Koneoppimisen soveltaminen ennakoivaan kunnossapitoon katodisuojausjärjestelmissä

Koneellinen oppiminen on integroitu järjestelmiin useimmilla toimialoilla Yhdysvalloissa. Vuonna 2024 maamme ML-markkinat saavuttivat yli 200 miljoonaa euroa. $21 miljardia automaation ja "opetettujen" järjestelmien suuren kysynnän vuoksi.

Dreiym Engineeringissä olemme nähneet ML-järjestelmiä käytettävän kaikkeen palontorjunnasta riskienhallintaan. Yksi mielenkiintoinen integrointialue on katodisuojausjärjestelmät.

Perinteiset lähestymistavat näihin turvajärjestelmiin sisältävät useita manuaalisia valvonta- ja ylläpitotoimenpiteitä, joita ei pitäisi jättää koneoppimisen varjoon. Sekä perinteisten että kehittyneiden tekniikoiden hyödyntämisessä on kuitenkin joitakin etuja putkistojen, varastosäiliöiden, merirakenteiden ja maan alle upotettujen julkisten laitosten varmistamisessa. välttää syövyttäviä vahinkoa.

Perinteisen katodisuojauksen kunnossapidon rajoitukset

Tyypillinen katodisuojausjärjestelmä (galvaaninen tai painevirta) toimii ohjaamalla korroosiota pois metallipinnasta. Tämä voi olla erittäin tehokas väline, kunhan se on hyvin suunniteltu ja asianmukaisesti huollettu.

Ongelmana on, että perinteisen mallin mukaiset rutiinitarkastukset perustuvat aikaperusteisiin tarkastuksiin ja reaktiiviseen palveluun. Yritys saattaa tehdä kuukausittaisia silmämääräisiä tarkastuksia tai vuosittaisia tarkastuksia. tiiviit intervallimittaukset (CIS).

Vaikka nämä ovat tehokkaita, reaaliaikaista seurantaa tarjoavasta järjestelmästä jää paljon puuttumaan. Kuvittele, kuinka paljon resursseja voitaisiin säästää, jos esiin nousevat hajoamismallit tai suorituskyvyn laskut havaittaisiin ajoissa. Tässä kohtaa koneoppimisen ja esineiden internetin (IoT) antureiden teho voi vaikuttaa merkittävästi.

Mitä on ennakoiva kunnossapito?

Ennakoivan kunnossapidon käsite on yksinkertainen. Sen sijaan, että reagoitaisiin jo tapahtuneeseen, kehitetään katodisuojausjärjestelmä, joka reaaliaikaisen seurannan ja analyysin perusteella ennakoi, mitä voi tapahtua.

Koneoppimisalgoritmit käyttävät erilaisia työkaluja, kuten historiallisia suorituskykytrendejä, ympäristömuuttujia (kuten lämpötilaa, kosteutta, vedenpinnan tasoa ja maaperän resistiivisyyttä) ja anturitietoja, laskeakseen mahdolliset tulokset. Se on vähän kuin "valmiusasemalla" olisi insinööri, joka ei tarvitse unta ja toimii pelkästään havaittujen tietojen perusteella. Näin jos havaitaan poikkeamia tai heikkenemissuuntauksia, ne merkitään välittömästi ja lähetetään ilmoittamaan asiasta asianmukaisille huolto- tai johtoryhmille.

Miten koneoppiminen toimii CP-järjestelmissä

ML-integroinnin on tapahduttava useissa eri vaiheissa, ennen kuin tällaisiin järjestelmiin voidaan luottaa ennakoivassa kunnossapidossa. Esimerkiksi katodisen suojauksen ML-järjestelmään on sisällyttävä digitalisoitu infrastruktuuri. IoT-monitorit on asennettava, jotta voidaan kerätä datapisteitä varten:

• Putken ja maaperän välinen potentiaali (PSP)
• Tasasuuntaajien antama virta
• Anodin virrantiheys
• Vertailukennon jännitteet
• Paikalliset maaperäolosuhteet
• Ympäristötekijät (lämpötila, pH, kosteus)

Kaikki nämä anturit syöttävät tietoja pilvipohjaisille tai intranet-alustoille. Siellä ne lasketaan ja analysoidaan poikkeamien, kuten PSP:n äkillisen laskun, havaitsemiseksi. ML kehittää regressiomalleja, joiden avulla voidaan ennustaa tulevia arvoja tai "ennustetta" siitä, missä suojelun pitäisi olla. Se myös luokittelee jokaisen anturin tai komponentin määrittääkseen, tarvitseeko se tarkastusta vai onko se todennäköisesti vikaantumassa.

