Implementering av maskininlärning för förebyggande underhåll i katodiska skyddssystem

Maskininlärning är integrerat i system inom de flesta branscher i USA. År 2024 nådde ML-marknaden i vårt land över $21 miljarder i värdering till följd av hög efterfrågan på automation och "lärda" system.

På Dreiym Engineering har vi sett några ML-system användas för allt från brandskydd till riskhantering. Ett spännande integrationsområde är katodiska skyddssystem.

Traditionella metoder för dessa säkerhetssystem innebär en rad manuella övervaknings- och underhållsåtgärder som inte bör överskuggas av maskininlärning. Det finns dock vissa fördelar med att använda både traditionell och avancerad teknik för att säkerställa att dina rörledningar, lagringstankar, marina strukturer och nedgrävda verktyg undvik frätande ämnen skada.

Begränsningarna med traditionellt underhåll av katodiskt skydd

Det typiska katodiska skyddssystemet (oavsett om det är galvaniskt eller tryckström) fungerar genom att omdirigera korrosionen bort från en metallyta. Det kan vara ett mycket effektivt verktyg så länge det är väl utformat och underhålls på rätt sätt.

Problemet är att rutininspektioner som utförs enligt den traditionella modellen bygger på tidsbaserade inspektioner och reaktiv service. Ett företag kan utföra månatliga visuella inspektioner eller årliga undersökningar med korta intervall (CIS).

Även om dessa metoder är effektiva är det mycket som går förlorat med ett system som tillhandahåller övervakning i realtid. Föreställ dig hur mycket resurser som kan sparas om nya försämringsmönster eller prestandaförluster upptäcks i tid. Det är här kraften i maskininlärning och IoT-sensorer (Internet of Things) kan göra en betydande skillnad.

Vad är förebyggande underhåll?

Konceptet med förebyggande underhåll är enkelt. I stället för att reagera på det som redan har inträffat utvecklar du ett katodiskt skyddssystem som ser framåt mot vad som kan hända baserat på övervakning och analys i realtid.

Algoritmer för maskininlärning använder olika verktyg, inklusive historiska prestandatrender, miljövariabler (t.ex. temperatur, luftfuktighet, vattennivå och markresistivitet) och sensordata, för att sedan beräkna potentiella resultat. Det är ungefär som att ha en ingenjör på "beredskapsstationen" som inte behöver någon sömn och som enbart arbetar utifrån observerade data. Om några avvikelser eller försämringstrender upptäcks flaggas de omedelbart och skickas ut för att meddela rätt underhålls- eller ledningsteam.

Hur maskininlärning fungerar i CP-system

Det finns flera steg i ML-integrationen som måste genomföras innan man kan förlita sig på sådana system för förebyggande underhåll. ML för katodiskt skydd måste t.ex. omfatta en digitaliserad infrastruktur. IoT-monitorer måste installeras för att fånga datapunkter för:

• Potential mellan rör och jord (PSP)
• Utgående ström från likriktare
• Anodströmdensitet
• Spänningar för referensceller
• Lokala markförhållanden
• Miljöfaktorer (temperatur, pH, fukt)

Alla dessa sensorer matar data till molnbaserade plattformar eller intranätplattformar. Det är där de beräknas och analyseras för att upptäcka avvikelser, t.ex. en plötslig minskning av PSP. ML utvecklar regressionsmodeller för att förutsäga framtida värden eller en "prognos" för var skyddet bör ligga. Den kommer också att klassificera varje sensor eller komponent för att avgöra om den behöver inspekteras eller sannolikt kommer att gå sönder.

I vissa banbrytande tillämpningar kan ML och spridning av sensorer leda till avancerade neurala nätverk runt din skyddsinfrastruktur. Det är en betydande fördel för större och mer komplexa system, som t.ex. en pipeline som sträcker sig över hela landet.

Ett exempel från den verkliga världen: Pipeline Integritetsövervakning

Värdet av att observera system på plats kommer inte att försvinna. ML kommer inte att ersätta ingenjörer som arbetar manuellt Inspektion av rörledningar. Vad ML gör är att förenkla processen och lägga till ytterligare ett lager av skydd.

Tänk dig en oljeledning på 200 mil med ett katodiskt skyddssystem med påtryckt ström. Ett sådant system skulle kräva att många team manuellt gick kilometer för kilometer för att dubbelkolla spänningsproblem och teststationer.

ML med IoT-sensorer ger realtidsövervakning av hela systemet. Istället för att teamen systematiskt går kilometer för kilometer kan de fokusera på de mest "riskfyllda" områdena tack vare sensorerna och de analyserade data.

Sådana integrationer sparar tid och pengar för företagen. Genom att implementera ML för katodiska skyddssystem går ett företag från att fokusera på efterlevnad till att optimera sina tillgångar på ett strategiskt sätt. Regleringsproblemen minskar i takt med att rapportgenereringen och den aktuella diagnostiken säkerställer korrekt dokumentation. För branscher som olja och gas innebär det betydande besparingar och en mer stabil riskprofil.

