Wdrażanie uczenia maszynowego do konserwacji predykcyjnej w systemach ochrony katodowej

Uczenie maszynowe jest zintegrowane z systemami w większości branż w Stanach Zjednoczonych. W 2024 roku rynek ML w naszym kraju osiągnął ponad $21 mld w wycenie ze względu na wysoki popyt na automatyzację i "wyuczone" systemy.

W Dreiym Engineering widzieliśmy systemy ML wykorzystywane do wszystkiego, od zapobiegania pożarom po zarządzanie ryzykiem. Jednym z ekscytujących obszarów integracji są systemy ochrony katodowej.

Tradycyjne podejście do tych systemów zabezpieczających obejmuje szereg ręcznego monitorowania i konserwacji, które nie powinny być przyćmione przez uczenie maszynowe. Istnieją jednak pewne zalety wykorzystania zarówno tradycyjnych, jak i zaawansowanych technologii w celu zapewnienia, że Państwa rurociągi, zbiorniki magazynowe, konstrukcje morskie i podziemne instalacje użyteczności publicznej unikać żrących uszkodzenie.

Ograniczenia tradycyjnej konserwacji ochrony katodowej

Typowy system ochrony katodowej (galwanicznej lub impedancyjnej) działa poprzez przekierowanie korozji z dala od metalowej powierzchni. Może to być bardzo skuteczne narzędzie, o ile jest dobrze zaprojektowane i odpowiednio konserwowane.

Problem polega na tym, że rutynowe inspekcje przeprowadzane w tradycyjnym modelu opierają się na inspekcjach czasowych i usługach reaktywnych. Firma może przeprowadzać comiesięczne inspekcje wizualne lub coroczne inspekcje wizualne. bliskie badania interwałowe (CIS).

Chociaż są one skuteczne, system zapewniający monitorowanie w czasie rzeczywistym może wiele pominąć. Proszę sobie wyobrazić, ile zasobów można by zaoszczędzić, gdyby pojawiające się wzorce degradacji lub spadki wydajności zostały zauważone w odpowiednim czasie. To właśnie tutaj moc uczenia maszynowego i czujników IoT (Internet of Things) może mieć znaczące znaczenie.

Czym jest konserwacja predykcyjna?

Koncepcja konserwacji predykcyjnej jest prosta. Zamiast reagować na to, co już się wydarzyło, opracowują Państwo system ochrony katodowej, który przewiduje to, co może się wydarzyć w oparciu o monitorowanie i analizę w czasie rzeczywistym.

Algorytmy uczenia maszynowego wykorzystują różne narzędzia, w tym historyczne trendy wydajności, zmienne środowiskowe (takie jak temperatura, wilgotność, poziom wody i rezystywność gleby) oraz dane z czujników, aby następnie obliczyć potencjalne wyniki. To trochę tak, jakby mieć inżyniera na "stacji gotowości", który nie potrzebuje snu i działa wyłącznie na podstawie obserwowanych danych. W ten sposób, w przypadku zauważenia jakichkolwiek anomalii lub trendów degradacji, są one natychmiast oznaczane i wysyłane w celu powiadomienia odpowiednich zespołów konserwacyjnych lub zarządzających.

Jak działa uczenie maszynowe w systemach CP

Istnieje kilka etapów integracji ML, które muszą nastąpić, zanim będzie można polegać na takich systemach w zakresie konserwacji predykcyjnej. Na przykład, ML dla ochrony katodowej musi obejmować zdigitalizowaną infrastrukturę. Należy zainstalować monitory IoT, aby przechwytywać punkty danych dla:

• Potencjał między rurą a glebą (PSP)
• Prąd wyjściowy z prostowników
• Gęstość prądu anodowego
• Napięcia ogniw odniesienia
• Lokalne warunki glebowe
• Czynniki środowiskowe (temperatura, pH, wilgotność)

Wszystkie te czujniki przekazują dane do platform opartych na chmurze lub intranecie. Tam są one obliczane i analizowane pod kątem wykrywania anomalii, takich jak nagły spadek PSP. ML opracuje modele regresji, aby przewidzieć przyszłe wartości lub "prognozę" tego, gdzie powinna być ochrona. Sklasyfikuje również każdy czujnik lub komponent, aby określić, czy wymaga on kontroli, czy też może ulec awarii.

