Machine-leren implementeren voor voorspellend onderhoud in kathodische beschermingssystemen

Machine learning is geïntegreerd in systemen in de meeste industrieën in de Verenigde Staten. In 2024 bereikte de ML-markt van ons land meer dan $21 miljard in waardering als gevolg van de grote vraag naar automatisering en "aangeleerde" systemen.

Bij Dreiym Engineering hebben we een aantal ML-systemen gebruikt zien worden voor van alles en nog wat, van brandpreventie tot risicobeheer. Een spannend integratiegebied is dat van de kathodische beschermingssystemen.

Traditionele benaderingen van deze beveiligingssystemen omvatten een reeks handmatige controles en onderhoud die niet overschaduwd mogen worden door machinaal leren. Er zijn echter voordelen verbonden aan het gebruik van zowel traditionele als geavanceerde technologieën om ervoor te zorgen dat uw pijpleidingen, opslagtanks, maritieme constructies en ondergrondse nutsvoorzieningen bijtende stoffen vermijden schade.

De beperkingen van traditioneel kathodisch beschermingsonderhoud

Het typische kathodische beschermingssysteem (of het nu galvanische stroom of geïmponeerde stroom is) werkt door corrosie weg te leiden van een metalen oppervlak. Dat kan een zeer effectief hulpmiddel zijn, zolang het goed ontworpen en goed onderhouden is.

Het probleem is dat routine-inspecties volgens het traditionele model gebaseerd zijn op tijdsgebaseerde inspecties en reactieve service. Een bedrijf kan maandelijkse "walkaround" visuele inspecties uitvoeren of jaarlijkse nauwe intervalonderzoeken (CIS).

Hoewel deze effectief zijn, wordt er veel gemist door een systeem dat real-time monitoring biedt. Stelt u zich eens voor hoeveel resources er bespaard zouden kunnen worden als opkomende degradatiepatronen of prestatiedalingen tijdig opgemerkt worden. Dat is waar de kracht van machine learning en IoT-sensoren (Internet of Things) een groot verschil kunnen maken.

Wat is voorspellend onderhoud?

Het concept van voorspellend onderhoud is eenvoudig. In plaats van te reageren op wat er al gebeurd is, ontwikkelt u een kathodisch beschermingssysteem dat vooruitkijkt naar wat er kan gebeuren op basis van real-time monitoring en analyses.

Algoritmen voor machinaal leren maken gebruik van verschillende hulpmiddelen, waaronder historische prestatietrends, omgevingsvariabelen (zoals temperatuur, vochtigheid, waterpeil en bodemweerstand) en sensorgegevens, om vervolgens potentiële uitkomsten te berekenen. Het is een beetje alsof er een ingenieur in het "gereedstation" zit die geen slaap nodig heeft en puur op geobserveerde gegevens werkt. Als er op die manier afwijkingen of degradatietrends worden opgemerkt, worden deze onmiddellijk gesignaleerd en verzonden om de juiste onderhouds- of beheerteams op de hoogte te stellen.

Hoe Machine Learning werkt in CP-systemen

Er zijn verschillende stadia van ML-integratie die moeten plaatsvinden voordat u op dergelijke systemen kunt vertrouwen voor voorspellend onderhoud. ML voor kathodische bescherming moet bijvoorbeeld een gedigitaliseerde infrastructuur omvatten. Er moeten IoT-monitoren worden geïnstalleerd om gegevenspunten vast te leggen voor:

• Pijp-tot-bodem-potentiaal (PSP)
• Stroomuitgang van gelijkrichters
• Anode stroomdichtheid
• Referentiecelspanningen
• Plaatselijke bodemgesteldheid
• Omgevingsfactoren (temperatuur, pH, vocht)

Al deze sensoren leveren gegevens aan cloud- of intranetplatforms. Daar worden ze berekend en geanalyseerd op anomaliedetectie, zoals een plotselinge daling in PSP. De ML ontwikkelt regressiemodellen om toekomstige waarden te voorspellen of een "prognose" van waar de bescherming zou moeten zijn. Het zal ook elke sensor of component classificeren om te bepalen of deze geïnspecteerd moet worden of waarschijnlijk zal falen.

In sommige geavanceerde toepassingen kunnen ML en sensorproliferatie leiden tot geavanceerde neurale netwerken rond uw beschermingsinfrastructuur. Dat is een belangrijk voordeel voor grotere, complexere systemen, zoals een pijplijn door het hele land.

Een voorbeeld uit de praktijk: Pijplijn Integriteitsbewaking

De waarde van het ter plekke observeren van systemen verdwijnt niet. ML zal ingenieurs niet handmatig vervangen inspecteren van pijpleidingen. ML vereenvoudigt het proces en voegt een extra beschermingslaag toe.

Denk eens aan een oliepijpleiding van 200 mijl met een kathodisch beschermingssysteem op basis van geïmponeerde stroom. Voor een dergelijk systeem zouden veel teams handmatig mijl voor mijl moeten afleggen om spanningsproblemen en teststations dubbel te controleren.

ML met IoT-sensoren zorgt voor realtime monitoring van het hele systeem. In plaats van dat teams systematisch kilometer voor kilometer afleggen, kunnen ze zich dankzij de sensor- en geanalyseerde gegevens richten op de gebieden met het meeste "risico".

Dergelijke integraties besparen bedrijven tijd en geld. Het implementeren van ML voor kathodische beschermingssystemen verandert een bedrijf van een op naleving gerichte denkwijze naar een van strategische activa-optimalisatie. Zorgen over regelgeving worden verminderd doordat rapporten en tot op de minuut nauwkeurige diagnoses zorgen voor de juiste documentatie. Voor industrieën zoals olie en gas betekent dit aanzienlijke besparingen en een stabieler risicoprofiel.

