Masinõppe rakendamine ennetavaks hoolduseks katoodilise kaitse süsteemides

Masinõpe on integreeritud süsteemidesse enamikus Ameerika Ühendriikide tööstusharudes. Aastal 2024 ulatus meie riigi ML-turg üle $21 miljard hindamisel, mis on tingitud suurest nõudlusest automatiseerimise ja "õpetatud" süsteemide järele.

Dreiym Engineering on näinud, kuidas ML-süsteeme kasutatakse kõigeks, alates tulekahjude ennetamisest kuni riskijuhtimiseni. Üks põnev integratsioonivaldkond on katoodilise kaitse süsteemid.

Traditsioonilised lähenemisviisid nendele kaitsesüsteemidele hõlmavad mitmeid käsitsi tehtavaid seire- ja hooldustöid, mida ei tohiks varjutada masinõppega. Siiski on nii traditsiooniliste kui ka täiustatud tehnoloogiate kasutamisel mõned eelised, et tagada teie torustike, mahutite, merekonstruktsioonide ja maapealsete kommunaalteenuste toimimine vältida söövitavaid kahju.

Traditsioonilise katoodilise kaitse hoolduse piirangud

Tüüpiline katoodiline kaitsesüsteem (kas galvaaniline või impulssvool) toimib, suunates korrosiooni metallpinnalt eemale. See võib olla väga tõhus vahend, kui see on hästi kavandatud ja nõuetekohaselt hooldatud.

Probleem seisneb selles, et traditsioonilise mudeli kohaselt tehtavad rutiinsed kontrollid põhinevad ajapõhistel kontrollidel ja reaktiivsel teenindamisel. Ettevõte võib teha igakuiseid visuaalseid kontrolle või iga-aastaseid visuaalseid kontrolle. tihedad intervalliuuringud (CIS).

Kuigi need on tõhusad, jääb reaalajas jälgimise süsteemist palju puudu. Kujutage ette, kui palju ressursse saaks säästa, kui tekkivaid halvenemismustreid või jõudluse langust õigeaegselt märgata. Siinkohal võivad masinõppe ja asjade interneti (Internet of Things) andurite võimsus teha märkimisväärset vahet.

Mis on ennetav hooldus?

Ennetava hoolduse kontseptsioon on lihtne. Selle asemel, et reageerida sellele, mis on juba toimunud, töötate välja katoodilise kaitse süsteemi, mis vaatab ette, mis võib juhtuda reaalajas toimuva seire ja analüüsi põhjal.

Masinõppe algoritmid kasutavad võimalike tulemuste arvutamiseks erinevaid vahendeid, sealhulgas ajaloolisi tulemuslikkuse suundumusi, keskkonnamuutujaid (nagu temperatuur, niiskus, veetase ja pinnase eritakistus) ning andurite andmeid. See on justkui "valmisjaamas" olev insener, kes ei vaja magamist ja tegutseb puhtalt vaadeldud andmete põhjal. Sel viisil, kui märkab mingeid kõrvalekaldeid või halvenemise suundumusi, märgitakse need kohe ära ja saadetakse välja, et teavitada õigeid hooldus- või juhtrühmi.

Kuidas masinõpe CP-süsteemides toimib

Enne, kui saate sellistele süsteemidele ennetava hoolduse puhul toetuda, peab ML-integratsioon toimuma mitmes etapis. Näiteks peab ML katoodilise kaitse jaoks hõlmama digitaliseeritud infrastruktuuri. Paigaldada tuleb asjade interneti monitoorid, et koguda andmepunkte:

• Toru-maapotentsiaal (PSP)
• Ümberlaadijate voolutugevus
• Anoodivoolu tihedus
• Võrdluselemendi pinged
• Kohalikud pinnasetingimused
• Keskkonnategurid (temperatuur, pH, niiskus)

Kõik need andurid edastavad andmeid pilvepõhistele või intranetipõhistele platvormidele. Seal arvutatakse ja analüüsitakse neid anomaaliate tuvastamiseks, näiteks äkilise PSP languse tuvastamiseks. ML töötab välja regressioonimudelid, et ennustada tulevasi väärtusi või "prognoosi" selle kohta, kus kaitse peaks olema. Samuti klassifitseerib see iga anduri või komponendi, et määrata kindlaks, kas see vajab kontrollimist või on tõenäoliselt rike.