W niektórych nowatorskich zastosowaniach uczenie maszynowe i mnożenie czujników może prowadzić do powstania zaawansowanych sieci neuronowych wokół Państwa infrastruktury ochronnej. Jest to znacząca korzyść w przypadku większych, bardziej złożonych systemów, takich jak rurociągi przesyłowe.

Przykład ze świata rzeczywistego: Rurociąg Monitorowanie integralności

Wartość obserwacji systemów w terenie nie zniknie. ML nie zastąpi inżynierów ręcznie inspekcja rurociągów. ML upraszcza proces i dodaje kolejną warstwę ochrony.

Proszę wziąć pod uwagę 200-kilometrowy rurociąg naftowy z systemem ochrony katodowej. Taki zakres systemu wymagałby wielu zespołów ręcznie przemierzających kilometr po kilometrze w celu podwójnego sprawdzenia kwestii napięcia i stacji testowych.

ML z czujnikami IoT zapewnia monitorowanie w czasie rzeczywistym całego systemu. Zamiast systematycznie przemierzać kilometr po kilometrze, zespoły mogą skupić się na najbardziej "zagrożonych" obszarach dzięki czujnikom i analizowanym danym.

Takie integracje pozwalają firmom zaoszczędzić czas i pieniądze. Wdrożenie ML dla systemów ochrony katodowej przenosi firmę ze sposobu myślenia skoncentrowanego na zgodności na strategiczną optymalizację zasobów. Kwestie regulacyjne są ograniczone, ponieważ generowanie raportów i bieżąca diagnostyka zapewniają właściwą dokumentację. W branżach takich jak naftowa i gazowa przekłada się to na znaczne oszczędności i bardziej stabilny profil ryzyka.

Wyzwania i kwestie związane z wdrażaniem uczenia maszynowego w CP

Integracja uczenia maszynowego w nowoczesnych systemach ochrony katodowej nie odbywa się bez prób i błędów. W miarę jak Państwa firma będzie dostosowywać się do zaawansowanego monitorowania i konserwacji czujników, będą pojawiać się bóle wzrostowe.

Po pierwsze, algorytmy ML wymagają dużej ilości wysokiej jakości danych. Bez tych informacji model nie może dokładnie przewidzieć przyszłych potrzeb ani działać skutecznie. Niektóre starsze firmy mogą mieć silosy danych, które nie komunikują się ze sobą lub zawierają informacje, które nie zostały jeszcze zdigitalizowane do analizy historycznej. Sukces ML w dużej mierze opiera się na dokładnych i wiarygodnych informacjach z czujników.

Po drugie, modele ML muszą zostać przeszkolone. Możliwości takich systemów poprawiają się z czasem. Oznacza to, że integracja musi opierać się na ludzkiej wiedzy i znajomości celów, które mają zostać osiągnięte. system katodowy. Nawet najpotężniejsze systemy ML nie mogą działać skutecznie, jeśli nie ma odpowiednich przykładów normalnych i nienormalnych zachowań, które mogłyby służyć jako punkty odniesienia.

Starsze systemy również muszą umożliwiać integrację ML. Istniejąca już ochrona katodowa może działać niezależnie od innych systemów ze względu na kwestie zgodności. Należy zbudować mosty API lub mogą być wymagane brzegowe jednostki obliczeniowe z infrastrukturą chmury, aby zapewnić, że ML może działać z danym systemem. Będzie to wymagało pewnych kosztów początkowych, które mogą być zaporowe dla niektórych firm lub branż.

