Εφαρμογή της μηχανικής μάθησης για προληπτική συντήρηση σε συστήματα καθοδικής προστασίας

Η μηχανική μάθηση έχει ενσωματωθεί σε συστήματα στις περισσότερες βιομηχανίες των Ηνωμένων Πολιτειών. Το 2024, η αγορά ML της χώρας μας έφτασε σε πάνω από $21 δισεκατομμύρια στην αποτίμηση λόγω της μεγάλης ζήτησης για αυτοματισμούς και "διδαγμένα" συστήματα.

Στην Dreiym Engineering, έχουμε δει κάποια συστήματα ML να χρησιμοποιούνται για τα πάντα, από την πρόληψη πυρκαγιών έως τη διαχείριση κινδύνων. Ένας συναρπαστικός τομέας ενσωμάτωσης είναι τα συστήματα καθοδικής προστασίας.

Οι παραδοσιακές προσεγγίσεις σε αυτά τα συστήματα διασφάλισης περιλαμβάνουν μια σειρά από χειροκίνητη παρακολούθηση και συντήρηση που δεν πρέπει να επισκιάζονται από τη μηχανική μάθηση. Ωστόσο, υπάρχουν ορισμένα πλεονεκτήματα στη χρήση τόσο των παραδοσιακών όσο και των προηγμένων τεχνολογιών για τη διασφάλιση των αγωγών, των δεξαμενών αποθήκευσης, των θαλάσσιων κατασκευών και των θαμμένων εγκαταστάσεων κοινής ωφέλειας που διαθέτετε αποφύγετε τα διαβρωτικά ζημιά.

Οι περιορισμοί της παραδοσιακής συντήρησης της καθοδικής προστασίας

Το τυπικό σύστημα καθοδικής προστασίας (είτε πρόκειται για γαλβανικό είτε για εντυπωσιακό ρεύμα) λειτουργεί εκτρέποντας τη διάβρωση μακριά από μια μεταλλική επιφάνεια. Αυτό μπορεί να είναι ένα εξαιρετικά αποτελεσματικό εργαλείο, εφόσον είναι καλά σχεδιασμένο και συντηρείται σωστά.

Το πρόβλημα είναι ότι οι επιθεωρήσεις ρουτίνας που πραγματοποιούνται στο παραδοσιακό μοντέλο βασίζονται σε επιθεωρήσεις βάσει χρόνου και σε αντιδραστικές υπηρεσίες. Μια εταιρεία μπορεί να εκτελεί μηνιαίες οπτικές επιθεωρήσεις "περιπάτου" ή ετήσιες στενές έρευνες διαστήματος (CIS).

Παρόλο που αυτά είναι αποτελεσματικά, υπάρχουν πολλά που χάνονται από ένα σύστημα που παρέχει παρακολούθηση σε πραγματικό χρόνο. Φανταστείτε πόσοι πόροι θα μπορούσαν να εξοικονομηθούν εάν τα αναδυόμενα μοτίβα υποβάθμισης ή οι πτώσεις επιδόσεων παρατηρούνταν εγκαίρως. Εδώ είναι που η δύναμη της μηχανικής μάθησης και των αισθητήρων IoT (Internet of Things) μπορεί να κάνει σημαντική διαφορά.

Τι είναι η Προβλεπτική Συντήρηση;

Η έννοια της προληπτικής συντήρησης είναι απλή. Αντί να αντιδράτε σε ό,τι έχει ήδη συμβεί, αναπτύσσετε ένα σύστημα καθοδικής προστασίας που προσβλέπει σε ό,τι μπορεί να συμβεί με βάση την παρακολούθηση και την ανάλυση σε πραγματικό χρόνο.

Οι αλγόριθμοι μηχανικής μάθησης χρησιμοποιούν διάφορα εργαλεία, όπως ιστορικές τάσεις απόδοσης, περιβαλλοντικές μεταβλητές (όπως θερμοκρασία, υγρασία, στάθμη νερού και ειδική αντίσταση εδάφους) και δεδομένα αισθητήρων, για να υπολογίσουν στη συνέχεια πιθανά αποτελέσματα. Είναι κάτι σαν να έχετε έναν μηχανικό στον "σταθμό ετοιμότητας", ο οποίος δεν χρειάζεται ύπνο και λειτουργεί αποκλειστικά με βάση τα παρατηρούμενα δεδομένα. Με αυτόν τον τρόπο, εάν παρατηρηθούν οποιεσδήποτε ανωμαλίες ή τάσεις υποβάθμισης, επισημαίνονται αμέσως και αποστέλλονται για να ειδοποιηθούν οι κατάλληλες ομάδες συντήρησης ή διαχείρισης.