Mõnes tipptasemel rakenduses võib ML ja sensorite levik viia täiustatud neuronivõrkude tekkimiseni teie kaitseinfrastruktuuri ümber. See on märkimisväärne eelis suuremate ja keerukamate süsteemide, näiteks maadevahelise torujuhtme puhul.

Reaalse maailma näide: Torustik Terviklikkuse järelevalve

Süsteemide kohapealse vaatluse väärtus ei kao. ML ei asenda insenere käsitsi torustike kontrollimine. ML lihtsustab protsessi ja lisab veel ühe kaitsekihi.

Mõelge 200 miili pikkusele naftatorustikule, millel on katoodilise kaitsega impulssvoolusüsteem. Sellise ulatusega süsteem nõuaks palju meeskondi, kes käiksid käsitsi miilide kaupa, et kontrollida pingeprobleeme ja katsejaamu.

ML koos asjade interneti anduritega tagab reaalajas jälgimise kogu süsteemis. Selle asemel, et meeskonnad läbiksid süstemaatiliselt kilomeetrite kaupa, saavad nad tänu anduritele ja analüüsitud andmetele keskenduda kõige "riskantsematele" piirkondadele.

Sellised integratsioonid säästavad ettevõtete aega ja raha. Katoodilise kaitse süsteemide ML-i rakendamine viib ettevõtte nõuetele vastavusele keskendunud mõtteviisilt strateegilise vara optimeerimise mõtteviisile. Regulatiivsed probleemid vähenevad, kuna aruannete koostamine ja ajakohane diagnostika tagavad nõuetekohase dokumentatsiooni. Nafta- ja gaasitööstuses tähendab see märkimisväärset kokkuhoidu ja stabiilsemat riskiprofiili.

Väljakutsed ja kaalutlused CP masinõppe rakendamisel

Masinõppe integreerimine kaasaegsetesse katoodilise kaitse süsteemidesse ei ole ilma mõningate katsetusteta ja vigadeta. Ettevõte kohaneb täiustatud seire ja andurite hooldusega, mis toob kaasa kasvuvalu.

Esiteks vajavad ML-algoritmid suurt hulka kvaliteetseid andmeid. Ilma selle teabeta ei saa mudel täpselt ennustada tulevasi vajadusi ega toimida tõhusalt. Mõnedel vanematel ettevõtetel võivad olla andmesilosid, mis ei suhtle omavahel või sisaldavad teavet, mida ei ole veel digiteeritud ajaloolise analüüsi jaoks. ML-i edu põhineb suuresti täpsel ja usaldusväärsel anduriinformatsioonil.

Teiseks tuleb koolitada ML-mudeleid. Selliste süsteemide võimekus paraneb aja jooksul. See tähendab, et integreerimisel peab olema inimlik lähenemine, mis põhineb ekspertiisil ja eesmärkide tundmisel. katoodiline süsteem. Isegi kõige võimsamad ML-süsteemid ei saa tõhusalt toimida, kui puuduvad asjakohased näited normaalse ja ebanormaalse käitumise kohta, mis oleksid võrdluspunktideks.

Ka olemasolevad süsteemid peavad võimaldama ML-integratsiooni. Juba olemasolev katoodiline kaitse võib toimida teistest süsteemidest sõltumatult nõuetele vastavuse küsimustes. Tuleb luua API-sillad või võib olla vaja pilveinfrastruktuuriga servaarvutusüksusi, et tagada MLi toimimine koos konkreetse süsteemiga. See nõuab mõningaid algkulusid, mis võivad olla teatavate ettevõtete või tööstusharude jaoks ebasoodsad.

