Implementering af maskinlæring til forebyggende vedligeholdelse i katodiske beskyttelsessystemer

Maskinlæring er integreret i systemer på tværs af de fleste brancher i USA. I 2024 nåede vores lands ML-marked op på over $21 milliarder kroner i værdiansættelse på grund af stor efterspørgsel efter automatisering og "lærte" systemer.

Hos Dreiym Engineering har vi set nogle ML-systemer blive brugt til alt fra brandforebyggelse til risikostyring. Et spændende integrationsområde er katodiske beskyttelsessystemer.

Traditionelle tilgange til disse sikringssystemer involverer en række manuelle overvågnings- og vedligeholdelsesopgaver, som ikke bør overskygges af maskinlæring. Der er dog nogle fordele ved at bruge både traditionelle og avancerede teknologier til at sikre dine rørledninger, lagertanke, marine strukturer og nedgravede forsyningsselskaber undgå ætsende stoffer skade.

Begrænsningerne ved traditionel vedligeholdelse af katodisk beskyttelse

Det typiske katodiske beskyttelsessystem (hvad enten det er galvanisk eller påtrykt strøm) fungerer ved at omdirigere korrosion væk fra en metaloverflade. Det kan være et meget effektivt værktøj, så længe det er godt designet og korrekt vedligeholdt.

Problemet er, at rutineinspektioner, der udføres i den traditionelle model, er afhængige af tidsbaserede inspektioner og reaktiv service. En virksomhed udfører måske månedlige "walkaround" visuelle inspektioner eller årlige Undersøgelser med korte intervaller (CIS).

Selv om de er effektive, er der meget, man går glip af med et system, der leverer overvågning i realtid. Forestil dig, hvor mange ressourcer der kunne spares, hvis nye nedbrydningsmønstre eller fald i ydeevne blev opdaget i tide. Det er her, styrken ved maskinlæring og IoT-sensorer (Internet of Things) kan gøre en betydelig forskel.

Hvad er prædiktiv vedligeholdelse?

Konceptet med prædiktiv vedligeholdelse er ligetil. I stedet for at reagere på det, der allerede er sket, udvikler man et katodisk beskyttelsessystem, der ser frem til det, der kan ske, baseret på overvågning og analyse i realtid.

Maskinlæringsalgoritmer bruger forskellige værktøjer, herunder historiske præstationstendenser, miljøvariabler (f.eks. temperatur, fugtighed, vandstand og jordmodstand) og sensordata, til at beregne potentielle resultater. Det er lidt som at have en ingeniør på "klarstationen", som ikke har brug for søvn og udelukkende arbejder med observerede data. På den måde bliver uregelmæssigheder eller nedbrydningstendenser straks markeret og sendt ud for at underrette de rette vedligeholdelses- eller ledelsesteams.

Sådan fungerer maskinlæring i CP-systemer

Der er flere stadier af ML-integration, som skal finde sted, før man kan stole på sådanne systemer til forudsigelig vedligeholdelse. For eksempel skal ML til katodisk beskyttelse omfatte en digitaliseret infrastruktur. IoT-monitorer skal installeres for at indsamle datapunkter til:

• Rør-til-jord-potentiale (PSP)
• Strømudgang fra ensrettere
• Anode strømtæthed
• Referencecelle-spændinger
• Lokale jordbundsforhold
• Miljømæssige faktorer (temperatur, pH, fugt)

Alle disse sensorer sender data til skybaserede eller intranetbaserede platforme. Det er her, de beregnes og analyseres for at opdage anomalier, som f.eks. et pludseligt fald i PSP. ML udvikler regressionsmodeller til at forudsige fremtidige værdier eller en "prognose" for, hvor beskyttelsen bør være. Den vil også klassificere hver sensor eller komponent for at afgøre, om den skal inspiceres eller sandsynligvis vil fejle.

I nogle banebrydende anvendelser kan ML og sensorudbredelse føre til avancerede neurale netværk omkring din beskyttelsesinfrastruktur. Det er en betydelig fordel for større, mere komplekse systemer, som f.eks. en rørledning på tværs af landet.

Et eksempel fra den virkelige verden: Rørledning Overvågning af integritet

Værdien af at observere systemer på stedet forsvinder ikke. ML vil ikke erstatte ingeniører manuelt Inspektion af rørledninger. Det, ML gør, er at forenkle processen og tilføje endnu et lag af beskyttelse.

Overvej en 200 kilometer lang olierørledning med et katodisk beskyttelsessystem med påtrykt strøm. Et system af det omfang ville kræve, at mange teams manuelt gik kilometer for kilometer for at dobbelttjekke spændingsproblemer og teststationer.

ML med IoT-sensorer giver overvågning i realtid på tværs af hele systemet. I stedet for at teams systematisk går kilometer for kilometer, kan de fokusere på de mest "udsatte" områder på grund af sensorerne og de analyserede data.

Sådanne integrationer sparer virksomheder tid og penge. Implementering af ML til katodiske beskyttelsessystemer flytter en virksomhed fra en compliance-fokuseret tankegang til en strategisk optimering af aktiver. Regulatoriske bekymringer reduceres, da rapportgenerering og opdateret diagnostik sikrer korrekt dokumentation. For brancher som olie og gas betyder det betydelige besparelser og en mere stabil risikoprofil.