Utmaningar och överväganden vid implementering av maskininlärning för CP

Integreringen av maskininlärning i moderna katodiska skyddssystem sker inte utan en del försök och misstag. Det kommer att finnas växtvärk när ditt företag anpassar sig till avancerad övervakning och sensorunderhåll.

För det första kräver ML-algoritmer en stor mängd data av hög kvalitet. Utan den informationen kan modellen inte förutsäga framtida behov på ett korrekt sätt eller fungera effektivt. Vissa äldre företag kan ha datasilos som inte kommunicerar med varandra eller som innehåller information som ännu inte har digitaliserats för historisk analys. ML-modellens framgång bygger till stor del på korrekt och tillförlitlig sensorinformation.

För det andra måste ML-modellerna tränas. Förmågan hos sådana system förbättras över tiden. Det innebär att det måste finnas en mänsklig touch i integrationen, baserad på expertis och kännedom om målen för katodiskt system. Inte ens de mest kraftfulla ML-system kan fungera effektivt om det inte finns några relevanta exempel på normalt och onormalt beteende som kan tjäna som referenspunkter.

Äldre system måste också kunna integreras med ML. Det katodiska skydd som redan finns på plats kan fungera oberoende av andra system på grund av efterlevnadsfrågor. API-bryggor måste byggas, eller så kan det krävas edge computing-enheter med molninfrastruktur för att säkerställa att ML kan fungera med ett visst system. Detta kräver en del initiala kostnader som kan vara oöverkomliga för vissa företag eller branscher.

Slutligen finns det en oro för cybersäkerhet och efterlevnad. Att introducera en armé av IoT-sensorer utsätter ett företag för risken att utsättas för cyberattacker. Det är ingen hemlighet att vissa illvilliga aktörer kommer att söka upp infrastrukturrelaterade organisationer som potentiella mål för attacker. Oavsett vilken ML som införs måste den omfatta kryptering av industriell kvalitet, flerskiktad autentisering och regelbundna sårbarhetstester för att säkerställa efterlevnad.

Vår roll som tekniska experter

Ja, att implementera maskininlärning för katodiska skyddssystem som förbättrar förebyggande underhåll är ett kraftfullt verktyg för att minska riskerna och förbättra det ekonomiska resultatet för ett företag. Man kan dock inte enbart förlita sig på datavetare eller IT-specialister för att implementera sådana system.

Ingenjörer med lång erfarenhet av att lyckas inom detta område krävs för:

• Testning av markkemi för dess potentiella effekt på korrosion
• Mätning av elektriska störningar och vilken avskärmning som kan krävas
• Utformning av olika typer av katodiska skyddssystem
• Säkerställa fullständig efterlevnad av regelverk och säkerhetskontroller
• Erbjudande om analys av feltillstånd

Du vill ha högkvalificerade team som vårt på Dreiym Engineering för att säkerställa korrekt korrosionsteknik, katodisk skyddsdesign och kriminalteknisk elteknisk insikt. Det kommer att täppa till luckan när det gäller att införa ny teknik, som ML och IoT-sensorhantering. Våra professionella team kan granska och bedöma dina nuvarande CP-system för ML-beredskap och ge råd om sensorplacering för att säkerställa den mest exakta och effektiva dataanalysen.

Dessutom kan en kvalitetsingenjörsfirma erbjuda en färdplan för implementering av förebyggande underhåll som inkluderar:

• Utvärdering av nuvarande infrastruktur för katodiskt skydd
• Starta ett pilotprogram med en tillgång med högt värde
• Validering och justering av modellen med hjälp av feedback från teamen
• Integrering av ML i underhållsscheman och utbildning av medarbetare
• Säkerställa att systemet är skalbart om täckningen behöver utökas

Ju mer experthjälp du får i de tidiga stadierna av ML-implementeringen, desto bättre kommer systemet att fungera på lång sikt. Samarbete med Dreiym Engineering tidigare snarare än efter installationen kan man undvika många av de problem som vissa företag upplever när de börjar använda ML för katodiskt skydd.

En smartare framtid för korrosionsskydd

Det råder ingen tvekan om att korrosion är ett av de dyraste och mest ihållande hoten mot kritisk infrastruktur. Katodiskt skydd har länge fungerat som ett primärt försvar mot sådana hot. Att integrera maskininlärning för avancerat prediktivt underhåll är ett utmärkt sätt att förbättra skyddet.

Även om det kommer att krävas vissa anpassningar till ny teknik och en omvärdering av de anställdas arbetsuppgifter, kan fördelarna med riskreducering, kostnadsanalys och resursfördelning inte överskattas. ML är ett värdefullt verktyg som kompletterar den mänskliga tillsynen och bidrar till att säkerställa att pipelines, tankar och andra strukturer är väl skyddade i framtiden.