Внедрение машинного обучения для предиктивного обслуживания систем катодной защиты

Машинное обучение интегрировано в системы большинства отраслей промышленности Соединенных Штатов. В 2024 году рынок машинного обучения в нашей стране достигнет более $21 млрд. в оценке из-за высокого спроса на автоматизацию и "обучаемые" системы.

В компании Dreiym Engineering мы видели, как некоторые системы ML использовались во всех областях - от предотвращения пожаров до управления рисками. Одна из интересных областей интеграции - системы катодной защиты.

Традиционные подходы к этим системам защиты подразумевают ряд ручных операций по мониторингу и обслуживанию, которые не должны затмеваться машинным обучением. Однако есть некоторые преимущества использования как традиционных, так и передовых технологий для обеспечения безопасности Ваших трубопроводов, резервуаров, морских сооружений и подземных коммуникаций избегайте коррозии Ущерб.

Ограничения традиционного обслуживания катодной защиты

Типичная система катодной защиты (будь то гальванический или импрессионный ток) работает, перенаправляя коррозию в сторону от металлической поверхности. Это может быть очень эффективным инструментом при условии, что он хорошо спроектирован и правильно обслуживается.

Проблема заключается в том, что рутинные проверки, проводимые в традиционной модели, основаны на проверках по времени и реактивном обслуживании. Компания может проводить ежемесячные "обходные" визуальные инспекции или ежегодные исследования с близким интервалом (CIS).

Несмотря на их эффективность, система, обеспечивающая мониторинг в режиме реального времени, многое упускает. Представьте, сколько ресурсов можно сэкономить, если своевременно заметить возникающие тенденции к деградации или падение производительности. Именно здесь сила машинного обучения и датчиков IoT (Интернета вещей) может существенно изменить ситуацию.

Что такое прогнозируемое обслуживание?

Концепция прогнозируемого обслуживания проста. Вместо того чтобы реагировать на то, что уже произошло, Вы разрабатываете систему катодной защиты, которая предвидит, что может произойти, основываясь на мониторинге и аналитике в режиме реального времени.

Алгоритмы машинного обучения используют различные инструменты, включая исторические тенденции производительности, переменные окружающей среды (такие как температура, влажность, уровень воды и удельное сопротивление почвы) и данные датчиков, чтобы затем рассчитать потенциальные результаты. Это все равно что иметь инженера на "станции готовности", который не нуждается во сне и работает исключительно на основе наблюдаемых данных. Таким образом, если будут замечены какие-либо аномалии или тенденции к ухудшению, они будут немедленно отмечены и отправлены для уведомления соответствующих групп технического обслуживания или руководства.

Как работает машинное обучение в системах CP

Существует несколько этапов интеграции ML, которые должны произойти, прежде чем Вы сможете полагаться на такие системы для предиктивного обслуживания. Например, ML для катодной защиты должна включать в себя оцифрованную инфраструктуру. Необходимо установить IoT-мониторы для сбора данных:

• Потенциал соединения трубы с почвой (PSP)
• Выходной ток от выпрямителей
• Плотность анодного тока
• Напряжения эталонных элементов
• Местные почвенные условия
• Факторы окружающей среды (температура, pH, влажность)

Все эти датчики передают данные на облачные или интранет-платформы. Именно там они вычисляются и анализируются на предмет обнаружения аномалий, например, внезапного падения PSP. ML разрабатывает регрессионные модели для предсказания будущих значений или "прогноза" того, какой должна быть защита. Он также классифицирует каждый датчик или компонент, чтобы определить, нуждается ли он в проверке или может выйти из строя.

В некоторых передовых приложениях распространение ML и датчиков может привести к созданию продвинутых нейронных сетей вокруг Вашей защитной инфраструктуры. Это значительное преимущество для больших, более сложных систем, таких как трубопровод, проходящий по всей стране.

Пример из реального мира: Трубопровод Контроль целостности

Ценность наблюдения за системами на месте никуда не денется. ML не заменит инженеров, работающих вручную Инспектирование трубопроводов. Что делает ML, так это упрощает процесс и добавляет еще один уровень защиты.

Подумайте о 200-мильном нефтепроводе с системой катодной защиты на основе импульсного тока. Для системы такого масштаба потребуется множество бригад, вручную проходящих милю за милей, чтобы перепроверить проблемы с напряжением и испытательными станциями.

ML с датчиками IoT обеспечивает мониторинг всей системы в режиме реального времени. Вместо того, чтобы команды систематически проходили милю за милей, они могут сосредоточиться на наиболее "рискованных" участках благодаря датчикам и проанализированным данным.

Такие интеграции экономят время и деньги компаний. Внедрение ML для систем катодной защиты переводит компанию с ориентации на соблюдение нормативных требований на стратегическую оптимизацию активов. Проблемы с соблюдением нормативных требований уменьшаются, поскольку генерация отчетов и диагностика в режиме реального времени обеспечивают надлежащее документирование. Для таких отраслей, как нефтегазовая, это означает значительную экономию и более стабильный профиль риска.

