درک پیش بینی کننده در حفاری دریایی

تعمیر و نگهداری پیش بینی کننده نشان دهنده یک تغییر اساسی از مدیریت دارایی فعال در حفاری دریایی است، جایی که شکست تجهیزات می تواند منجر به میلیون ها دلار در تولید از دست رفته و خطرات شدید محیط زیست، توانایی پیش بینی مشکلات قبل از وقوع آن ارزشمند است، به جای انتظار برای یک جزء حیاتی برای شکستن، اپراتورهای استفاده از نظارت مداوم و تجزیه و تحلیل پیشرفته به زمان دقیق زمانی که نیاز است، گسترش زندگی دارایی و کاهش غیر برنامه ریزی شده است.

این رویکرد به شدت بر جمع آوری و تفسیر داده های بزرگ متکی است - جریان های انبوه اطلاعات تولید شده توسط سنسورها، سیستم های کنترل و log های عملیاتی بر حفاری ها، محیط دریایی چالش های منحصر به فرد را نشان می دهد: فشارهای شدید، آب نمک، مکان های دور و ماشین آلات پیچیده مانند ضربه، حفاری، و تکنیک های پردازش، و پیش بینی کننده داده های قابل پیش بینی، و سیستم های قابل پیش بینی بزرگ.

نقش داده های بزرگ در عملیات دریایی

داده های بزرگ در حفاری دریایی شامل ترابایت داده های ساختار یافته و ساختاریافته است که هر روز تولید می شود، این شامل اندازه گیری سنسور زمان، طیف ارتعاشات، انتشار آکوستیک، خواص مایع، متادیادی تجهیزات و حتی داده های نگهداری تاریخی است. حجم مطلق، سرعت و انواع این داده ها نیاز به ذخیره سازی قوی، پردازش و چارچوب های تحلیلی دارد.

منبع های داده کلیدی و سنسورها

  • سنسورهای تخلیه: بر روی تجهیزات چرخان (پپپپ، توربین ها، کمپرسورها) برای تشخیص عدم تعادل، بدخواهانه یا تخریب، سوار شوید.
  • مبدل های فشار و هیدروژل (FLT 1) سیستم های هیدرولیک، پمپ های گل و زیر دریایی را برای شرایط غیر طبیعی نظارت می کند.
  • سنسورهای انتشار گازهای گلخانه ای: جذب امواج استرس با فرکانس بالا از ترک ها یا نشت در ساختارهای فلزی و خط لوله.
  • ضایعات و ذرات دفع می شود؛ تجزیه و تحلیل روغن برای ذرات فلزی که نشان دهنده سایش داخلی است.
  • سنسورهای حرارتی: [FLT 1] ارتفاع موج اندازه، جریان، سرعت باد و بارگیری یخ که بر ثبات و بارگیری تجهیزات تاثیر می گذارد.

تمام این جریان های داده از طریق اینترنت صنعتی چیزها (IIoT) یکپارچه شده اند سیستم عامل ها، اغلب با استفاده از دستگاه های محاسباتی لبه به سیگنال های پیش پردازش به صورت محلی قبل از انتقال خلاصه به مراکز داده های ساحلی، این هزینه پهنای باند را کاهش می دهد و هشدار زمان واقعی را در هنگام عمل فوری مورد نیاز است.

تکنیک های تحلیلی برای مدل های پیش بینی کننده

داده های سنسور خام باید به پیش بینی های معنی دار تبدیل شوند.

  • [ML] مدل های رگرسیون ماشین: پیش بینی زندگی مفید باقی مانده (RUL) از اجزای با یادگیری الگوهای از داده های شکست تاریخی.
  • الگوریتم های تشخیص ناهنجاری: [FLT 1] انحراف از پاکت های عملیاتی عادی را با استفاده از تکنیک هایی مانند autoencoders یا جنگل های انزوا شناسایی کنید.
  • ] تجزیه و تحلیل درخت و شبکه های بیزی: روابط احتمالاتی بین حالت های مختلف شکست و علائم آنها.
  • دوقلوهای دیجیتال: ، ساخت نسخه های مجازی زمان واقعی از سیستم های فیزیکی برای شبیه سازی استرس، سایش و عملکرد تحت شرایط مختلف.