Lõpuks on mure küberturvalisuse ja nõuetele vastavuse pärast. Asjade interneti sensorite armee kasutuselevõtt seab ettevõtte küberrünnakute ohtu. Ei ole saladus, et mõned pahatahtlikud osalejad otsivad infrastruktuuriga seotud organisatsioone potentsiaalsete rünnakuobjektidena. Mis iganes ML kasutusele võetakse, peab see hõlmama tööstuslikku krüpteerimist, mitmekihilist autentimist ja regulaarset haavatavuse testimist, et tagada vastavus.

Meie roll insener-tehniliste ekspertidena

Jah, masinõppe rakendamine katoodilise kaitse süsteemide jaoks, mis parandab prognoosivat hooldust, on võimas vahend riski vähendamiseks ja ettevõtte finantstulemuste parandamiseks. Selliste süsteemide rakendamisel ei saa siiski loota ainult andmeteadlastele või IT-spetsialistidele.

Pikaajalise edukogemusega insenerid on nõutavad:

• Pinnase keemilise koostise testimine selle võimaliku mõju suhtes korrosioonile
• Elektrihäirete mõõtmine ja vajalik varjestus
• Erinevate katoodilise kaitse süsteemide projekteerimine
• Täieliku õigusnormide täitmise ja ohutuse kontrollimise tagamine
• Pakkudes veaolukorra analüüsi

Te soovite kõrge kvalifikatsiooniga meeskondi nagu meie Dreiym Engineering, et tagada nõuetekohane korrosioonitehnika, katoodilise kaitse projekteerimine ja kohtuekspertiisi elektrotehniline ülevaade. See täidab uute tehnoloogiate, näiteks ML ja asjade interneti andurite juhtimise, kasutuselevõtust tuleneva tühimiku. Meie professionaalsed meeskonnad saavad auditeerida ja hinnata teie praeguseid CP-süsteeme ML-valmiduse osas, pakkudes nõu andurite paigutamise kohta, et tagada kõige täpsem ja tõhusam andmeanalüüs.

Lisaks sellele võib kvaliteetne insenerifirma pakkuda tegevuskava ennetava hoolduse rakendamiseks, mis hõlmaks järgmist:

• Praeguse katoodilise kaitse infrastruktuuri hindamine
• Pilootprogrammi käivitamine suure väärtusega varaga
• Mudeli valideerimine ja kohandamine, kasutades meeskondade tagasisidet
• ML-i integreerimine hooldusgraafikutesse ja töötajate koolitamisse
• Süsteemi skaleeritavuse tagamine, kui katvust on vaja laiendada.

Mida rohkem ekspertide juhendamist te saate ML-i rakendamise varajases etapis, seda paremini toimib süsteem pikemas perspektiivis. Töötamine Dreiym Engineeringiga varem, mitte pärast paigaldamist, aitab vältida paljusid kasvuprobleeme, mida mõned ettevõtted kogevad ML-i katoodilise kaitse juurutamisel.

Korrosioonikaitse arukam tulevik

Ei ole kahtlust, et korrosioon on üks kõige kallimaid ja püsivamaid ohte elutähtsale infrastruktuurile. Katoodiline kaitse on pikka aega olnud esmane kaitsevahend selliste ohtude vastu. Masinõppe integreerimine täiustatud ennetavaks hoolduseks on suurepärane viis kaitse suurendamiseks.

Kuigi tuleb teha mõningaid kohandusi uute tehnoloogiatega ja hinnata ümber töötajate ülesandeid, ei saa ülehinnata riskide vähendamise, kulude analüüsi ja ressursside jaotamise eeliseid. ML on väärtuslik vahend, mis täiendab inimlikku järelevalvet ja aitab tagada, et torustikud, mahutid ja muud rajatised on ka tulevikus hästi kaitstud.