Πώς λειτουργεί η μηχανική μάθηση στα συστήματα CP

Υπάρχουν διάφορα στάδια ενσωμάτωσης της ML που πρέπει να πραγματοποιηθούν πριν μπορέσετε να βασιστείτε σε τέτοια συστήματα για προληπτική συντήρηση. Για παράδειγμα, το ML για την καθοδική προστασία πρέπει να περιλαμβάνει μια ψηφιοποιημένη υποδομή. Πρέπει να εγκατασταθούν οθόνες IoT για τη λήψη σημείων δεδομένων για:

• Δυναμικό σωλήνα-εδάφους (PSP)
• Τρέχουσα έξοδος από τους ανορθωτές
• Πυκνότητα ρεύματος ανόδου
• Τάσεις κυψελών αναφοράς
• Τοπικές εδαφικές συνθήκες
• Περιβαλλοντικοί παράγοντες (θερμοκρασία, pH, υγρασία)

Όλοι αυτοί οι αισθητήρες τροφοδοτούν δεδομένα σε πλατφόρμες που βασίζονται στο cloud ή στο intranet. Εκεί υπολογίζονται και αναλύονται για την ανίχνευση ανωμαλιών, όπως μια ξαφνική πτώση του PSP. Το ML θα αναπτύξει μοντέλα παλινδρόμησης για την πρόβλεψη μελλοντικών τιμών ή μια "πρόβλεψη" για το πού θα πρέπει να βρίσκεται η προστασία. Θα ταξινομήσει επίσης κάθε αισθητήρα ή εξάρτημα για να καθορίσει αν χρειάζεται επιθεώρηση ή αν είναι πιθανό να αποτύχει.

Σε ορισμένες εφαρμογές αιχμής, ο πολλαπλασιασμός του ML και των αισθητήρων μπορεί να οδηγήσει σε προηγμένα νευρωνικά δίκτυα γύρω από την υποδομή προστασίας σας. Αυτό είναι ένα σημαντικό πλεονέκτημα για μεγαλύτερα, πιο σύνθετα συστήματα, όπως ένας αγωγός που διασχίζει όλη τη χώρα.

Ένα πραγματικό παράδειγμα: Αγωγός Παρακολούθηση ακεραιότητας

Η αξία της επιτόπιας παρατήρησης των συστημάτων δεν πρόκειται να χαθεί. Το ML δεν θα αντικαταστήσει τους μηχανικούς με το χέρι επιθεώρηση αγωγών. Αυτό που κάνει το ML είναι να απλοποιεί τη διαδικασία και να προσθέτει ένα ακόμη επίπεδο προστασίας.

Σκεφτείτε έναν αγωγό πετρελαίου μήκους 200 μιλίων με σύστημα καθοδικής προστασίας με εντυπωμένο ρεύμα. Αυτό το εύρος του συστήματος θα απαιτούσε πολλές ομάδες που θα πήγαιναν χειροκίνητα μίλι προς μίλι για να ελέγξουν εκ νέου τα ζητήματα τάσης και τους σταθμούς δοκιμών.

Το ML με αισθητήρες IoT παρέχει παρακολούθηση σε πραγματικό χρόνο σε ολόκληρο το σύστημα. Αντί οι ομάδες να πηγαίνουν συστηματικά χιλιόμετρο προς χιλιόμετρο, μπορούν να επικεντρωθούν στις πιο "επικίνδυνες" περιοχές λόγω των δεδομένων των αισθητήρων και των δεδομένων που αναλύονται.

Τέτοιες ενσωματώσεις εξοικονομούν χρόνο και χρήμα στις εταιρείες. Η εφαρμογή του ML για τα συστήματα καθοδικής προστασίας μετακινεί μια εταιρεία από τη νοοτροπία που επικεντρώνεται στη συμμόρφωση σε μια νοοτροπία στρατηγικής βελτιστοποίησης των περιουσιακών στοιχείων. Οι κανονιστικές ανησυχίες μειώνονται, καθώς η δημιουργία αναφορών και η διαγνωστική διάγνωση μέχρι την τελευταία στιγμή διασφαλίζουν τη σωστή τεκμηρίωση. Για κλάδους όπως το πετρέλαιο και το φυσικό αέριο, αυτό μεταφράζεται σε σημαντική εξοικονόμηση πόρων και ένα πιο σταθερό προφίλ κινδύνου.