به عنوان مثال، یک اپراتور پیشرو در دریای شمال یک مدل شبکه (FLT:0) را توسعه داد که داده های ارتعاش و دما را از درایوهای بالا مصرف کرد و خرابی های پیش بینی شده را تا دو هفته قبل از زنگ خطرهای آستانه سنتی تشخیص داد.این هشدار اولیه به آنها اجازه داد تا یک پنجره تعمیر و نگهداری کوتاه را در طول بازدید از کشتی ارسال کنند، صرفه جویی بیش از 1 میلیون دلار در تولید بدون برنامه ریزی برای خاموش شدن.

مزایای Big Data-Driven پیش بینی کننده

هنگامی که به طور موثر اجرا می شود، تجزیه و تحلیل داده های بزرگ بهبود قابل اندازه گیری در ایمنی، هزینه و معیارهای بهره وری را ارائه می دهد.

  • خرابی های کاهش یافته: مدل های پیش بینی کننده می توانند شکست ها را با زمان های سرب مختلف از ساعت ها تا ماه ها پیش بینی کنند. تشخیص اولیه به اپراتورهای اجازه می دهد تا مداخلات را در طول تغییرات معمول خدمه یا پنجره های آب و هوایی، به حداقل رساندن تاثیر در پیشرفت حفاری برنامه ریزی کنند.
  • پس انداز Cost: نگهداری تنها زمانی انجام می شود که خطر شکست از آستانه تجاوز می کند، از بین بردن اصلاحات غیرضروری.یک اپراتور بزرگ گزارش داد که کاهش 30٪ در هزینه های نگهداری پس از اتخاذ برنامه ریزی داده محور برای پمپ های زیر دریایی.
  • ایمنی تحمل شده: جلوگیری از شکست فاجعه بار - مانند خرابی ضربه یا پارگی افزایش - محافظت از پرسنل و محیط زیست همچنین می تواند نشت گاز و خطرات آتش در زمان واقعی نظارت.
  • بهره وری عملیاتی: تعمیر و نگهداری بهینه سازی گسترش عمر تجهیزات و بهبود اثربخشی کلی تجهیزات (OEE) نظارت مداوم عملیات مبتنی بر شرایط را قادر می سازد، و دارایی ها را به محدودیت های خود بدون بیش از مرزهای امن است.
  • انطباق اصلاح: بسیاری از حوزه های قضایی در حال حاضر نیاز به اپراتورهای برای نشان دادن مدیریت ریسک فعال دارند.

چالش های در پیاده سازی نگهداری پیش بینی شده با داده های بزرگ

علی رغم مزایای روشن، اپراتورهای حفاری دریایی با موانع متعددی در هنگام استقرار راه حل های داده بزرگ مواجه هستند.

کیفیت داده ها و حجم

حرکت سنسور، ارزش های از دست رفته و سیگنال های پر سر و صدا می توانند دقت مدل را کاهش دهند.محیط های دریایی ابزار موضوع به اسپری نمک، لرزش و شدت دما، منجر به خطا. تمیز کردن داده ها و تکنیک های قطع عضو ضروری اما محاسباتی گران هستند، ذخیره و انتقال ترابایت داده های با فرکانس بالا از سیستم عامل های دور نیاز به زیرساخت های IT قابل توجه دارد.

اتصال و پهنای باند

بسیاری از دکل های دریایی به لینک های ماهواره ای با پهنای باند محدود و تاخیر بالا متکی هستند. Edge Computing با پردازش داده ها به صورت محلی و ارسال فقط خلاصه یا هشدار کمک می کند، اما این پیچیدگی را اضافه می کند.به روز رسانی مدل زمان واقعی یا آموزش مجدد در این سخت افزار ممکن است نیاز به سخت افزار تخصصی (به عنوان مثال، خوشه های GPU) که باید برای استفاده دریایی ناهموار شوند.