Проблемы и соображения при внедрении машинного обучения для CP

Интеграция машинного обучения в современные системы катодной защиты не обходится без проб и ошибок. По мере того, как Ваша компания будет приспосабливаться к расширенному мониторингу и обслуживанию датчиков, будет возникать боль роста.

Во-первых, алгоритмы ML требуют большого объема высококачественных данных. Без этой информации модель не сможет точно предсказать будущие потребности или эффективно работать. В некоторых унаследованных компаниях могут существовать хранилища данных, которые не взаимодействуют друг с другом или содержат информацию, которую еще предстоит оцифровать для исторического анализа. Успех ML во многом зависит от точной и надежной сенсорной информации.

С другой стороны, модели ML должны быть обучены. Возможности таких систем улучшаются со временем. Это означает, что в интеграции должен присутствовать человеческий фактор, основанный на опыте и знакомстве с целями проекта. катодная система. Даже самые мощные системы ML не смогут работать эффективно, если не будет соответствующих примеров нормального и ненормального поведения, которые могли бы послужить точками отсчета.

Устаревшие системы также должны обеспечивать интеграцию ML. Уже установленная катодная защита может работать независимо от других систем, что может привести к нарушению нормативных требований. Необходимо построить API-мосты, или могут потребоваться пограничные вычислительные устройства с облачной инфраструктурой, чтобы обеспечить работу ML с конкретной системой. Это потребует определенных предварительных затрат, которые могут оказаться непосильными для некоторых компаний или отраслей.

Наконец, существует проблема кибербезопасности и соответствия нормативным требованиям. Внедрение целой армии датчиков IoT подвергает компанию риску кибератак. Не секрет, что некоторые злоумышленники будут искать организации, связанные с инфраструктурой, в качестве потенциальных объектов для атак. Какое бы ОД ни было внедрено, оно должно включать в себя шифрование промышленного уровня, многоуровневую аутентификацию и регулярную проверку на уязвимость для обеспечения соответствия требованиям.

Наша роль как экспертов в области инженерии

Да, внедрение машинного обучения для систем катодной защиты, улучшающих предиктивное обслуживание, - это мощный инструмент для снижения рисков и улучшения финансовых показателей компании. Однако при внедрении таких систем нельзя полагаться только на специалистов по анализу данных или ИТ-специалистов.

Инженеры с большим опытом успешной работы в этой области требуются для:

• Тестирование химического состава почвы на предмет его потенциального влияния на коррозию
• Измерение электрических помех и необходимость экранирования
• Проектирование различных типов систем катодной защиты
• Обеспечение полного соответствия нормативным требованиям и проверка безопасности
• Предлагая анализ режимов отказов

Вам нужны высококвалифицированные команды, такие как наша в Dreiym Engineering, чтобы обеспечить правильное проектирование коррозии, катодной защиты и судебную электротехническую экспертизу. Это позволит устранить пробелы, возникающие при внедрении новых технологий, таких как ML и управление датчиками IoT. Наши профессиональные команды могут провести аудит и оценку Ваших текущих систем CP на предмет готовности к ML, предложив рекомендации по размещению датчиков для обеспечения наиболее точного и эффективного анализа данных.

Более того, качественная инженерная фирма может предложить "дорожную карту" для внедрения предиктивного обслуживания, которая будет включать в себя:

• Оценка текущей инфраструктуры катодной защиты
• Запуск пилотной программы с ценным активом
• Проверка и корректировка модели с использованием обратной связи от команд
• Интеграция ОД в графики технического обслуживания и обучение сотрудников
• Обеспечение масштабируемости системы в случае необходимости расширения охвата

Чем больше экспертных рекомендаций Вы получите на ранних этапах внедрения ML, тем лучше будет работать система в долгосрочной перспективе. Работа с Dreiym Engineering Заблаговременная, а не последующая установка поможет избежать многих проблем, с которыми сталкиваются некоторые компании при внедрении ML для катодной защиты.

Более разумное будущее для защиты от коррозии

Несомненно, коррозия является одной из самых дорогостоящих и постоянных угроз для критической инфраструктуры. Катодная защита уже давно служит основным средством защиты от таких угроз. Интеграция машинного обучения для усовершенствованного предиктивного обслуживания - отличный способ усилить защиту.

Несмотря на то, что придется приспосабливаться к новым технологиям и переоценивать задачи сотрудников, преимущества снижения рисков, анализа затрат и распределения ресурсов невозможно переоценить. ML - это ценный инструмент, который дополняет человеческий надзор и помогает обеспечить надежную защиту трубопроводов, резервуаров и других сооружений в будущем.