יישום למידת מכונה לתחזוקה חזויה במערכות הגנה קתודית

למידת מכונה משולבת במערכות ברוב התעשיות בארצות הברית. בשנת 2024, שוק הלמידה החישובית של ארצנו הגיע ליותר מ... $21 מיליארד בשווי עקב ביקוש גבוה לאוטומציה ומערכות "נלמדות".

בדריים הנדסה, ראינו כמה מערכות למידת מכונה (ML) המשמשות לכל דבר, החל ממניעת שריפות ועד ניהול סיכונים. תחום מרגש אחד של אינטגרציה הוא במערכות הגנה קתודית.

גישות מסורתיות למערכות הגנה אלו כרוכות בסדרה של ניטור ותחזוקה ידניים שלא צריכים להיות בצל למידת מכונה. עם זאת, ישנם כמה יתרונות לשימוש בטכנולוגיות מסורתיות ומתקדמות כאחד באבטחת צינורות, מיכלי אחסון, מבנים ימיים ומערכות תשתית קבורות. הימנעו מאכל נֵזֶק.

המגבלות של תחזוקת הגנה קתודית מסורתית

מערכת הגנה קתודית טיפוסית (בין אם גלוונית או זרם מוטבע) פועלת על ידי הפניית קורוזיה הרחק ממשטח מתכת. זה יכול להיות כלי יעיל ביותר כל עוד הוא מתוכנן היטב ומתוחזק כראוי.

הבעיה היא שבדיקות שגרתיות המבוצעות במודל המסורתי מסתמכות על בדיקות מבוססות זמן ושירות תגובתי. חברה עשויה לבצע בדיקות ויזואליות חודשיות "מסעיפות" או בדיקות שנתיות סקרים במרווחי זמן קרובים (חבר העמים).

למרות שאלו יעילים, ישנם דברים רבים שפספסים במערכת המספקת ניטור בזמן אמת. דמיינו כמה משאבים ניתן לחסוך אם דפוסי פגיעה מתפתחים או ירידות ביצועים יבחינו בזמן. כאן כוחם של חיישני למידת מכונה ו-IoT (האינטרנט של הדברים) יכולים לעשות את ההבדל המשמעותי.

מהי תחזוקה חזויה?

הרעיון של תחזוקה חזויה הוא פשוט. במקום להגיב למה שכבר קרה, מפתחים מערכת הגנה קתודית שמצפה למה שעשוי לקרות על סמך ניטור וניתוח בזמן אמת.

אלגוריתמים של למידת מכונה משתמשים בכלים שונים, כולל מגמות ביצועים היסטוריות, משתנים סביבתיים (כגון טמפרטורה, לחות, מפלס מים והתנגדות קרקע) ונתוני חיישנים, כדי לחשב תוצאות אפשריות. זה קצת כמו מהנדס ב"תחנת המוכנות" שלא צריך לישון ופועל אך ורק על סמך נתונים נצפים. בדרך זו, אם מורגשות אנומליות או מגמות של פגיעה, הן מסומנות מיד ונשלחות להודיע לצוותי תחזוקה או ניהול מתאימים.

כיצד למידת מכונה פועלת במערכות CP

ישנם מספר שלבים של שילוב למידה חישובית (ML) שחייבים להתרחש לפני שניתן לסמוך על מערכות כאלה לתחזוקה חזויה. לדוגמה, ML להגנה קתודית חייב לכלול תשתית דיגיטלית. יש להתקין צגי IoT כדי ללכוד נקודות נתונים עבור:

• פוטנציאל צינור-קרקע (PSP)
• פלט זרם ממיישרים
• צפיפות זרם האנודה
• מתחי תא ייחוס
• תנאי הקרקע המקומיים
• גורמים סביבתיים (טמפרטורה, pH, לחות)

כל החיישנים הללו מזינים נתונים לפלטפורמות מבוססות ענן או אינטרא-נט. שם הם מחושבים ומנותחים לצורך זיהוי אנומליות, כמו ירידה פתאומית ב-PSP. ה-ML יפתח מודלי רגרסיה כדי לחזות ערכים עתידיים או "תחזית" היכן צריכה להיות ההגנה. הוא גם יסווג כל חיישן או רכיב כדי לקבוע אם הוא זקוק לבדיקה או שסביר להניח שייכשל.