ادغام با سیستم های میراث

دکل های قدیمی تر اغلب سیستم های کنترل ناهمگن (SCADA، PLC ها از فروشندگان مختلف) دارند که داده ها را در فرمت های استاندارد صادر نمی کنند.این سیستم ها با پلتفرم های مدرن IIoT نیاز به آداپتورهای سفارشی و اعتبار دقیق دارند.یک مطالعه اخیر از یک کنسرسیوم صنعت اشاره کرد که 60 درصد از دارایی های دریایی هنوز از پروتکل های اختصاصی استفاده می کنند که مانع از پذیرش داده های بزرگ می شوند.

شکاف مهارت و تغییر سازمانی

دانشمندان داده که هر دو یادگیری ماشین و مهندسی مکانیک را درک می کنند نادر هستند. خدمه در سخت افزار باید آموزش ببینند تا هشدار های پیش بینی شده را تفسیر کنند و به طور مناسب پاسخ دهند، نه اینکه به برنامه های تعمیر و نگهداری ثابت تکیه کنیم. - ما همیشه این کار را انجام داده ایم - برنامه های موفق اغلب شامل قهرمانان مدیریت تغییر و تیم های متقابل عملکردی هستند.

خطرات امنیت سایبری

افزایش اتصال سیستم های کنترل خارج از کشور را به تهدیدات سایبری نشان می دهد.یک نفوذ می تواند داده های سنسور را دستکاری کند، سیستم های ایمنی را غیرفعال کند یا آسیب فیزیکی ایجاد کند. اپراتورها باید تقسیم بندی شبکه قوی، رمزگذاری و نظارت مداوم در زمینه های صنعت تهدید مانند 62443 دستورالعمل هایی برای امنیت سیستم های اتوماسیون صنعتی ارائه دهند.

چشم انداز آینده: AI، Twins دیجیتال و عملیات مستقل

موج بعدی نوآوری در نگهداری پیش بینی شده برای حفاری دریایی توسط هوش مصنوعی و دیجیتال دوگانه توسط هدایت خواهد شد ، مدل های بزرگ زبان و هوش مصنوعی عمومی می توانند در حال حاضر توزیع های تعمیر و نگهداری را تجزیه و تحلیل منابع و تحلیل زمان دقیق، و تجزیه و تحلیل زمان دقیق داده ها را به کار گیرند.

به عنوان مثال، استفاده از دوقلوهای دیجیتال در سراسر میدان یوهان Sverdrup کاهش خاموش شدن های بدون برنامه ریزی شده توسط 20٪. Twins شبیه سازی کل سیستم تولید، پیش بینی مسائل مربوط به اطمینان جریان و استرس تجهیزات مدت طولانی قبل از اینکه آنها تبدیل به بحرانی شوند.

در نهایت، چشم انداز حفاری دریایی خودکار است، که در آن سخت می تواند خود تشخیص و مشکلات جزئی خود را بهبود بخشد، تنها تعمیرات عمده ای را به مداخله انسانی منتقل می کند، این نیاز به ادغام دقیق تجزیه و تحلیل داده های بزرگ، رباتیک و مراکز عملیات از راه دور، مانند کسانی که توسط [LT:2] او 80٪ حفاری از راه دور، حفاری الگوریتم های معمول حفاری، نشان داده های معمول، مکزیکو ثابت شده است.

با این حال، استقلال کامل یک هدف بلند مدت است. تنظیم کنندگان و بیمه گران باید موارد ایمنی را برای تصمیم گیری های مبتنی بر هوش مصنوعی تأیید کنند.این صنعت همچنین باید به پیامدهای اخلاقی و نیروی کار رسیدگی کند.

به طور خلاصه، ادغام تجزیه و تحلیل داده های بزرگ به نگهداری پیش بینی شده نه تنها یک بهبود تدریجی است - این یک ضرورت استراتژیک برای اپراتورهای حفاری دریایی است که به دنبال رقابت، ایمن و پایدار در چشم انداز انرژی به طور فزاینده ای به چالش کشیدن است.