การนำการเรียนรู้ของเครื่องจักรไปใช้เพื่อการบำรุงรักษาเชิงคาดการณ์ในระบบป้องกันแคโทดิก

การเรียนรู้ของเครื่องจักรถูกรวมเข้ากับระบบต่างๆ ในอุตสาหกรรมส่วนใหญ่ในสหรัฐอเมริกา ในปี 2024 ตลาด ML ของประเทศเราเติบโตถึงกว่า $21 พันล้าน ในการประเมินมูลค่าเนื่องจากความต้องการระบบอัตโนมัติและระบบ "สอน" ที่สูง

ที่ Dreiym Engineering เราได้เห็นระบบ ML ถูกนำมาใช้ในหลากหลายด้าน ตั้งแต่การป้องกันอัคคีภัยไปจนถึงการจัดการความเสี่ยง หนึ่งในสาขาที่น่าสนใจของการบูรณาการคือระบบป้องกันแบบแคโทดิก

แนวทางดั้งเดิมสำหรับระบบป้องกันเหล่านี้เกี่ยวข้องกับการตรวจสอบและบำรุงรักษาด้วยตนเอง ซึ่งไม่ควรถูกบดบังด้วยการเรียนรู้ของเครื่อง อย่างไรก็ตาม การใช้ทั้งเทคโนโลยีแบบดั้งเดิมและเทคโนโลยีขั้นสูงในการรับรองระบบท่อส่ง ถังเก็บ โครงสร้างทางทะเล และระบบสาธารณูปโภคใต้ดินของคุณก็มีข้อดีอยู่บ้าง หลีกเลี่ยงการกัดกร่อน ความเสียหาย.

ข้อจำกัดของการบำรุงรักษาระบบป้องกันแบบแคโทดิกแบบดั้งเดิม

ระบบป้องกันแคโทดิกทั่วไป (ไม่ว่าจะเป็นกระแสไฟฟ้าแบบกัลวานิกหรือแบบอิมเพรสชัน) ทำงานโดยเปลี่ยนทิศทางการกัดกร่อนออกจากพื้นผิวโลหะ ซึ่งอาจเป็นเครื่องมือที่มีประสิทธิภาพสูงหากได้รับการออกแบบและบำรุงรักษาอย่างเหมาะสม

ปัญหาคือการตรวจสอบตามปกติที่ดำเนินการในรูปแบบดั้งเดิมนั้นต้องอาศัยการตรวจสอบตามเวลาและการบริการแบบตอบสนอง บริษัทอาจดำเนินการตรวจสอบด้วยสายตาแบบ "เดินตรวจ" รายเดือนหรือรายปี การสำรวจช่วงปิด (ซีไอเอส)

แม้ว่าสิ่งเหล่านี้จะมีประสิทธิภาพ แต่ระบบที่ตรวจสอบแบบเรียลไทม์กลับมีข้อบกพร่องหลายประการ ลองนึกภาพดูว่าเราจะประหยัดทรัพยากรได้มากเพียงใด หากสามารถตรวจพบรูปแบบการเสื่อมสภาพที่เกิดขึ้นหรือประสิทธิภาพลดลงได้ทันท่วงที นั่นแหละคือจุดที่พลังของแมชชีนเลิร์นนิงและเซ็นเซอร์ IoT (Internet of Things) สามารถสร้างความแตกต่างได้อย่างมีนัยสำคัญ

การบำรุงรักษาเชิงคาดการณ์คืออะไร?

แนวคิดของการบำรุงรักษาเชิงคาดการณ์นั้นตรงไปตรงมา แทนที่จะตอบสนองต่อสิ่งที่เกิดขึ้นแล้ว คุณจะพัฒนาระบบป้องกันแบบแคโทดิกที่คาดการณ์สิ่งที่อาจเกิดขึ้นโดยอาศัยการตรวจสอบและวิเคราะห์แบบเรียลไทม์

อัลกอริทึมการเรียนรู้ของเครื่องใช้เครื่องมือหลากหลายชนิด ซึ่งรวมถึงแนวโน้มประสิทธิภาพในอดีต ตัวแปรด้านสิ่งแวดล้อม (เช่น อุณหภูมิ ความชื้น ระดับน้ำ และค่าความต้านทานของดิน) และข้อมูลเซ็นเซอร์ เพื่อคำนวณผลลัพธ์ที่อาจเกิดขึ้น เปรียบเสมือนการมีวิศวกรประจำอยู่ที่ "สถานีพร้อม" ซึ่งไม่จำเป็นต้องนอนหลับและทำงานโดยอาศัยข้อมูลที่สังเกตได้เพียงอย่างเดียว ด้วยวิธีนี้ หากพบความผิดปกติหรือแนวโน้มการเสื่อมสภาพใดๆ จะมีการแจ้งและส่งออกทันทีเพื่อแจ้งทีมบำรุงรักษาหรือทีมจัดการที่เกี่ยวข้อง

