同年、月、周、日对比数据及态势；并充分挖掘不足和短板，提出改进提升方案和指令。做到系统性综合提升钻井生产、运营、管理和服务水平。(2)云平台各服务间采用MQ机制进行解耦通信，所有的服务采用分布式架构，可在线动态扩容，适应不同规模的数据处理需求。(3)云平台利用物联网技术、大数据云计算技术、人工智能技术等，为油气钻井提供了实时在线的、高效的、智能化的钻井服务生态系统。使油气钻井生产过程、运营服务、管理指挥等工作实现线上线下、全价值链的协同配合、以及体系化高效智能运行，为油气资源精准发现和低成本勘探开发提供了一套系统性解决方案。

图5是本申请实施方式提供的智能钻井控制云平台的应用场景图，图6是根据本发明实施方式提供的智能钻井控制云平台的功能结构图。

如图5和图6所示，智能钻井控制云平台应用于钻井领域，在钻井过程中，钻井现场包括一个或多个智能钻井专家系统70、智能钻井云平台和终端设备80。每一个智能钻井专家系统70相应的控制一个井的钻井过程。

智能钻井专家系统70控制的主要对象包括：钻机提升系统、钻机旋转系统、钻机循环系统、井场动力设备、井口自动化机具设备、自动井控关井系统、钻井辅助设备等。其中，井口自动化机具设备包括自动猫道、自动排管、铁钻工、动力鼠洞、气动卡瓦、自动吊卡等。

智能钻井专家系统70通过物联网传感器技术，实时采集并计算钻井现场数据，通过智能钻井专家系统中司钻主机的通讯模块，将钻井现场的数据通过4G无线网络上传至智能钻井控制云平台。钻井现场的数据包括：工程设计数据、设备运行数据、设备维保数据、工况状态数据、井身结构数据、靶点油藏数据、地质地层数据、循环流量数据、钻具钻头数据、井口环境数据、指令报表数据、物资材料数据以及其他的实时数据。

智能钻井控制云平台接收并保存智能钻井专家系统70上传的钻井数据，智能钻井控制云平台用于对智能钻井专家系统70发送的至少一口井的钻井控制过程的实时钻井数据进行分析，至少得到不同类型的实时分析数据。其中，不同类型的实时分析数据包括：故障风险数据、进尺分析数据、时效分析数据、设备能耗分析数据、钻具分析数据、钻头分析数据、钻速分析数据和钻进参数、钻井过程中可能出现的风险数据中的一种或多种。

智能钻井控制云平台再对实时分析数据和历史分析数据结合进行机器学习以得到优化数据，优化数据包括：最优钻头参数、最优钻具组合参数和最优钻井参数中的一种或多种。云平台再将优化数据生成优化指令，并将优化指令发送至智能钻井专家系统70，智能钻井专家系统接收到优化指令后，按照这个优化指令进行优化，以便于提升智能钻井专家系统70的性能。

本发明实施例提供的智能钻井控制云平台通过对智能钻井专家系统70上传的数据进行大数据分析和深度学习，对钻井过程中可能出现的风险进行预判，并产生对智能钻井专家系统的优化指令，由智能钻井专家系统进行优化，可以做到对即将发生的风险复杂做出自动规避及处理。可能的风险一般是指钻井过程中的作业风险，比如卡钻、溢流、井涌、井喷等等。

优选的，智能钻井控制云平台还可以根据智能钻井专家系统70上传的视频数据，分析钻井现场违章行为和违规动作，对违章行为和违规动作进行自动抓拍，抓拍完成后，形成推送指令，并将推送指令上报至终端设备。由现场的工作人员对违规动作和违章行为进行处理，可以杜绝各种风险和事故的发生。