Udfordringer og overvejelser i forbindelse med implementering af maskinlæring til CP

Integrationen af maskinlæring i moderne katodiske beskyttelsessystemer er ikke uden forsøg og fejl. Der vil være vokseværk, når din virksomhed tilpasser sig avanceret overvågning og sensorvedligeholdelse.

For det første kræver ML-algoritmer en stor mængde data af høj kvalitet. Uden disse oplysninger kan modellen ikke præcist forudsige fremtidige behov eller fungere effektivt. Nogle ældre virksomheder har måske datasiloer, der ikke kommunikerer med hinanden, eller som indeholder oplysninger, der endnu ikke er blevet digitaliseret til historisk analyse. ML's succes er i høj grad baseret på nøjagtige og pålidelige sensoroplysninger.

For det andet skal ML-modeller trænes. Sådanne systemers evner forbedres over tid. Det betyder, at der skal være et menneskeligt præg på integrationen baseret på ekspertise og kendskab til målene for katodisk system. Selv de mest kraftfulde ML-systemer kan ikke fungere effektivt, hvis der ikke er relevante eksempler på normal og unormal adfærd, der kan tjene som referencepunkter.

Ældre systemer skal også give mulighed for ML-integration. Den katodiske beskyttelse, der allerede er på plads, kan fungere uafhængigt af andre systemer på grund af problemer med overholdelse. Der skal bygges API-broer, eller der kan være behov for edge computing-enheder med cloud-infrastruktur for at sikre, at ML kan fungere med et givet system. Det vil kræve nogle forhåndsomkostninger, som kan være uoverkommelige for visse virksomheder eller brancher.

Endelig er der en bekymring for cybersikkerhed og compliance. Introduktion af en hær af IoT-sensorer udsætter en virksomhed for risiko for cyberangreb. Det er ingen hemmelighed, at nogle ondsindede aktører vil opsøge infrastrukturrelaterede organisationer som potentielle angrebsmål. Uanset hvilken ML der indføres, skal den omfatte kryptering af industriel kvalitet, autentificering i flere lag og regelmæssige sårbarhedstests for at sikre compliance.

Vores rolle som tekniske eksperter

Ja, implementering af maskinlæring til katodiske beskyttelsessystemer, der forbedrer forudsigelig vedligeholdelse, er et stærkt værktøj til at sænke risikoen og forbedre de økonomiske resultater for en virksomhed. Men du kan ikke udelukkende stole på dataforskere eller it-specialister til at implementere sådanne systemer.

Der er brug for ingeniører med en lang historie af succes på dette område:

• Test af jordkemi for dens potentielle effekt på korrosion
• Måling af elektrisk interferens og hvilken afskærmning, der kan være nødvendig
• Design af forskellige typer katodiske beskyttelsessystemer
• Sikre fuld overholdelse af regler og sikkerhedstjek
• Tilbyder analyse af fejltilstande

Du vil have højt kvalificerede teams som vores hos Dreiym Engineering til at sikre korrekt korrosionsteknik, katodisk beskyttelsesdesign og retsmedicinsk elektroteknisk indsigt. Det vil lukke hullet efter indførelsen af nye teknologier som ML og IoT-sensorstyring. Vores professionelle teams kan revidere og vurdere dine nuværende CP-systemer for ML-parathed og tilbyde rådgivning om sensorplacering for at sikre den mest nøjagtige og effektive dataanalyse.

Desuden kan et kvalitetsingeniørfirma tilbyde en køreplan for implementering af forebyggende vedligeholdelse, som vil omfatte:

• Vurdering af den nuværende infrastruktur for katodisk beskyttelse
• Lancering af et pilotprogram med et aktiv af høj værdi
• Modelvalidering og -justering ved hjælp af feedback fra teams
• Integration af ML i vedligeholdelsesplaner og uddannelse af medarbejdere
• Sikre, at systemet er skalerbart, hvis dækningen skal udvides

Jo mere ekspertvejledning du får i de tidlige faser af ML-implementeringen, jo bedre vil systemet fungere på lang sigt. Samarbejde med Dreiym Engineering tidligere i stedet for efter installationen hjælper med at forhindre mange af de vokseværk, som nogle virksomheder oplever, når de indfører ML til katodisk beskyttelse.

En smartere fremtid for korrosionsbeskyttelse

Der er ingen tvivl om, at korrosion er en af de dyreste og mest vedvarende trusler mod kritisk infrastruktur. Katodisk beskyttelse har længe fungeret som et primært forsvar mod sådanne trusler. Integration af maskinlæring til avanceret forudsigelig vedligeholdelse er en fremragende måde at forbedre beskyttelsen på.

Selv om der vil være nogle tilpasninger til nye teknologier og en revurdering af medarbejdernes opgaver, kan fordelene ved risikoreduktion, omkostningsanalyse og ressourceallokering ikke overvurderes. ML er et værdifuldt værktøj, der supplerer det menneskelige tilsyn og hjælper med at sikre, at rørledninger, tanke og andre strukturer er godt beskyttet i fremtiden.