การเรียนรู้ของเครื่องจักรทำงานอย่างไรในระบบ CP

มีหลายขั้นตอนในการผสานรวม ML ที่ต้องดำเนินการก่อนที่คุณจะสามารถใช้ระบบดังกล่าวสำหรับการบำรุงรักษาเชิงคาดการณ์ได้ ตัวอย่างเช่น ML สำหรับการป้องกันแบบแคโทดิกต้องประกอบด้วยโครงสร้างพื้นฐานแบบดิจิทัล จำเป็นต้องติดตั้งมอนิเตอร์ IoT เพื่อบันทึกจุดข้อมูลสำหรับ:

• ศักยภาพท่อถึงดิน (PSP)
• กระแสไฟขาออกจากเครื่องแปลงกระแสไฟฟ้า
• ความหนาแน่นกระแสแอโนด
• แรงดันไฟเซลล์อ้างอิง
• สภาพดินในท้องถิ่น
• ปัจจัยด้านสิ่งแวดล้อม (อุณหภูมิ, ค่า pH, ความชื้น)

เซ็นเซอร์ทั้งหมดเหล่านี้จะส่งข้อมูลไปยังแพลตฟอร์มคลาวด์หรืออินทราเน็ต ซึ่งเป็นที่ที่เซ็นเซอร์เหล่านี้จะถูกคำนวณและวิเคราะห์เพื่อตรวจจับความผิดปกติ เช่น ค่า PSP ลดลงอย่างกะทันหัน ML จะพัฒนาแบบจำลองการถดถอยเพื่อคาดการณ์ค่าในอนาคตหรือ "การคาดการณ์" ว่าการป้องกันควรอยู่ในระดับใด นอกจากนี้ ระบบยังจะจำแนกเซ็นเซอร์หรือส่วนประกอบแต่ละตัวเพื่อพิจารณาว่าจำเป็นต้องตรวจสอบหรือมีแนวโน้มที่จะล้มเหลวหรือไม่

ในแอปพลิเคชันล้ำสมัยบางประเภท การเพิ่มจำนวน ML และเซ็นเซอร์สามารถนำไปสู่เครือข่ายประสาทเทียมขั้นสูงรอบโครงสร้างพื้นฐานการป้องกันของคุณ ซึ่งถือเป็นประโยชน์อย่างมากสำหรับระบบที่มีขนาดใหญ่และซับซ้อนกว่า เช่น ระบบท่อส่งข้ามประเทศ

ตัวอย่างในโลกแห่งความเป็นจริง: ท่อส่ง การตรวจสอบความสมบูรณ์

คุณค่าของการสังเกตการณ์ระบบภาคพื้นดินจะไม่หายไป ML จะไม่แทนที่วิศวกรด้วยตนเอง การตรวจสอบท่อส่งสิ่งที่ ML ทำคือทำให้กระบวนการง่ายขึ้นและเพิ่มชั้นการป้องกันอีกชั้นหนึ่ง

ลองพิจารณาท่อส่งน้ำมันยาว 200 ไมล์ที่มีระบบป้องกันแคโทดิกแบบกระแสไฟฟ้าอัด ขอบเขตของระบบนี้จำเป็นต้องใช้ทีมงานจำนวนมากที่เดินทางไปตรวจสอบปัญหาแรงดันไฟฟ้าและทดสอบสถานีด้วยตนเองเป็นระยะทางหลายไมล์

ML ที่มีเซ็นเซอร์ IoT ช่วยให้สามารถตรวจสอบได้แบบเรียลไทม์ทั่วทั้งระบบ แทนที่ทีมงานจะต้องทำงานแบบเป็นระบบทีละไมล์ พวกเขาสามารถมุ่งเน้นไปที่พื้นที่ที่ "มีความเสี่ยง" มากที่สุดได้ เนื่องจากเซ็นเซอร์และข้อมูลที่วิเคราะห์แล้ว

การผสานรวมเช่นนี้ช่วยประหยัดเวลาและเงินของบริษัท การนำ ML มาใช้กับระบบป้องกันแคโทดิกจะช่วยยกระดับบริษัทจากแนวคิดที่เน้นการปฏิบัติตามกฎระเบียบไปสู่แนวคิดการเพิ่มประสิทธิภาพสินทรัพย์เชิงกลยุทธ์ ความกังวลด้านกฎระเบียบลดลง เนื่องจากการสร้างรายงานและการวินิจฉัยที่ทันสมัยช่วยให้มั่นใจได้ว่าเอกสารถูกต้อง สำหรับอุตสาหกรรมอย่างน้ำมันและก๊าซ สิ่งนี้จะนำไปสู่การประหยัดค่าใช้จ่ายอย่างมีนัยสำคัญและโปรไฟล์ความเสี่ยงที่มีเสถียรภาพมากขึ้น

