在阴极保护系统中实施机器学习以进行预测性维护

机器学习已融入美国大多数行业的系统中。2024 年，美国的机器学习市场将超过 $21 十亿 由于对自动化和 "传授式 "系统的需求很高，估值也很高。

在德瑞姆工程公司，我们已经看到一些 ML 系统被用于从防火到风险管理的各个方面。其中一个令人兴奋的集成领域是阴极保护系统。

这些保护系统的传统方法涉及一系列人工监控和维护，不应被机器学习所掩盖。然而，同时利用传统技术和先进技术来确保您的管道、储罐、海洋结构和埋设的公用设施，还是有一些优势的 避免腐蚀性 损坏。

传统阴极保护维护的局限性

典型的阴极保护系统（无论是电化学腐蚀还是冲击电流腐蚀）的功能是将腐蚀从金属表面引开。只要设计合理、维护得当，这将是一个非常有效的工具。

问题在于，传统模式下的例行检查依赖于基于时间的检查和被动服务。公司可能每月进行一次 "走动式 "目视检查或每年进行一次 "走动式 "目视检查。 近间隔调查 (独联体）。

虽然这些方法都很有效，但提供实时监控的系统还是会遗漏很多东西。试想一下，如果能及时发现新出现的降级模式或性能下降，可以节省多少资源。这就是机器学习和 IoT（物联网）传感器能够发挥重要作用的地方。

什么是预测性维护？

预测性维护的概念很简单。不是对已经发生的事情做出反应，而是根据实时监控和分析结果，开发一种能够预测可能发生的事情的阴极保护系统。

机器学习算法利用各种工具，包括历史性能趋势、环境变量（如温度、湿度、水位和土壤电阻率）以及传感器数据，来计算潜在的结果。这就好比在 "准备站 "有一个工程师，他不需要睡觉，完全根据观察到的数据进行操作。这样，如果发现任何异常或退化趋势，就会立即标记出来，并发送给相关维护或管理团队。

机器学习如何在 CP 系统中发挥作用

在依靠此类系统进行预测性维护之前，必须经过多个阶段的 ML 集成。例如，用于阴极保护的 ML 必须包括数字化基础设施。需要安装物联网监控器来捕捉数据点，以便：

• 管道-土壤电位 (PSP)
• 整流器输出电流
• 阳极电流密度
• 参考电池电压
• 当地土壤条件
• 环境因素（温度、pH 值、湿度）

所有这些传感器都将数据传输到云平台或内网平台。这些数据将被计算和分析，以检测异常情况，如 PSP 的突然下降。ML 将开发回归模型，以预测未来值或 "预测 "保护应达到的位置。它还会对每个传感器或组件进行分类，以确定其是否需要检查或是否可能出现故障。

在一些前沿应用中，ML 和传感器的扩散可以在保护基础设施周围形成先进的神经网络。这对于更大、更复杂的系统（如跨国输油管道）来说是一个重大优势。

真实世界的例子管道 完整性监测

对系统进行实地观察的价值不会消失。人工智能不会取代工程师 检查管道.ML 所做的就是简化流程并增加一层保护。

考虑一条 200 英里长的输油管道，其阴极保护系统采用冲击电流。这种范围的系统需要大量团队逐英里地人工反复检查电压问题和测试站。

带有物联网传感器的 ML 可对整个系统进行实时监控。通过传感器和分析数据，团队不再需要系统地一英里一英里地走，而是可以专注于最 "危险 "的区域。

这种集成为公司节省了时间和金钱。为阴极保护系统实施 ML 使公司从注重合规性的思维模式转变为注重战略性资产优化的思维模式。由于报告生成和最新诊断可确保正确的文档记录，因此减少了对监管的担忧。对于石油和天然气等行业而言，这意味着显著的成本节约和更稳定的风险状况。

为 CP 实施机器学习的挑战和考虑因素

将机器学习集成到现代阴极保护系统中并非没有尝试和错误。在公司适应高级监控和传感器维护的过程中，会遇到成长的烦恼。

首先，ML 算法需要大量高质量的数据。没有这些信息，模型就无法准确预测未来需求或有效运行。一些传统公司可能存在数据孤岛，这些数据孤岛之间无法相互通信，或者包含的信息尚未数字化，无法进行历史分析。智能物流的成功在很大程度上取决于准确可靠的传感器信息。

另一方面，ML 模型必须经过训练。这些系统的能力会随着时间的推移而提高。这就意味着，必须根据专业知识和对目标的熟悉程度，对集成进行人性化处理。 阴极系统.如果没有正常和异常行为的相关实例作为参考点，即使是最强大的 ML 系统也无法有效运行。

传统系统也必须允许与多边模块集成。已经到位的阴极保护系统可能会因合规问题而独立于其他系统运行。必须建立 API 桥梁，或者需要配备云基础设施的边缘计算单元，以确保 ML 能够与特定系统一起运行。这将需要一些前期成本，可能会让某些公司或行业望而却步。

最后，网络安全和合规性也令人担忧。引入大量物联网传感器会使公司面临网络攻击风险。一些恶意行为者会将与基础设施相关的组织作为潜在攻击目标，这已不是什么秘密。无论引入何种 ML，都必须涉及工业级加密、多层验证和定期漏洞测试，以确保合规性。

我们作为工程专家的作用

是的，为阴极保护系统实施机器学习以提高预测性维护是降低风险和改善公司财务业绩的有力工具。但是，实施此类系统不能仅仅依靠数据科学家或 IT 专家。

需要在这一领域长期取得成功的工程师：

• 测试土壤化学对腐蚀的潜在影响
• 测量电气干扰和可能需要的屏蔽
• 设计不同类型的阴极保护系统
• 确保全面遵守法规和进行安全检查
• 提供故障模式分析

您需要像我们 Dreiym Engineering 这样的高技能团队来确保正确的腐蚀工程、阴极保护设计和法医电气工程见解。这将填补新技术（如人工智能和物联网传感器管理）入门的空白。我们的专业团队可以审核和评估您当前的 CP 系统是否已为 ML 做好准备，并就传感器的位置提供建议，以确保最准确、最有效的数据分析。

此外，优质工程公司还可以提供实施预测性维护的路线图，其中包括

• 评估当前的阴极保护基础设施
• 利用高价值资产启动试点计划
• 利用团队的反馈意见验证和调整模型
• 将 ML 纳入维护计划并培训员工
• 确保系统在需要扩大覆盖范围时可以扩展

在实施智能语言的早期阶段，获得的专家指导越多，系统的长期性能就越好。 与德瑞姆工程公司合作 在安装之前而不是之后，有助于避免一些公司在使用 ML 阴极保护时遇到的许多成长的烦恼。

腐蚀防护的智能未来

毫无疑问，腐蚀是关键基础设施面临的最昂贵、最持久的威胁之一。长期以来，阴极保护一直是抵御此类威胁的主要手段。将机器学习与先进的预测性维护相结合是加强保护的绝佳方法。

虽然会对新技术进行一些调整，并对员工的任务进行重新评估，但降低风险、成本分析和资源分配的好处怎么强调都不为过。人工智能是一种宝贵的工具，它与人工监督相辅相成，有助于确保管道、储罐和其他结构在未来得到妥善保护。