Впровадження машинного навчання для прогнозування технічного обслуговування в системах катодного захисту

Машинне навчання інтегроване в системи більшості галузей промисловості США. У 2024 році ринок ML в нашій країні сягнув понад $21 мільярд в оцінці через високий попит на автоматизацію та "навчені" системи.

У Dreiym Engineering ми бачили, як деякі системи ML використовуються для різних цілей - від запобігання пожежам до управління ризиками. Однією з цікавих сфер інтеграції є системи катодного захисту.

Традиційні підходи до цих систем захисту передбачають низку ручних операцій з моніторингу та обслуговування, які не повинні бути затьмарені машинним навчанням. Однак є деякі переваги у використанні як традиційних, так і передових технологій для забезпечення безпеки ваших трубопроводів, резервуарів, морських споруд та підземних комунікацій уникати корозійних пошкодження.

Обмеження традиційного обслуговування катодного захисту

Типова система катодного захисту (гальванічного або імпульсного струму) функціонує, перенаправляючи корозію подалі від металевої поверхні. Це може бути високоефективним інструментом, якщо він добре спроектований і належним чином обслуговується.

Проблема полягає в тому, що планові перевірки, які проводяться за традиційною моделлю, базуються на перевірках за часом та реагуванні на них. Компанія може проводити щомісячні візуальні перевірки або щорічні опитування з близькими інтервалами (СНД).

Хоча вони ефективні, багато чого не вистачає системі, що забезпечує моніторинг в режимі реального часу. Уявіть, скільки ресурсів можна було б заощадити, якби вчасно помітити нові моделі деградації або падіння продуктивності. Саме тут потужність машинного навчання та датчиків IoT (Інтернету речей) може суттєво змінити ситуацію.

Що таке предиктивне обслуговування?

Концепція предиктивного обслуговування проста. Замість того, щоб реагувати на те, що вже сталося, ви розробляєте систему катодного захисту, яка передбачає, що може статися, на основі моніторингу та аналітики в режимі реального часу.

Алгоритми машинного навчання використовують різні інструменти, включаючи історичні тенденції продуктивності, змінні навколишнього середовища (такі як температура, вологість, рівень води і питомий опір ґрунту) і дані з датчиків, щоб потім розрахувати потенційні результати. Це наче мати інженера на "готовій станції", який не потребує сну і працює виключно на основі спостережуваних даних. Таким чином, якщо помічаються будь-які аномалії або тенденції деградації, вони негайно позначаються і надсилаються для повідомлення відповідним командам з обслуговування або управління.

Як працює машинне навчання в системах ЦП

Існує кілька етапів інтеграції ML, які повинні відбутися, перш ніж ви зможете покладатися на такі системи для прогнозованого технічного обслуговування. Наприклад, ML для катодного захисту має включати оцифровану інфраструктуру. Необхідно встановити IoT-монітори для збору точок даних:

• Потенціал "труба в ґрунті" (PSP)
• Вихідний струм від випрямлячів
• Густина анодного струму
• Напруги опорних елементів
• Місцеві ґрунтові умови
• Фактори навколишнього середовища (температура, рН, вологість)

Всі ці датчики передають дані на хмарні або інтранет-платформи. Саме там вони обчислюються та аналізуються для виявлення аномалій, таких як раптове падіння PSP. ML розробить регресійні моделі, щоб передбачити майбутні значення або "прогноз" того, де має бути захист. Він також класифікує кожен датчик або компонент, щоб визначити, чи потребує він перевірки, чи може вийти з ладу.

У деяких передових додатках поширення ML і датчиків може призвести до створення просунутих нейронних мереж навколо вашої інфраструктури захисту. Це значна перевага для великих і складних систем, таких як транскордонний трубопровід.

Приклад з реального життя: Трубопровід Моніторинг доброчесності

Цінність наземного спостереження за системами нікуди не дінеться. ML не замінить інженерів вручну інспекція трубопроводів. ML спрощує процес і додає ще один рівень захисту.

Уявіть собі 200-мильний нафтопровід із системою катодного захисту від імпульсного струму. Для такої системи знадобиться багато команд, які вручну долатимуть милю за милею, щоб перепровірити проблеми з напругою і перевірити станції.

ML з датчиками Інтернету речей забезпечує моніторинг у реальному часі по всій системі. Замість того, щоб систематично обстежувати милю за милею, бригади можуть зосередитися на найбільш "ризикованих" ділянках завдяки датчикам та проаналізованим даним.

Такі інтеграції заощаджують час і гроші компаній. Впровадження ML для систем катодного захисту переводить компанію від мислення, орієнтованого на дотримання нормативних вимог, до мислення, орієнтованого на стратегічну оптимізацію активів. Регуляторні занепокоєння зменшуються, оскільки створення звітів та сучасна діагностика забезпечують належне документування. Для таких галузей, як нафтогазова, це означає значну економію коштів і більш стабільний профіль ризиків.