可选的，预先在智能钻井控制云平台中设定违规操作规则和违规动作样例。

可选的，智能钻井专家系统中的钻井现场设备安装了GPS定位系统，智能钻井专家系统将GPS信息实时上传到智能钻井控制云平台，智能钻井控制云平台记录了每口井的位置，能够自动匹配当前井的邻井数据。云平台根据当前井的环境数据，将当前井的钻井控制过程的数据优化为邻井已知的优化数据。当前井的环境数据可以是当前井身的结构、当前井的区块地层、进尺数据等等。

优选的，智能钻井控制云平台对被控系统发送的至少一口井的钻井控制过程的实时钻井数据进行分析，获得材料物资分析数据，当材料物资剩余量不能完成钻井时，智能钻井控制云平台生成物料预警指令，将物料预警指令下发至终端设备。用户通过终端设备发现物料不足，可以使管理部门、供应及服务商实时在线协同配合高效处理。

优选的，智能钻井控制云平台接收多个智能钻井专家系统发送的对于多个井钻井过程的数据，对多个井的钻井数据进行分析，得到多个井的钻井控制过程的不同类型的实时分析数据，云平台再结合多个井不同类型的实时分析数据和历史分析数据进行机器学习，同时获得多个井的优化数据，智能钻井控制云平台再将多个井的优化数据形成优化指令并将优化指令发送至相应的智能钻井专家系统，相应的，智能钻井专家系统按照优化指令对多个井的当前的参数进行修改。

本发明提供的智能钻井控制云平台可以做到同时对多个井的钻井过程进行控制，实现多个井的自动化。

终端设备80可以是移动终端81、网络终端82、集中监控大屏83中的一种或者多种。终端设备80采用QT开发实现，采用QWT实现可视化图标；终端设备设计有一个或多个图标，用于显示和/或查找智能专家钻井系统的信息，以及显示和/或查找分析结果数据。

上述终端设备80主要显示：效率数据、地层及岩性信息、实时工况及参数信息、故障风险数据、进尺分析数据、时效分析数据、设备能耗分析数据、钻具分析数据、钻头分析数据、钻速分析数据、钻进参数分析数据中的一种或多种。

用户可以在终端设备上浏览钻井现场的视频；用户还可以通过终端设备进行即时通讯。用户还可以通过终端设备对钻井现场工况数据进行实时监测回查，获取钻井现场的有效作业时间、能够清晰了解钻井现场的各种工况状态组成图谱。

终端设备80接收智能钻井控制云平台发送的不同类型的实时分析数据和优化数据，并显示出智能专家钻井系统的各个参数、不同类型的实时分析数据、优化数据以及当前智能专家钻井系统的状态。以便于钻井专家实时在线指导、控制复杂重点钻井过程。通过终端设备定向工程师可实时在线指导控制定向施工作业。通过终端设备，设备管理专家可远程在线实时诊断设备健康状况、维修保养计划、材料备件保障、应急启停控制、故障检修指导等工作。

移动客户端81可以是手机、平板电脑以及其他的移动客户端。移动客户端81包括显示模块、控制模块、通讯模块。网络客户端包括钻井网络客户端、钻井监督网络客户端、油田甲方网络客户端或第三方服务网络客户端。

显示模块，用于显示智能专家钻井系统的各个参数、不同类型的实时分析数据、优化数据、钻井现场的视频。

具体地，移动客户端81显示信息包括：井信息浏览主面板、当前钻具组合基本信息及当前钻具使用信息、当前钻具组合中钻头信息、地层及岩性信息、实时工况及参数、时效分析、风险分析、设备故障分析、效率排行、钻井现场的视频浏览。

控制模块，用于控制和监控井场实时数据；用于井场远程控制以及井场视频监控。用户可以通过控制模块输入控制指令，移动客户端将控制值发送至智能钻井云平台，智能钻井云平台将控制指令发送至智能钻井专家系统，智能钻井专家系统根据控制指令进行修改。控制指令包括：钻井系统的工艺设计、钻井系统的工艺修改、钻井系统的工艺优化、钻井设备的维修保养计划、应急启停控制、故障检修指导中的一种或多种。

