Mise en œuvre de l'apprentissage automatique pour la maintenance prédictive des systèmes de protection cathodique

L'apprentissage automatique est intégré dans les systèmes de la plupart des secteurs d'activité aux États-Unis. En 2024, le marché de l'apprentissage automatique de notre pays a atteint plus de $21 milliard en raison de la forte demande d'automatisation et de systèmes "enseignés".

Chez Dreiym Engineering, nous avons vu des systèmes de ML utilisés dans tous les domaines, de la prévention des incendies à la gestion des risques. Les systèmes de protection cathodique constituent un domaine d'intégration intéressant.

Les approches traditionnelles de ces systèmes de protection impliquent une série de contrôles et d'entretiens manuels qui ne devraient pas être éclipsés par l'apprentissage automatique. Cependant, il y a certains avantages à utiliser à la fois les technologies traditionnelles et les technologies de pointe pour s'assurer que vos pipelines, réservoirs de stockage, structures marines et services publics enterrés... éviter les produits corrosifs dommages.

Les limites de la maintenance traditionnelle de la protection cathodique

Le système de protection cathodique typique (qu'il soit galvanique ou à courant imposé) fonctionne en redirigeant la corrosion loin d'une surface métallique. Il peut s'agir d'un outil très efficace, à condition qu'il soit bien conçu et correctement entretenu.

Le problème est que les inspections de routine effectuées dans le cadre du modèle traditionnel reposent sur des inspections temporelles et un service réactif. Une entreprise peut effectuer des inspections visuelles mensuelles ou annuelles. enquêtes à intervalles rapprochés (CIS).

Bien que ces systèmes soient efficaces, il y a beaucoup de choses qui échappent à un système de surveillance en temps réel. Imaginez combien de ressources pourraient être économisées si les modèles de dégradation émergents ou les baisses de performance étaient remarqués à temps. C'est là que la puissance de l'apprentissage automatique et des capteurs IoT (Internet des objets) peut faire une différence significative.

Qu'est-ce que la maintenance prédictive ?

Le concept de maintenance prédictive est simple. Au lieu de réagir à ce qui s'est déjà produit, vous développez un système de protection cathodique qui anticipe ce qui pourrait se produire sur la base d'une surveillance et d'une analyse en temps réel.

Les algorithmes d'apprentissage automatique utilisent divers outils, notamment les tendances historiques des performances, les variables environnementales (telles que la température, l'humidité, le niveau d'eau et la résistivité du sol) et les données des capteurs, pour calculer ensuite les résultats potentiels. C'est un peu comme si vous aviez un ingénieur au "poste de préparation" qui n'a pas besoin de dormir et qui travaille uniquement sur la base des données observées. Ainsi, si des anomalies ou des tendances à la dégradation sont constatées, elles sont immédiatement signalées et envoyées pour avertir les équipes de maintenance ou de gestion concernées.

Comment l'apprentissage automatique fonctionne dans les systèmes de PC

Plusieurs étapes de l'intégration de la ML doivent être franchies avant que vous puissiez compter sur de tels systèmes pour la maintenance prédictive. Par exemple, la ML pour la protection cathodique doit inclure une infrastructure numérisée. Des moniteurs IoT doivent être installés pour capturer des points de données pour :

• Potentiel entre le tuyau et le sol (PSP)
• Sortie de courant des redresseurs
• Densité de courant anodique
• Tensions de cellule de référence
• Conditions locales du sol
• Facteurs environnementaux (température, pH, humidité)

Tous ces capteurs transmettent des données à des plates-formes intranet ou basées sur le nuage. C'est là qu'elles sont calculées et analysées pour détecter les anomalies, comme une chute soudaine de la PSP. Le ML développera des modèles de régression pour prédire les valeurs futures ou une "prévision" de l'état de la protection. Il classera également chaque capteur ou composant afin de déterminer s'il doit être inspecté ou s'il est susceptible de tomber en panne.

Dans certaines applications de pointe, la prolifération des ML et des capteurs peut conduire à des réseaux neuronaux avancés autour de votre infrastructure de protection. Il s'agit d'un avantage significatif pour les systèmes plus importants et plus complexes, tels qu'un oléoduc traversant le pays.

Un exemple concret : Pipeline Contrôle de l'intégrité

La valeur de l'observation des systèmes sur le terrain ne disparaîtra pas. La ML ne remplacera pas les ingénieurs manuellement l'inspection des pipelines. Ce que ML fait, c'est simplifier le processus et ajouter une couche de protection supplémentaire.

Prenons l'exemple d'un oléoduc de 200 miles équipé d'un système de protection cathodique à courant imposé. Un tel système nécessiterait de nombreuses équipes se déplaçant manuellement, kilomètre par kilomètre, pour vérifier les problèmes de tension et les stations d'essai.

La ML avec des capteurs IoT permet une surveillance en temps réel de l'ensemble du système. Au lieu de parcourir systématiquement chaque kilomètre, les équipes peuvent se concentrer sur les zones les plus "à risque" grâce aux capteurs et aux données analysées.

De telles intégrations permettent aux entreprises d'économiser du temps et de l'argent. La mise en œuvre de la ML pour les systèmes de protection cathodique permet à une entreprise de passer d'un état d'esprit axé sur la conformité à un état d'esprit axé sur l'optimisation stratégique des actifs. Les préoccupations réglementaires sont réduites car la génération de rapports et les diagnostics de dernière minute garantissent une documentation correcte. Pour des industries comme le pétrole et le gaz, cela se traduit par des économies significatives et un profil de risque plus stable.

