Implementace strojového učení pro prediktivní údržbu v systémech katodické ochrany

Strojové učení je integrováno do systémů ve většině průmyslových odvětví ve Spojených státech. V roce 2024 dosáhl trh s ML v naší zemi více než $21 miliard v ocenění v důsledku vysoké poptávky po automatizaci a "naučených" systémech.

Ve společnosti Dreiym Engineering jsme se setkali se systémy ML, které se používají pro různé účely, od prevence požárů až po řízení rizik. Jednou ze zajímavých oblastí integrace jsou systémy katodické ochrany.

Tradiční přístupy k těmto bezpečnostním systémům zahrnují řadu manuálních kontrol a údržby, které by neměly být zastíněny strojovým učením. Využití tradičních i pokročilých technologií při zajišťování potrubí, skladovacích nádrží, námořních konstrukcí a podzemních inženýrských sítí má však některé výhody. vyhnout se korozivním látkám poškození.

Omezení tradiční údržby katodické ochrany

Typický systém katodické ochrany (ať už galvanické nebo impulzní) funguje tak, že přesměruje korozi z kovového povrchu. To může být velmi účinný nástroj, pokud je dobře navržen a správně udržován.

Problém spočívá v tom, že rutinní kontroly prováděné v tradičním modelu se opírají o časové kontroly a reaktivní servis. Společnost může provádět měsíční vizuální inspekce nebo roční inspekce. intervalové průzkumy (CIS).

Ty jsou sice účinné, ale systém, který zajišťuje monitorování v reálném čase, toho hodně postrádá. Představte si, kolik prostředků by se dalo ušetřit, kdyby se včas zaznamenaly vznikající degradační vzorce nebo poklesy výkonu. Právě v tom může síla strojového učení a senzorů internetu věcí (IoT) znamenat významnou změnu.

Co je prediktivní údržba?

Koncept prediktivní údržby je jednoduchý. Namísto reakce na to, co se již stalo, vytvoříte systém katodické ochrany, který na základě monitorování a analýzy v reálném čase očekává, co se může stát.

Algoritmy strojového učení využívají různé nástroje, včetně historických trendů výkonnosti, proměnných prostředí (jako je teplota, vlhkost, hladina vody a odpor půdy) a údajů ze senzorů, aby následně vypočítaly potenciální výsledky. Je to něco jako mít na "připravené stanici" inženýra, který nepotřebuje spánek a pracuje čistě na základě pozorovaných dat. Tímto způsobem jsou v případě zjištění jakýchkoli anomálií nebo degradačních trendů okamžitě označeny a odeslány k upozornění příslušných týmů údržby nebo vedení.

Jak funguje strojové učení v systémech CP

Než se budete moci spolehnout na takové systémy pro prediktivní údržbu, musí proběhnout několik fází integrace ML. Například ML pro katodickou ochranu musí zahrnovat digitalizovanou infrastrukturu. Je třeba nainstalovat monitory IoT, které budou zachycovat datové body pro:

• Potenciál propojení potrubí s půdou (PSP)
• Výstupní proud z usměrňovačů
• Hustota anodového proudu
• Napětí referenčních článků
• Místní půdní podmínky
• Faktory prostředí (teplota, pH, vlhkost)

Všechny tyto senzory přenášejí data do cloudových nebo intranetových platforem. Tam se vypočítávají a analyzují pro detekci anomálií, jako je náhlý pokles PSP. ML vytvoří regresní modely pro předpověď budoucích hodnot nebo "prognózu", kde by se měla ochrana nacházet. Rovněž klasifikuje jednotlivé senzory nebo komponenty, aby určil, zda je třeba je zkontrolovat nebo zda je pravděpodobné, že selžou.

V některých špičkových aplikacích může rozšíření ML a senzorů vést k pokročilým neuronovým sítím kolem vaší ochranné infrastruktury. To je významným přínosem pro větší a složitější systémy, jako je například plynovod přes celou zemi.

Příklad z reálného světa: Potrubí Monitorování integrity

Hodnota pozorování systémů přímo na místě nezmizí. ML nenahradí manuální práci inženýrů kontrola potrubí. Systém ML tento proces zjednodušuje a přidává další vrstvu ochrany.

Vezměme v úvahu ropovod o délce 200 mil se systémem katodické ochrany s impulzním proudem. Takový rozsah systému by vyžadoval mnoho týmů, které by ručně objížděly kilometr po kilometru a překontrolovaly problémy s napětím a zkušebními stanicemi.

ML se senzory IoT zajišťuje monitorování celého systému v reálném čase. Místo toho, aby týmy systematicky procházely kilometr po kilometru, mohou se díky senzorům a analyzovaným datům zaměřit na nejvíce "rizikové" oblasti.

Takové integrace šetří firmám čas i peníze. Zavedení ML pro systémy katodické ochrany posouvá společnost od myšlení zaměřeného na dodržování předpisů ke strategické optimalizaci aktiv. Obavy z dodržování předpisů se snižují, protože generování zpráv a aktuální diagnostika zajišťují správnou dokumentaci. Pro odvětví, jako je ropný a plynárenský průmysl, to znamená významné úspory a stabilnější rizikový profil.