通讯模块，用于接收智能钻井控制云平台发送的不同类型的实时分析数据和优化数据、钻井现场的状态、智能钻井专家系统的参数等信息。还用于将控制指令发送至智能钻井控制云平台。还用于企业中各个用户的实时通讯。

用户可以通过移动客户端81显示的数据对钻井现场设备健康状况在线诊断、可以远程指导设备的维修、远程在线制订钻井现场维修保养计划，和远程控制钻井现场设备的应急启停。

网络终端82可以是计算机。网络终端82包括：显示模块和控制模块。

显示模块，用于显示智能钻井云平台发送的不同类型的实时分析数据、优化数据和智能钻井专家系统的多个参数、井场GIS信息(GeographicInformation System，地学信息系统)、钻井现场的状态、智能钻井专家系统的参数和井场实时事件。

具体地，网络终端82的显示信息包括：显示井信息GIS、井现场视频、井工况等实时信息、历年总进尺数据对比分析及改进方向分析、井队年度进尺对比分析及改进方向分析、钻井队日进尺对比分析、钻井队在钻井数据对比分析、重要历史事件查询、企业总时效分析及改进方向分析、时效可提升分析及改进方向分析、设备故障数据分析、设备能耗数据分析、井队工作效率分析、钻头效率排行榜和邻井数据分析。

控制模块，用于控制和监控井场实时数据；用于井场视频监控。用户可以通过控制模块输入控制指令，网络终端将控制值发送至智能钻井云平台，智能钻井云平台将控制指令发送至智能钻井专家系统，智能钻井专家系统根据控制指令进行修改。

集中监控大屏83，包括显示模块和控制模块。

显示模块，用于显示智能钻井云平台发送的不同类型的实时分析数据、优化数据和智能钻井专家系统的多个参数、井场GIS信息(Geographic Information System，地学信息系统)、钻井现场的状态、智能钻井专家系统的参数和井场实时事件。

具体地，集中监控大屏83显示信息包括：井场信息GIS、井现场视频、井工况等实时信息、历年总进尺数据对比分析及改进方向分析、井队年度进尺对比分析及改进方向分析、钻井队日进尺对比分析、钻井队在钻井数据对比分析、重要历史事件查询、企业总时效分析及改进方向分析、时效可提升分析及改进方向分析、设备故障数据分析、设备能耗数据分析、井队工作效率分析、钻头效率排行榜和邻井数据分析。

控制模块，用于控制和监控井场实时数据以及用于井场视频监控。用户可以通过控制模块输入控制指令，网络终端将控制值发送至智能钻井云平台，智能钻井云平台将控制指令发送至智能钻井专家系统，智能钻井专家系统根据控制指令进行修改。

本发明的上述技术方案具有如下有益的技术效果：(1)本申请的智能专家钻井系统采用物联网传感器技术，在钻井现场设置有多个传感器，可以实现数据采集和同步上传功能。以及完成远程控制指令、信息的接收和现场控制任务的执行。(2)通过数据分析服务器集群和深度学习服务器集群，获得分析结果数据，并根据分析结果数据实时在线给出钻井集群各自及综合的进尺、时效、能耗、钻速、风险、故障等在不同年、月、周、日对比数据及态势；并充分挖掘不足和短板，提出改进提升方案和指令。做到系统性综合提升钻井生产、运营、管理和服务水平。(3)云平台各服务间采用MQ机制进行解耦通信，所有的服务采用分布式架构，可在线动态扩容，适应不同规模的数据处理需求。(4)云平台利用物联网技术、大数据云计算技术、人工智能技术等，为油气钻井提供了实时在线的、高效的、智能化的钻井服务生态系统。使油气钻井生产过程、运营服务、管理指挥等工作实现线上线下、全价值链的协同配合、以及体系化高效智能运行，为油气资源精准发现和低成本勘探开发提供了一套系统性解决方案。

应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。