Виклики та міркування при впровадженні машинного навчання для ЦП

Інтеграція машинного навчання в сучасні системи катодного захисту відбувається не без певних спроб і помилок. У міру того, як ваша компанія пристосовуватиметься до розширеного моніторингу та обслуговування датчиків, виникатимуть труднощі.

По-перше, алгоритми ML потребують великого обсягу високоякісних даних. Без цієї інформації модель не може точно передбачити майбутні потреби або ефективно працювати. Деякі застарілі компанії можуть мати сховища даних, які не взаємодіють між собою або містять інформацію, яку ще належить оцифрувати для історичного аналізу. Успіх ML значною мірою ґрунтується на точній і надійній інформації з датчиків.

З іншого боку, ML-моделі потрібно навчати. Можливості таких систем з часом покращуються. Це означає, що в інтеграції має бути людський фактор, який базується на досвіді та знанні цілей катодна система. Навіть найпотужніші системи ML не можуть ефективно функціонувати, якщо немає відповідних прикладів нормальної та аномальної поведінки, які б слугували орієнтирами.

Застарілі системи також повинні дозволяти інтеграцію з системою протидії відмиванню коштів. Катодний захист може працювати незалежно від інших систем з метою дотримання вимог законодавства. Необхідно побудувати мости API або встановити периферійні обчислювальні пристрої з хмарною інфраструктурою, щоб забезпечити можливість ВК працювати з певною системою. Це потребуватиме певних авансових витрат, які можуть бути непосильними для певних компаній або галузей.

Нарешті, існує занепокоєння щодо кібербезпеки та дотримання нормативних вимог. Впровадження армії датчиків Інтернету речей наражає компанію на ризик кібератак. Не секрет, що деякі зловмисники шукатимуть організації, пов'язані з інфраструктурою, як потенційні цілі для атак. Незалежно від того, яка система ML впроваджується, вона повинна включати шифрування промислового рівня, багаторівневу автентифікацію та регулярне тестування вразливостей, щоб забезпечити відповідність вимогам.

Наша роль як інженерних експертів

Так, впровадження машинного навчання для систем катодного захисту, які покращують прогнозоване технічне обслуговування, є потужним інструментом зниження ризиків та покращення фінансових показників компанії. Однак не можна покладатися лише на аналітиків даних або ІТ-спеціалістів у впровадженні таких систем.

Потрібні інженери з багаторічною історією успіху в цій галузі:

• Випробування хімії ґрунту на потенційний вплив на корозію
• Вимірювання електричних перешкод і яке екранування може знадобитися
• Проектування різних типів систем катодного захисту
• Забезпечення повної відповідності нормативним вимогам та перевірка безпеки
• Пропонуємо аналіз режимів відмов

Вам потрібні висококваліфіковані команди, такі як наша в Dreiym Engineering, щоб забезпечити належний антикорозійний інжиніринг, проектування катодного захисту та судово-електротехнічну експертизу. Це дозволить заповнити прогалину у впровадженні нових технологій, таких як управління датчиками ML та IoT. Наші професійні команди можуть провести аудит і оцінити ваші поточні системи ЦЗ на предмет готовності до ML, пропонуючи поради щодо розміщення датчиків для забезпечення найбільш точного та ефективного аналізу даних.

Крім того, якісна інжинірингова компанія може запропонувати дорожню карту для впровадження профілактичного обслуговування, яка буде включати в себе наступні пункти:

• Оцінка існуючої інфраструктури катодного захисту
• Запуск пілотної програми з високовартісним активом
• Перевірка та коригування моделі з використанням зворотного зв'язку від команд
• Інтеграція ML у графіки технічного обслуговування та навчання персоналу
• Забезпечення масштабованості системи в разі необхідності розширення покриття

Чим більше експертних рекомендацій ви отримаєте на ранніх етапах впровадження ML, тим краще система працюватиме в довгостроковій перспективі. Співпраця з Dreiym Engineering Забезпечення катодного захисту на ранньому етапі, а не після встановлення, допомагає запобігти багатьом проблемам, з якими стикаються деякі компанії при впровадженні ML для катодного захисту.

Розумне майбутнє для захисту від корозії

Немає сумнівів, що корозія є однією з найдорожчих і найпоширеніших загроз для об'єктів критичної інфраструктури. Катодний захист довгий час слугував основним засобом захисту від таких загроз. Інтеграція машинного навчання для вдосконаленого предиктивного технічного обслуговування - чудовий спосіб посилити захист.

Незважаючи на те, що нові технології потребують певних коригувань і переоцінки завдань працівників, переваги зниження ризиків, аналізу витрат і розподілу ресурсів неможливо переоцінити. ML є цінним інструментом, який доповнює людський нагляд і допомагає забезпечити надійний захист трубопроводів, резервуарів та інших споруд у майбутньому.