Joissakin huippuluokan sovelluksissa ML ja anturien lisääntyminen voivat johtaa kehittyneisiin neuroverkkoihin suojausinfrastruktuurin ympärillä. Tämä on merkittävä etu suuremmille ja monimutkaisemmille järjestelmille, kuten maata ylittävälle putkistolle.

Todellisen maailman esimerkki: Putkisto Eheyden valvonta

Järjestelmien paikan päällä tapahtuvan havainnoinnin arvo ei ole katoamassa. ML ei korvaa insinöörejä käsin putkistojen tarkastaminen. ML yksinkertaistaa prosessia ja lisää uuden suojakerroksen.

Tarkastellaan 200 mailin pituista öljyputkea, jossa on katodisuojausjärjestelmä. Tällainen järjestelmä vaatisi paljon ryhmiä, jotka kävisivät manuaalisesti maili maililta tarkistamassa jänniteongelmat ja testiasemat.

ML ja IoT-anturit mahdollistavat reaaliaikaisen seurannan koko järjestelmässä. Sen sijaan, että tiimit kävisivät systemaattisesti kilometri kerrallaan, ne voivat keskittyä anturien ja analysoitujen tietojen ansiosta "riskialttiimpiin" alueisiin.

Tällaiset integraatiot säästävät yritysten aikaa ja rahaa. ML:n käyttöönotto katodisuojausjärjestelmissä siirtää yrityksen vaatimustenmukaisuuteen keskittyvästä ajattelutavasta strategiseen omaisuuserien optimointiin. Sääntelyyn liittyvät huolenaiheet vähenevät, kun raporttien tuottaminen ja ajantasainen diagnostiikka varmistavat asianmukaisen dokumentoinnin. Öljyn ja kaasun kaltaisilla teollisuudenaloilla tämä merkitsee merkittäviä säästöjä ja vakaampaa riskiprofiilia.

CP:n koneoppimisen toteuttamiseen liittyvät haasteet ja näkökohdat

Koneoppimisen integrointi nykyaikaisiin katodisuojausjärjestelmiin ei ole ilman kokeiluja ja virheitä. Yrityksesi sopeutuessa kehittyneeseen valvontaan ja anturien ylläpitoon tulee olemaan kasvukipuja.

ML-algoritmit vaativat suuren määrän korkealaatuista dataa. Ilman näitä tietoja malli ei voi ennustaa tarkasti tulevia tarpeita tai toimia tehokkaasti. Joillakin vanhoilla yrityksillä voi olla datasiiloja, jotka eivät kommunikoi keskenään tai sisältävät tietoa, jota ei ole vielä digitoitu historiallista analyysia varten. ML:n menestys perustuu suurelta osin tarkkaan ja luotettavaan anturitietoon.

Toiseksi ML-mallit on koulutettava. Tällaisten järjestelmien ominaisuudet paranevat ajan myötä. Tämä tarkoittaa sitä, että integroinnissa on oltava inhimillinen ote, joka perustuu asiantuntemukseen ja perehtyneisyyteen tavoitteiden katodijärjestelmä. Tehokkaimmatkaan ML-järjestelmät eivät voi toimia tehokkaasti, jos ei ole olemassa vertailukohtina toimivia esimerkkejä normaalista ja epänormaalista käyttäytymisestä.

Myös vanhojen järjestelmien on mahdollistettava ML-integraatio. Jo käytössä oleva katodisuojaus saattaa toimia muista järjestelmistä riippumattomasti vaatimustenmukaisuuteen liittyvien kysymysten osalta. On rakennettava API-siltoja tai saatetaan tarvita pilvipalveluinfrastruktuurin kanssa varustettuja reunalaskentayksiköitä, jotta voidaan varmistaa, että ML voi toimia tietyn järjestelmän kanssa. Tämä edellyttää joitakin ennakkokustannuksia, jotka voivat olla mahdottomia tietyille yrityksille tai toimialoille.