ביישומים מתקדמים מסוימים, למידה מרחוק (ML) וריבוי חיישנים יכולים להוביל לרשתות נוירונים מתקדמות סביב תשתית ההגנה שלך. זהו יתרון משמעותי עבור מערכות גדולות ומורכבות יותר, כגון צינור חוצה ארצות.

דוגמה מהעולם האמיתי: צינור ניטור יושרה

הערך של תצפית בשטח על מערכות לא ייעלם. למידה אלקטרונית לא תחליף מהנדסים באופן ידני. בדיקת צינורותמה ש-ML עושה זה לפשט את התהליך ולהוסיף שכבת הגנה נוספת.

קחו לדוגמה צינור נפט באורך 320 קילומטרים עם מערכת הגנה קתודית מפני זרם מופעל. מערכת בהיקף כזה תדרוש צוותים רבים שיעבדו ידנית קילומטר אחר קילומטר כדי לבדוק שוב ושוב בעיות מתח ותחנות בדיקה.

למידה מרחוק (ML) עם חיישני IoT מספקת ניטור בזמן אמת על פני המערכת כולה. במקום שצוותים יעבדו באופן שיטתי קילומטר אחר קילומטר, הם יכולים להתמקד באזורים "הבסיכון" ביותר הודות לחיישן ולנתונים שנותחו.

אינטגרציות כאלה חוסכות לחברות זמן וכסף. יישום למידה אלקטרונית (ML) עבור מערכות הגנה קתודיות מעביר חברה מחשיבה המתמקדת בתאימות לגישה של אופטימיזציה אסטרטגית של נכסים. חששות רגולטוריים מצטמצמים ככל שיצירת דוחות ואבחון עדכני מבטיחים תיעוד נכון. עבור תעשיות כמו נפט וגז, זה מתורגם לחיסכון משמעותי ולפרופיל סיכונים יציב יותר.

אתגרים ושיקולים ביישום למידת מכונה עבור CP

שילוב למידת מכונה במערכות הגנה קתודית מודרניות אינו ללא ניסוי וטעייה. יהיו קשיי גדילה ככל שהחברה שלכם תסתגל לניטור מתקדם ותחזוקת חיישנים.

ראשית, אלגוריתמי למידה חישובית דורשים כמות גדולה של נתונים באיכות גבוהה. ללא מידע זה, המודל אינו יכול לחזות במדויק צרכים עתידיים או לפעול ביעילות. חברות מסוימות מדור קודם עשויות להכיל מאגרי נתונים שאינם מתקשרים זה עם זה או מכילים מידע שטרם עבר דיגיטציה לצורך ניתוח היסטורי. הצלחת הלמידה החישובית מבוססת במידה רבה על מידע חיישנים מדויק ואמין.

שנית, יש לאמן מודלים של למידה חישובית. היכולות של מערכות כאלה משתפרות עם הזמן. משמעות הדבר היא שחייבת להיות מגע אנושי באינטגרציה המבוסס על מומחיות והיכרות עם מטרות ה... מערכת קתודיתאפילו מערכות למידת מכונה (ML) החזקות ביותר אינן יכולות לתפקד ביעילות אם אין דוגמאות רלוונטיות של התנהגות נורמלית וחריגה שישמשו כנקודות התייחסות.

מערכות מדור קודם חייבות לאפשר גם שילוב של למידה חישובית (ML). ההגנה הקתודית הקיימת עשויה לפעול באופן עצמאי ממערכות אחרות עקב בעיות תאימות. יש לבנות גשרי API, או שיידרשו יחידות מחשוב קצה עם תשתית ענן כדי להבטיח שהלמידה חישובית תוכל לפעול עם מערכת נתונה. זה ידרוש עלויות ראשוניות שעשויות להיות גבוהות מדי עבור חברות או תעשיות מסוימות.