Προκλήσεις και προβληματισμοί κατά την εφαρμογή της μηχανικής μάθησης για το CP

Η ενσωμάτωση της μηχανικής μάθησης στα σύγχρονα συστήματα καθοδικής προστασίας δεν γίνεται χωρίς δοκιμές και λάθη. Θα υπάρξουν αυξανόμενοι πόνοι καθώς η εταιρεία σας προσαρμόζεται στην προηγμένη παρακολούθηση και τη συντήρηση αισθητήρων.

Πρώτον, οι αλγόριθμοι ML απαιτούν μεγάλο όγκο δεδομένων υψηλής ποιότητας. Χωρίς αυτές τις πληροφορίες, το μοντέλο δεν μπορεί να προβλέψει με ακρίβεια τις μελλοντικές ανάγκες ή να λειτουργήσει αποτελεσματικά. Ορισμένες παλαιές εταιρείες μπορεί να διαθέτουν σιλό δεδομένων που δεν επικοινωνούν μεταξύ τους ή περιέχουν πληροφορίες που δεν έχουν ακόμη ψηφιοποιηθεί για ιστορική ανάλυση. Η επιτυχία του ML βασίζεται σε μεγάλο βαθμό στις ακριβείς και αξιόπιστες πληροφορίες των αισθητήρων.

Για ένα άλλο, τα μοντέλα ML πρέπει να εκπαιδευτούν. Οι δυνατότητες αυτών των συστημάτων βελτιώνονται με την πάροδο του χρόνου. Αυτό σημαίνει ότι πρέπει να υπάρχει μια ανθρώπινη πινελιά στην ολοκλήρωση που να βασίζεται στην εμπειρογνωμοσύνη και την εξοικείωση με τους στόχους του καθοδικό σύστημα. Ακόμη και τα πιο ισχυρά συστήματα ML δεν μπορούν να λειτουργήσουν αποτελεσματικά εάν δεν υπάρχουν σχετικά παραδείγματα φυσιολογικής και μη φυσιολογικής συμπεριφοράς που να χρησιμεύουν ως σημεία αναφοράς.

Τα παλαιά συστήματα πρέπει επίσης να επιτρέπουν την ενσωμάτωση του ML. Η ήδη υπάρχουσα καθοδική προστασία μπορεί να λειτουργεί ανεξάρτητα από άλλα συστήματα για θέματα συμμόρφωσης. Πρέπει να κατασκευαστούν γέφυρες API ή μπορεί να απαιτηθούν μονάδες υπολογισμού άκρων με υποδομή cloud για να διασφαλιστεί ότι το ML μπορεί να λειτουργήσει με ένα συγκεκριμένο σύστημα. Αυτό θα απαιτήσει κάποιο αρχικό κόστος που μπορεί να είναι απαγορευτικό για ορισμένες εταιρείες ή βιομηχανίες.

Τέλος, υπάρχει ανησυχία σχετικά με την ασφάλεια στον κυβερνοχώρο και τη συμμόρφωση. Η εισαγωγή ενός στρατού αισθητήρων IoT εκθέτει μια εταιρεία σε κίνδυνο κυβερνοεπιθέσεων. Δεν είναι μυστικό ότι ορισμένοι κακόβουλοι φορείς θα αναζητήσουν οργανισμούς που σχετίζονται με υποδομές ως πιθανούς στόχους επίθεσης. Όποιο ML και αν εισαχθεί, πρέπει να περιλαμβάνει κρυπτογράφηση βιομηχανικού επιπέδου, πολυεπίπεδη πιστοποίηση ταυτότητας και τακτικές δοκιμές ευπάθειας για τη διασφάλιση της συμμόρφωσης.

Ο ρόλος μας ως εμπειρογνώμονες μηχανικής

Ναι, η εφαρμογή της μηχανικής μάθησης για συστήματα καθοδικής προστασίας που βελτιώνουν την προληπτική συντήρηση είναι ένα ισχυρό εργαλείο για τη μείωση του κινδύνου και τη βελτίωση των οικονομικών επιδόσεων μιας εταιρείας. Ωστόσο, δεν μπορείτε να βασιστείτε αποκλειστικά σε επιστήμονες δεδομένων ή ειδικούς της πληροφορικής για την εφαρμογή τέτοιων συστημάτων.