Wreszcie, istnieje obawa o cyberbezpieczeństwo i zgodność z przepisami. Wprowadzenie armii czujników IoT naraża firmę na ryzyko cyberataku. Nie jest tajemnicą, że niektórzy złośliwi aktorzy będą szukać organizacji związanych z infrastrukturą jako potencjalnych celów ataku. Niezależnie od tego, jaki system ML zostanie wprowadzony, musi on obejmować szyfrowanie klasy przemysłowej, wielowarstwowe uwierzytelnianie i regularne testowanie podatności na ataki w celu zapewnienia zgodności.

Nasza rola jako ekspertów w dziedzinie inżynierii

Tak, wdrożenie uczenia maszynowego w systemach ochrony katodowej, które usprawnia konserwację predykcyjną, jest potężnym narzędziem obniżającym ryzyko i poprawiającym wyniki finansowe firmy. Nie można jednak polegać wyłącznie na analitykach danych lub specjalistach IT w zakresie wdrażania takich systemów.

Wymagani są inżynierowie z długą historią sukcesów w tej dziedzinie:

• Badanie składu chemicznego gleby pod kątem potencjalnego wpływu na korozję
• Pomiar zakłóceń elektrycznych i wymagane ekranowanie
• Projektowanie różnych typów systemów ochrony katodowej
• Zapewnienie pełnej zgodności z przepisami i kontroli bezpieczeństwa
• Oferowanie analizy trybu awaryjnego

Potrzebują Państwo wysoko wykwalifikowanych zespołów, takich jak nasz w Dreiym Engineering, aby zapewnić odpowiednią inżynierię korozyjną, projektowanie ochrony katodowej i wgląd w elektrotechnikę sądową. Wypełni to lukę we wdrażaniu nowych technologii, takich jak ML i zarządzanie czujnikami IoT. Nasze profesjonalne zespoły mogą przeprowadzić audyt i ocenić Państwa obecne systemy CP pod kątem gotowości do uczenia maszynowego, oferując porady dotyczące rozmieszczenia czujników w celu zapewnienia jak najdokładniejszej i najskuteczniejszej analizy danych.

Co więcej, firma zajmująca się inżynierią jakości może zaoferować plan wdrożenia konserwacji predykcyjnej, który będzie obejmował:

• Ocena obecnej infrastruktury ochrony katodowej
• Uruchomienie programu pilotażowego z zasobem o wysokiej wartości
• Walidacja i dostosowanie modelu z wykorzystaniem informacji zwrotnych od zespołów
• Włączenie ML do harmonogramów konserwacji i szkolenia pracowników
• Zapewnienie skalowalności systemu w przypadku konieczności rozszerzenia zasięgu

Im więcej wskazówek ekspertów otrzymają Państwo na wczesnych etapach wdrażania ML, tym lepiej system będzie działał w dłuższej perspektywie. Współpraca z Dreiym Engineering wcześniej, a nie po instalacji, pomaga uniknąć wielu problemów, z którymi borykają się niektóre firmy podczas wdrażania ML do ochrony katodowej.

Inteligentniejsza przyszłość ochrony przed korozją

Nie ma wątpliwości, że korozja jest jednym z najbardziej kosztownych i trwałych zagrożeń dla infrastruktury krytycznej. Ochrona katodowa od dawna służy jako podstawowa ochrona przed takimi zagrożeniami. Integracja uczenia maszynowego w celu zaawansowanej konserwacji predykcyjnej to doskonały sposób na zwiększenie ochrony.

Choć konieczne będzie dostosowanie się do nowych technologii i ponowna ocena zadań pracowników, korzyści płynące z redukcji ryzyka, analizy kosztów i alokacji zasobów są nie do przecenienia. ML jest cennym narzędziem, które uzupełnia ludzki nadzór i pomaga zapewnić, że rurociągi, zbiorniki i inne konstrukcje będą dobrze chronione w przyszłości.