Défis et considérations dans la mise en œuvre de l'apprentissage automatique pour la PC

L'intégration de l'apprentissage automatique dans les systèmes modernes de protection cathodique ne se fait pas sans quelques essais et erreurs. Il y aura des douleurs de croissance lorsque votre entreprise s'adaptera à la surveillance avancée et à la maintenance des capteurs.

D'une part, les algorithmes de ML nécessitent un grand volume de données de haute qualité. Sans ces informations, le modèle ne peut pas prédire avec précision les besoins futurs ou fonctionner efficacement. Certaines entreprises peuvent avoir des silos de données qui ne communiquent pas entre eux ou qui contiennent des informations qui n'ont pas encore été numérisées à des fins d'analyse historique. Le succès du ML repose en grande partie sur la précision et la fiabilité des informations fournies par les capteurs.

D'autre part, les modèles de ML doivent être formés. Les capacités de ces systèmes s'améliorent avec le temps. Cela signifie que l'intégration doit avoir une touche humaine basée sur l'expertise et la familiarité avec les objectifs de l'entreprise. système cathodique. Même les systèmes de ML les plus puissants ne peuvent fonctionner efficacement s'il n'existe pas d'exemples pertinents de comportements normaux et anormaux pouvant servir de points de référence.

Les systèmes existants doivent également permettre l'intégration des ML. La protection cathodique déjà en place peut fonctionner indépendamment des autres systèmes pour des questions de conformité. Des ponts API doivent être construits, ou des unités de calcul en périphérie avec une infrastructure en nuage peuvent être nécessaires pour s'assurer que le ML peut fonctionner avec un système donné. Cela nécessitera des coûts initiaux qui peuvent être prohibitifs pour certaines entreprises ou industries.

Enfin, la cybersécurité et la conformité suscitent des inquiétudes. L'introduction d'une armée de capteurs IoT expose une entreprise à un risque de cyberattaque. Ce n'est un secret pour personne que certains acteurs malveillants chercheront à attaquer les organisations liées à l'infrastructure. Quelle que soit la ML introduite, elle doit impliquer un cryptage de qualité industrielle, une authentification multicouche et des tests de vulnérabilité réguliers pour garantir la conformité.

Notre rôle d'experts en ingénierie

Oui, la mise en œuvre de l'apprentissage automatique pour les systèmes de protection cathodique qui améliorent la maintenance prédictive est un outil puissant pour réduire les risques et améliorer les performances financières d'une entreprise. Cependant, vous ne pouvez pas compter uniquement sur les scientifiques des données ou les spécialistes de l'informatique pour mettre en œuvre de tels systèmes.

Les ingénieurs ayant une longue expérience de réussite dans ce domaine sont recherchés pour.. :

• Analyse de la chimie du sol pour déterminer son effet potentiel sur la corrosion
• Mesure des interférences électriques et du blindage éventuellement nécessaire
• Conception de différents types de systèmes de protection cathodique
• Assurer une conformité totale avec la réglementation et les contrôles de sécurité
• Proposer une analyse des modes de défaillance

Vous voulez des équipes hautement qualifiées comme la nôtre à Dreiym Engineering pour assurer une ingénierie de la corrosion appropriée, une conception de la protection cathodique et un aperçu de l'ingénierie électrique médico-légale. Cela permettra de combler les lacunes liées à l'intégration de nouvelles technologies, telles que la ML et la gestion des capteurs IoT. Nos équipes professionnelles peuvent auditer et évaluer vos systèmes de protection cathodique actuels pour s'assurer qu'ils sont prêts pour la ML, en offrant des conseils sur l'emplacement des capteurs afin de garantir l'analyse des données la plus précise et la plus efficace possible.

En outre, une société d'ingénierie de qualité peut proposer une feuille de route pour la mise en œuvre de la maintenance prédictive :

• Évaluation de l'infrastructure actuelle de protection cathodique
• Lancer un programme pilote avec un actif de grande valeur
• Validation et ajustement du modèle à l'aide du retour d'information des équipes
• Intégration des ML dans les programmes de maintenance et dans la formation des employés
• Garantir l'évolutivité du système en cas d'extension de la couverture

Plus vous bénéficiez de conseils d'experts lors des premières étapes de la mise en œuvre du ML, plus le système sera performant à long terme. Travailler avec Dreiym Engineering Le fait de procéder à l'installation avant plutôt qu'après permet d'éviter les problèmes de croissance que certaines entreprises rencontrent lorsqu'elles intègrent la ML à la protection cathodique.

Un avenir plus intelligent pour la protection contre la corrosion

Il ne fait aucun doute que la corrosion est l'une des menaces les plus coûteuses et les plus persistantes qui pèsent sur les infrastructures essentielles. La protection cathodique sert depuis longtemps de défense primaire contre ces menaces. L'intégration de l'apprentissage automatique pour la maintenance prédictive avancée est un excellent moyen de renforcer la protection.

Bien qu'il faille s'adapter aux nouvelles technologies et réévaluer les tâches des employés, les avantages de la réduction des risques, de l'analyse des coûts et de l'affectation des ressources ne peuvent être surestimés. La ML est un outil précieux qui complète la surveillance humaine et contribue à garantir que les pipelines, les réservoirs et les autres structures seront bien protégés à l'avenir.