Απαιτούνται μηχανικοί με μακρά ιστορία επιτυχίας στον τομέα αυτό για:

• Δοκιμή της χημείας του εδάφους για την πιθανή επίδρασή της στη διάβρωση
• Μέτρηση των ηλεκτρικών παρεμβολών και ποια θωράκιση μπορεί να απαιτείται
• Σχεδιασμός διαφόρων τύπων συστημάτων καθοδικής προστασίας
• Εξασφάλιση πλήρους κανονιστικής συμμόρφωσης και ελέγχων ασφαλείας
• Προσφέροντας ανάλυση τρόπου αστοχίας

Θέλετε ομάδες υψηλής εξειδίκευσης, όπως η δική μας στην Dreiym Engineering, για να διασφαλίσετε τη σωστή μηχανική διάβρωσης, το σχεδιασμό καθοδικής προστασίας και την εγκληματολογική ηλεκτρική μηχανική. Αυτό θα καλύψει το κενό από την ενσωμάτωση νέων τεχνολογιών, όπως η διαχείριση αισθητήρων ML και IoT. Οι επαγγελματικές ομάδες μας μπορούν να ελέγξουν και να αξιολογήσουν τα τρέχοντα συστήματά σας CP για ετοιμότητα ML, προσφέροντας συμβουλές σχετικά με την τοποθέτηση αισθητήρων για να διασφαλιστεί η ακριβέστερη και αποτελεσματικότερη ανάλυση δεδομένων.

Επιπλέον, μια εταιρεία μηχανικών ποιότητας μπορεί να προσφέρει έναν οδικό χάρτη για την εφαρμογή της προληπτικής συντήρησης που θα περιλαμβάνει:

• Αξιολόγηση της υφιστάμενης υποδομής καθοδικής προστασίας
• Έναρξη πιλοτικού προγράμματος με ένα περιουσιακό στοιχείο υψηλής αξίας
• Επικύρωση και προσαρμογή του μοντέλου με τη χρήση ανατροφοδότησης από τις ομάδες
• Ενσωμάτωση του ML στα προγράμματα συντήρησης και στην εκπαίδευση των εργαζομένων
• Εξασφάλιση της επεκτασιμότητας του συστήματος σε περίπτωση που η κάλυψη χρειαστεί να επεκταθεί

Όσο περισσότερη καθοδήγηση από ειδικούς έχετε στα αρχικά στάδια της εφαρμογής του ML, τόσο καλύτερη θα είναι η απόδοση του συστήματος μακροπρόθεσμα. Συνεργασία με την Dreiym Engineering νωρίτερα και όχι μετά την εγκατάσταση, βοηθά στην αποφυγή πολλών από τις δυσκολίες ανάπτυξης που αντιμετωπίζουν ορισμένες εταιρείες κατά την ένταξη της ML στην καθοδική προστασία.

Ένα πιο έξυπνο μέλλον για την προστασία από τη διάβρωση

Δεν υπάρχει αμφιβολία ότι η διάβρωση είναι μια από τις πιο δαπανηρές και επίμονες απειλές για τις υποδομές ζωτικής σημασίας. Η καθοδική προστασία χρησιμεύει εδώ και πολύ καιρό ως πρωταρχική άμυνα κατά των απειλών αυτών. Η ενσωμάτωση της μηχανικής μάθησης για προηγμένη προγνωστική συντήρηση είναι ένας εξαιρετικός τρόπος για την ενίσχυση της προστασίας.

Αν και θα υπάρξουν κάποιες προσαρμογές στις νέες τεχνολογίες και μια επανεκτίμηση των καθηκόντων των εργαζομένων, τα οφέλη από τη μείωση των κινδύνων, την ανάλυση του κόστους και την κατανομή των πόρων δεν μπορούν να υπερεκτιμηθούν. Το ML είναι ένα πολύτιμο εργαλείο που συμπληρώνει την ανθρώπινη επίβλεψη και συμβάλλει στη διασφάλιση της καλής προστασίας των αγωγών, των δεξαμενών και άλλων κατασκευών στο μέλλον.