Výzvy a úvahy při implementaci strojového učení pro CP

Integrace strojového učení do moderních systémů katodické ochrany se neobejde bez pokusů a omylů. Při přizpůsobování se pokročilému monitorování a údržbě senzorů bude vaše společnost trpět růstem.

Algoritmy ML vyžadují velký objem kvalitních dat. Bez těchto informací nemůže model přesně předpovídat budoucí potřeby ani efektivně fungovat. Některé starší společnosti mohou mít datová sila, která spolu nekomunikují, nebo obsahují informace, které ještě nebyly digitalizovány pro historickou analýzu. Úspěch ML je do značné míry založen na přesných a spolehlivých informacích ze senzorů.

Pro další je třeba vycvičit ML modely. Schopnosti těchto systémů se v průběhu času zlepšují. To znamená, že do integrace musí být zapojen lidský faktor založený na odborných znalostech a obeznámenosti s cíli systému. katodický systém. Ani ty nejvýkonnější ML systémy nemohou fungovat efektivně, pokud neexistují relevantní příklady normálního a abnormálního chování, které by sloužily jako referenční body.

Starší systémy musí rovněž umožňovat integraci ML. Již zavedená katodická ochrana může fungovat nezávisle na ostatních systémech pro otázky shody. Musí být vybudovány mosty API nebo mohou být vyžadovány okrajové výpočetní jednotky s cloudovou infrastrukturou, aby bylo zajištěno, že ML může pracovat s daným systémem. To bude vyžadovat určité počáteční náklady, které mohou být pro některé společnosti nebo odvětví neúnosné.

V neposlední řadě existuje obava z kybernetické bezpečnosti a dodržování předpisů. Zavedením armády senzorů internetu věcí se společnost vystavuje riziku kybernetických útoků. Není žádným tajemstvím, že někteří záškodníci vyhledávají organizace spojené s infrastrukturou jako potenciální cíle útoku. Ať už se zavádí jakýkoli ML, musí zahrnovat šifrování průmyslové úrovně, vícevrstvou autentizaci a pravidelné testování zranitelnosti, aby se zajistila shoda s předpisy.

Naše role technických odborníků

Ano, zavedení strojového učení pro systémy katodické ochrany, které zlepšuje prediktivní údržbu, je mocným nástrojem pro snížení rizika a zlepšení finanční výkonnosti společnosti. Při implementaci takových systémů se však nelze spoléhat pouze na datové vědce nebo IT specialisty.

Inženýři s dlouhou historií úspěchů v této oblasti jsou požadováni pro:

• Testování chemického složení půdy z hlediska jejího potenciálního vlivu na korozi
• Měření elektrického rušení a případné stínění
• Navrhování různých typů systémů katodické ochrany
• Zajištění plného souladu s předpisy a bezpečnostními kontrolami
• Nabídka analýzy způsobů selhání

Chcete, aby vysoce kvalifikované týmy, jako je ten náš v Dreiym Engineering, zajistily správné korozní inženýrství, návrh katodické ochrany a forenzní elektrotechnický vhled. To zacelí mezeru ze zavádění nových technologií, jako je ML a správa senzorů IoT. Naše profesionální týmy mohou provést audit a posouzení vašich stávajících systémů CP z hlediska připravenosti na ML a nabídnout poradenství ohledně umístění senzorů, aby byla zajištěna co nejpřesnější a nejefektivnější analýza dat.

Kvalitní inženýrská firma může navíc nabídnout plán pro zavedení prediktivní údržby, který by zahrnoval:

• Posouzení stávající infrastruktury katodické ochrany
• Spuštění pilotního programu s hodnotným aktivem
• Ověření a úprava modelu na základě zpětné vazby od týmů
• Integrace ML do plánů údržby a školení zaměstnanců
• Zajištění škálovatelnosti systému v případě potřeby rozšíření pokrytí.

Čím více odborného vedení budete mít v počátečních fázích implementace ML, tím lépe bude systém dlouhodobě fungovat. Spolupráce se společností Dreiym Engineering dříve než po instalaci pomáhá předcházet mnoha bolestem, které některé společnosti zažívají při zavádění katodické ochrany ML.

Chytřejší budoucnost ochrany proti korozi

Není pochyb o tom, že koroze je jednou z nejdražších a nejtrvalejších hrozeb pro kritickou infrastrukturu. Katodická ochrana již dlouho slouží jako primární obrana proti těmto hrozbám. Integrace strojového učení pro pokročilou prediktivní údržbu je vynikajícím způsobem, jak zvýšit ochranu.

Přestože dojde k určitým úpravám v souvislosti s novými technologiemi a přehodnocení úkolů zaměstnanců, nelze přeceňovat přínosy snížení rizik, analýzy nákladů a přidělování zdrojů. ML je cenný nástroj, který doplňuje lidský dohled a pomáhá zajistit dobrou ochranu potrubí, nádrží a dalších konstrukcí i do budoucna.