Lopuksi on vielä huoli kyberturvallisuudesta ja sääntöjen noudattamisesta. IoT-antureiden armeijan käyttöönotto altistaa yrityksen kyberhyökkäysriskille. Ei ole mikään salaisuus, että jotkut pahansuovat toimijat etsivät infrastruktuuriin liittyviä organisaatioita mahdollisina hyökkäyskohteina. Minkä tahansa ML:n käyttöönotossa on käytettävä teollisen tason salausta, monikerroksista todennusta ja säännöllistä haavoittuvuustestausta vaatimustenmukaisuuden varmistamiseksi.

Tehtävämme tekniikan asiantuntijoina

Kyllä, ennakoivaa kunnossapitoa parantavien katodisuojausjärjestelmien koneoppimisen käyttöönotto on tehokas väline riskien vähentämisessä ja yrityksen taloudellisen tuloksen parantamisessa. Tällaisten järjestelmien toteuttamisessa ei kuitenkaan voi luottaa pelkästään datatieteilijöihin tai IT-asiantuntijoihin.

Tarvitaan insinöörejä, joilla on pitkä kokemus menestyksestä tällä alalla:

• Maaperän kemiallisten ominaisuuksien testaaminen sen mahdollisen korroosiovaikutuksen selvittämiseksi
• Sähköisten häiriöiden mittaaminen ja mahdollisesti tarvittava suojaus.
• Erityyppisten katodisuojausjärjestelmien suunnittelu
• Täydellisen sääntelyn noudattamisen ja turvallisuustarkastusten varmistaminen
• Vikaantumistapa-analyysin tarjoaminen

Haluat Dreiym Engineeringin kaltaiset ammattitaitoiset tiimit varmistamaan asianmukaisen korroosiosuunnittelun, katodisuojaussuunnittelun ja rikosteknisen sähkötekniikan. Se täyttää aukon, joka syntyy uusien teknologioiden, kuten ML:n ja IoT-anturien hallinnan, käyttöönotosta. Ammattitaitoiset tiimimme voivat tarkastaa ja arvioida nykyisiä CP-järjestelmiäsi ML-valmiuden kannalta ja antaa neuvoja anturien sijoittelusta, jotta varmistetaan mahdollisimman tarkka ja tehokas data-analyysi.

Lisäksi laatutekniikkayritys voi tarjota ennakoivan kunnossapidon toteuttamista koskevan etenemissuunnitelman, johon sisältyy:

• Nykyisen katodisuojausinfrastruktuurin arviointi
• Pilottiohjelman käynnistäminen arvokkaalla omaisuuserällä
• Mallin validointi ja mukauttaminen tiimeiltä saadun palautteen perusteella
• ML:n sisällyttäminen huoltoaikatauluihin ja työntekijöiden kouluttamiseen.
• Järjestelmän skaalautuvuuden varmistaminen, jos kattavuutta on laajennettava.

Mitä enemmän asiantuntevaa ohjausta saat ML:n käyttöönoton alkuvaiheessa, sitä paremmin järjestelmä toimii pitkällä aikavälillä. Työskentely Dreiym Engineeringin kanssa aiemmin kuin asennuksen jälkeen auttaa ehkäisemään monia kasvukipuja, joita jotkut yritykset kokevat ottaessaan ML:n käyttöön katodisuojausta varten.

Älykkäämpi tulevaisuus korroosiosuojauksessa

Korroosio on kiistatta yksi kriittisen infrastruktuurin kalleimmista ja pysyvimmistä uhkista. Katodinen suojaus on jo pitkään ollut ensisijainen keino torjua näitä uhkia. Koneoppimisen integroiminen kehittyneeseen ennakoivaan kunnossapitoon on erinomainen tapa parantaa suojausta.

Vaikka uusiin teknologioihin on tehtävä joitakin mukautuksia ja työntekijöiden tehtäviä on arvioitava uudelleen, riskien vähentämisen, kustannusanalyysin ja resurssien kohdentamisen hyötyjä ei voi liioitella. ML on arvokas työkalu, joka täydentää ihmisten suorittamaa valvontaa ja auttaa varmistamaan, että putkistot, säiliöt ja muut rakenteet ovat hyvin suojattuja myös tulevaisuudessa.