Uitdagingen en overwegingen bij het implementeren van Machine Learning voor CP

De integratie van machine learning in moderne kathodische beschermingssystemen gaat niet zonder vallen en opstaan. Er zullen groeipijnen zijn terwijl uw bedrijf zich aanpast aan geavanceerde bewaking en sensoronderhoud.

Ten eerste hebben ML-algoritmen een grote hoeveelheid gegevens van hoge kwaliteit nodig. Zonder die informatie kan het model toekomstige behoeften niet nauwkeurig voorspellen of effectief werken. Sommige oudere bedrijven kunnen datasilo's hebben die niet met elkaar communiceren of informatie bevatten die nog gedigitaliseerd moet worden voor historische analyse. Het succes van ML is grotendeels gebaseerd op nauwkeurige en betrouwbare sensorinformatie.

Voor een ander moeten ML-modellen worden getraind. De mogelijkheden van dergelijke systemen worden met de tijd beter. Dat betekent dat de integratie een menselijk tintje moet hebben op basis van expertise en bekendheid met de doelen van de kathodisch systeem. Zelfs de krachtigste ML-systemen kunnen niet effectief functioneren als er geen relevante voorbeelden van normaal en abnormaal gedrag zijn die als referentiepunten kunnen dienen.

Bestaande systemen moeten ook ML-integratie mogelijk maken. De kathodische bescherming die al aanwezig is, werkt mogelijk onafhankelijk van andere systemen voor nalevingsproblemen. Er moeten API-bruggen worden gebouwd, of edge computing units met cloud-infrastructuur kunnen nodig zijn om ervoor te zorgen dat de ML met een bepaald systeem kan werken. Dat zal wat aanloopkosten met zich meebrengen die voor bepaalde bedrijven of industrieën onbetaalbaar kunnen zijn.

Tot slot is er de bezorgdheid over cyberbeveiliging en compliance. De introductie van een leger IoT-sensoren stelt een bedrijf bloot aan het risico van cyberaanvallen. Het is geen geheim dat sommige kwaadwillende actoren infrastructuurgerelateerde organisaties als potentiële aanvalsdoelen zullen uitkiezen. Wat voor ML er ook wordt geïntroduceerd, het moet industriële encryptie, meerlaagse authenticatie en regelmatige kwetsbaarheidstests omvatten om naleving te garanderen.

Onze rol als technische experts

Ja, het implementeren van machine learning voor kathodische beschermingssystemen die voorspellend onderhoud verbeteren, is een krachtig hulpmiddel om de risico's te verlagen en de financiële prestaties van een bedrijf te verbeteren. U kunt echter niet alleen vertrouwen op gegevenswetenschappers of IT-specialisten om dergelijke systemen te implementeren.

Ingenieurs met een lange geschiedenis van succes op dit gebied zijn nodig voor:

• Bodemchemie testen op zijn potentiële effect op corrosie
• Meten van elektrische interferentie en welke afscherming nodig kan zijn
• Ontwerpen van verschillende soorten kathodische beschermingssystemen
• Zorgen voor volledige naleving van de regelgeving en veiligheidscontroles
• Faalmodeanalyse aanbieden

U wilt hoogopgeleide teams zoals die van Dreiym Engineering om te zorgen voor de juiste corrosietechniek, ontwerp van kathodische bescherming en forensisch inzicht in elektrotechniek. Dat zal de kloof dichten van het in gebruik nemen van nieuwe technologieën, zoals ML en IoT-sensorbeheer. Onze professionele teams kunnen uw huidige CP-systemen controleren en beoordelen op ML-klaarheid, en advies geven over de plaatsing van sensoren om de meest nauwkeurige en effectieve gegevensanalyse te garanderen.

Bovendien kan een ingenieursbureau een stappenplan voor de implementatie van voorspellend onderhoud bieden dat het volgende omvat:

• Beoordeling van de huidige infrastructuur voor kathodische bescherming
• Een proefprogramma lanceren met een hoogwaardig bedrijfsmiddel
• Modelvalidatie en -aanpassing met behulp van feedback van teams
• Integratie van ML in onderhoudsschema's en training van werknemers
• Ervoor zorgen dat het systeem schaalbaar is als de dekking moet worden uitgebreid

Hoe meer deskundige begeleiding u krijgt in de vroege stadia van ML-implementatie, hoe beter het systeem op de lange termijn zal presteren. Werken met Dreiym Engineering eerder in plaats van na de installatie helpt om veel van de groeipijnen te voorkomen die sommige bedrijven ervaren bij het aan boord nemen van ML voor kathodische bescherming.

Een slimmere toekomst voor corrosiebescherming

Het lijdt geen twijfel dat corrosie een van de duurste en hardnekkigste bedreigingen voor kritieke infrastructuur is. Kathodische bescherming heeft lang gediend als een primaire verdediging tegen dergelijke bedreigingen. Het integreren van machine learning voor geavanceerd voorspellend onderhoud is een uitstekende manier om de bescherming te verbeteren.

Hoewel er enkele aanpassingen aan nieuwe technologieën en een herwaardering van de taken van werknemers nodig zullen zijn, kunnen de voordelen van risicovermindering, kostenanalyse en toewijzing van middelen niet genoeg benadrukt worden. ML is een waardevol hulpmiddel dat menselijk toezicht aanvult en ervoor zorgt dat pijpleidingen, tanks en andere structuren ook in de toekomst goed beschermd zijn.