ความท้าทายและข้อควรพิจารณาในการนำการเรียนรู้ของเครื่องจักรไปใช้กับ CP

การผสานรวมการเรียนรู้ของเครื่องจักรเข้ากับระบบป้องกันแคโทดิกสมัยใหม่นั้นไม่ใช่เรื่องง่ายเลย การเติบโตอย่างรวดเร็วจะเกิดขึ้นเมื่อบริษัทของคุณต้องปรับตัวให้เข้ากับระบบตรวจสอบขั้นสูงและการบำรุงรักษาเซ็นเซอร์

ประการหนึ่ง อัลกอริทึม ML ต้องการข้อมูลคุณภาพสูงปริมาณมาก หากไม่มีข้อมูลดังกล่าว โมเดลจะไม่สามารถคาดการณ์ความต้องการในอนาคตได้อย่างแม่นยำหรือทำงานได้อย่างมีประสิทธิภาพ บริษัทเก่าแก่บางแห่งอาจมีคลังข้อมูลที่ไม่สามารถสื่อสารกันเองได้ หรือมีข้อมูลที่ยังไม่ได้ถูกแปลงเป็นดิจิทัลเพื่อการวิเคราะห์เชิงประวัติ ความสำเร็จของ ML ส่วนใหญ่ขึ้นอยู่กับข้อมูลเซ็นเซอร์ที่แม่นยำและเชื่อถือได้

อีกประการหนึ่ง โมเดล ML จำเป็นต้องได้รับการฝึกฝน ความสามารถของระบบดังกล่าวจะดีขึ้นเมื่อเวลาผ่านไป นั่นหมายความว่าจะต้องมีการบูรณาการโดยอาศัยความเชี่ยวชาญและความคุ้นเคยกับเป้าหมายของ ระบบแคโทดิกแม้แต่ระบบ ML ที่มีประสิทธิภาพสูงสุดก็ไม่สามารถทำงานได้อย่างมีประสิทธิผลหากไม่มีตัวอย่างที่เกี่ยวข้องของพฤติกรรมปกติและผิดปกติเพื่อใช้เป็นจุดอ้างอิง

ระบบเดิมต้องรองรับการผสานรวม ML ด้วย ระบบป้องกันแบบแคโทดิกที่มีอยู่แล้วอาจทำงานแยกจากระบบอื่นเพื่อแก้ไขปัญหาการปฏิบัติตามข้อกำหนด จำเป็นต้องสร้าง API bridge หรืออาจต้องใช้หน่วยประมวลผลแบบเอจ (edge computing unit) ที่มีโครงสร้างพื้นฐานแบบคลาวด์ เพื่อให้มั่นใจว่า ML สามารถทำงานร่วมกับระบบที่กำหนดได้ ซึ่งจะต้องมีค่าใช้จ่ายเบื้องต้นบางส่วนที่อาจสูงเกินไปสำหรับบางบริษัทหรือบางอุตสาหกรรม

ท้ายที่สุดแล้ว ยังมีความกังวลเกี่ยวกับความมั่นคงปลอดภัยทางไซเบอร์และการปฏิบัติตามกฎระเบียบ การนำเซ็นเซอร์ IoT เข้ามาใช้จำนวนมากทำให้บริษัทมีความเสี่ยงจากการโจมตีทางไซเบอร์ เป็นที่ทราบกันดีว่าผู้ไม่หวังดีบางรายจะมองหาองค์กรที่เกี่ยวข้องกับโครงสร้างพื้นฐานเป็นเป้าหมายการโจมตี ไม่ว่า ML จะถูกนำไปใช้งานอย่างไร ก็ต้องประกอบด้วยการเข้ารหัสระดับอุตสาหกรรม การตรวจสอบสิทธิ์แบบหลายชั้น และการทดสอบช่องโหว่อย่างสม่ำเสมอเพื่อให้มั่นใจว่าเป็นไปตามกฎระเบียบ

บทบาทของเราในฐานะผู้เชี่ยวชาญด้านวิศวกรรม

ใช่ การนำการเรียนรู้ของเครื่องมาใช้กับระบบป้องกันแคโทดิกที่ช่วยปรับปรุงการบำรุงรักษาเชิงคาดการณ์ ถือเป็นเครื่องมือที่มีประสิทธิภาพในการลดความเสี่ยงและปรับปรุงประสิทธิภาพทางการเงินของบริษัท อย่างไรก็ตาม คุณไม่สามารถพึ่งพานักวิทยาศาสตร์ข้อมูลหรือผู้เชี่ยวชาญด้านไอทีเพียงอย่างเดียวในการนำระบบดังกล่าวมาใช้ได้