לבסוף, ישנה דאגה בנוגע לאבטחת סייבר ותאימות. הצגת צבא של חיישני IoT חושפת חברה לסיכון להתקפות סייבר. אין זה סוד שחלק מהגורמים הזדוניים יחפשו ארגונים הקשורים לתשתיות כיעדים פוטנציאליים להתקפה. לא משנה איזו למידה חישובית תוצג, היא חייבת לכלול הצפנה ברמה תעשייתית, אימות רב שכבתי ובדיקות פגיעויות סדירות כדי להבטיח תאימות.

תפקידנו כמומחים הנדסיים

כן, יישום למידת מכונה עבור מערכות הגנה קתודית המשפרות תחזוקה ניבויית הוא כלי רב עוצמה בהפחתת סיכונים ובשיפור הביצועים הפיננסיים של חברה. עם זאת, אי אפשר להסתמך אך ורק על מדעני נתונים או מומחי IT כדי ליישם מערכות כאלה.

נדרשים מהנדסים בעלי היסטוריה ארוכה של הצלחה בתחום זה עבור:

• בדיקת כימיה של הקרקע לצורך השפעתה הפוטנציאלית על קורוזיה
• מדידת הפרעות חשמליות ואיזה מיגון עשוי להידרש
• תכנון סוגים שונים של מערכות הגנה קתודיות
• הבטחת תאימות מלאה לתקנות ובדיקות בטיחות
• מציע ניתוח מצבי כשל

אתם רוצים צוותים מיומנים כמו שלנו ב-Dreiym Engineering כדי להבטיח הנדסת קורוזיה נכונה, תכנון הגנה קתודית ותובנות הנדסת חשמל פורנזית. זה יסגור את הפער בהטמעת טכנולוגיות חדשות, כגון ניהול למידה וניהול חיישני IoT. הצוותים המקצועיים שלנו יכולים לבדוק ולהעריך את מערכות ה-CP הנוכחיות שלכם למוכנות ל-ML, ולהציע ייעוץ לגבי מיקום חיישנים כדי להבטיח את ניתוח הנתונים המדויק והיעיל ביותר.

יתר על כן, חברת הנדסה איכותית יכולה להציע מפת דרכים ליישום תחזוקה חזויה שתכלול:

• הערכת תשתית הגנה קתודית קיימת
• השקת תוכנית פיילוט עם נכס בעל ערך גבוה
• אימות והתאמה של המודל באמצעות משוב מצוותים
• שילוב ML בלוחות זמנים של תחזוקה והכשרת עובדים
• הבטחת יכולת הרחבה של המערכת במקרה הצורך להרחיב את הכיסוי

ככל שתהיה לכם יותר הדרכה מקצועית בשלבים המוקדמים של יישום למידה רגילה, כך המערכת תעבוד טוב יותר בטווח הארוך. עבודה עם דריים הנדסה התקנה מוקדמת יותר ולא אחריה מסייעת במניעת רבים מכאבי הגדילה שחברות מסוימות חוות בעת הטמעת ML להגנה קתודית.

עתיד חכם יותר להגנה מפני קורוזיה

אין ספק שקורוזיה היא אחד האיומים היקרים והמתמשכים ביותר על תשתיות קריטיות. הגנה קתודית משמשת זה מכבר כהגנה עיקרית מפני איומים כאלה. שילוב למידת מכונה לתחזוקה ניבויית מתקדמת הוא דרך מצוינת לשפר את ההגנה.

בעוד שיהיו כמה התאמות לטכנולוגיות חדשות והערכה מחודשת של משימות העובדים, לא ניתן להפריז ביתרונות של הפחתת סיכונים, ניתוח עלויות והקצאת משאבים. למידה חשמלית היא כלי יקר ערך המשלים פיקוח אנושי ומסייע להבטיח שצינורות, מיכלים ומבנים אחרים מוגנים היטב בעתיד.