วิศวกรที่มีประวัติความสำเร็จยาวนานในสาขานี้ต้องการ:

• การทดสอบเคมีของดินเพื่อดูผลกระทบที่อาจเกิดขึ้นต่อการกัดกร่อน
• การวัดสัญญาณรบกวนทางไฟฟ้าและการป้องกันที่อาจจำเป็น
• การออกแบบระบบป้องกันแคโทดิกประเภทต่างๆ
• การรับรองการปฏิบัติตามกฎระเบียบและการตรวจสอบความปลอดภัยอย่างครบถ้วน
• การเสนอการวิเคราะห์โหมดความล้มเหลว

คุณต้องการทีมงานที่มีทักษะสูงเช่นเราที่ Dreiym Engineering เพื่อให้มั่นใจว่ามีวิศวกรรมการกัดกร่อนที่เหมาะสม การออกแบบการป้องกันแคโทดิก และข้อมูลเชิงลึกด้านวิศวกรรมไฟฟ้านิติวิทยาศาสตร์ สิ่งเหล่านี้จะช่วยอุดช่องว่างจากการนำเทคโนโลยีใหม่ๆ มาใช้ เช่น การจัดการเซ็นเซอร์ ML และ IoT ทีมงานมืออาชีพของเราสามารถตรวจสอบและประเมินระบบ CP ปัจจุบันของคุณให้พร้อมสำหรับ ML พร้อมให้คำแนะนำเกี่ยวกับการจัดวางเซ็นเซอร์เพื่อให้มั่นใจว่าการวิเคราะห์ข้อมูลมีความแม่นยำและมีประสิทธิภาพสูงสุด

นอกจากนี้ บริษัทวิศวกรรมคุณภาพสามารถเสนอแผนงานสำหรับการนำการบำรุงรักษาเชิงคาดการณ์มาใช้ ซึ่งรวมถึง:

• การประเมินโครงสร้างพื้นฐานการป้องกันแคโทดิกในปัจจุบัน
• การเปิดตัวโครงการนำร่องด้วยสินทรัพย์ที่มีมูลค่าสูง
• การตรวจสอบและปรับแต่งโมเดลโดยใช้ข้อเสนอแนะจากทีม
• การบูรณาการ ML เข้ากับตารางการบำรุงรักษาและการฝึกอบรมพนักงาน
• เพื่อให้แน่ใจว่าระบบสามารถปรับขนาดได้หากจำเป็นต้องขยายขอบเขตการครอบคลุม

ยิ่งคุณมีคำแนะนำจากผู้เชี่ยวชาญในระยะเริ่มต้นของการนำ ML ไปใช้มากเท่าใด ระบบก็จะทำงานได้ดีขึ้นในระยะยาวเท่านั้น ทำงานร่วมกับ Dreiym Engineering การติดตั้งล่วงหน้าแทนที่จะติดตั้งภายหลังจะช่วยป้องกันปัญหาต่างๆ มากมายที่บริษัทต่างๆ ประสบเมื่อนำ ML มาใช้เพื่อป้องกันคาโธดิก

อนาคตที่ชาญฉลาดสำหรับการป้องกันการกัดกร่อน

การกัดกร่อนเป็นหนึ่งในภัยคุกคามที่มีค่าใช้จ่ายสูงและต่อเนื่องที่สุดต่อโครงสร้างพื้นฐานสำคัญอย่างไม่ต้องสงสัย การป้องกันแบบแคโทดิกเป็นแนวทางหลักในการป้องกันภัยคุกคามดังกล่าวมาอย่างยาวนาน การผสานรวมการเรียนรู้ของเครื่องเข้ากับการบำรุงรักษาเชิงคาดการณ์ขั้นสูงเป็นวิธีที่ดีเยี่ยมในการเพิ่มประสิทธิภาพการป้องกัน

แม้ว่าจะมีการปรับเปลี่ยนเทคโนโลยีใหม่ๆ และการประเมินงานของพนักงานใหม่บ้าง แต่ประโยชน์ของการลดความเสี่ยง การวิเคราะห์ต้นทุน และการจัดสรรทรัพยากรนั้นเป็นสิ่งที่ไม่อาจมองข้ามได้ ML เป็นเครื่องมืออันทรงคุณค่าที่ช่วยเสริมการกำกับดูแลโดยมนุษย์ และช่วยให้มั่นใจว่าท่อส่ง ถัง และโครงสร้างอื่นๆ จะได้รับการปกป้องอย่างดีในอนาคต