在陰極保護系統中實施機器學習以進行預測性維護

在美國，機器學習已整合到大多數行業的系統中。2024 年，我國的 ML 市場將達到超過 $21 億元 由於對自動化和 「教導式 」系統的需求殷切，因此估值較高。

在 Dreiym Engineering，我們見過一些 ML 系統用於從防火到風險管理的各個領域。其中一個令人振奮的整合領域是陰極保護系統。

這些保障系統的傳統方法涉及一系列的人工監控和維護，不應被機器學習所掩蓋。然而，利用傳統與先進技術來確保您的管線、儲槽、海洋結構和埋地公用設施，有以下一些優點 避免腐蝕性 損害。

傳統陰極保護維護的限制

典型的陰極保護系統（無論是電蝕還是印蝕電流）的功能是將腐蝕從金屬表面重新導向。只要設計良好並妥善維護，這將會是非常有效的工具。

問題在於以傳統模式執行的例行檢驗依賴於以時間為基礎的檢驗和被動式服務。公司可能會執行每月「巡迴」目視檢查或每年 近距離調查 (CIS).

雖然這些都很有效，但提供即時監控的系統仍有許多遺漏的地方。試想一下，如果能及時注意到新出現的劣化模式或效能下降，可以節省多少資源。這就是機器學習和 IoT（物聯網）感測器能發揮重大作用的地方。

什麼是預測性維護？

預測性維護的概念很簡單。您開發的陰極保護系統不是對已發生的事情做出反應，而是根據即時監控和分析預測可能發生的事情。

機器學習演算法利用各種工具，包括歷史效能趨勢、環境變數（例如溫度、濕度、水位和土壤電阻率）以及感測器資料，計算出可能的結果。這就有點像是在「準備站」有一個工程師，他不需要睡覺，純粹根據觀察到的資料來運作。如此一來，如果發現任何異常或劣化趨勢，就會立即標記並發送通知適當的維護或管理團隊。

機器學習如何在 CP 系統中運作

在依賴此類系統進行預測性維護之前，必須經過數個階段的 ML 整合。例如，用於陰極保護的 ML 必須包括數位化的基礎架構。需要安裝 IoT 監視器來擷取以下的資料點：

• 管道對土壤潛勢 (PSP)
• 整流器的電流輸出
• 陽極電流密度
• 參考電池電壓
• 當地土壤條件
• 環境因素（溫度、pH 值、濕度）

所有這些感測器都會將資料傳送至雲端或內部網路平台。這就是計算和分析異常偵測的地方，例如 PSP 的突然下降。ML 將開發回歸模型，以預測未來的數值，或「預測」保護應該在哪裡。它還會對每個感測器或元件進行分類，以確定其是否需要檢查或是否可能失效。

在一些尖端應用中，ML 和感測器的擴散可以在您的保護基礎設施周圍形成先進的神經網路。這對於更大型、更複雜的系統（例如跨國管道）來說是一個重大的好處。

真實世界的範例：管線 完整性監控

對系統進行實地觀察的價值不會消失。ML 不會取代工程師的人工 檢查管道.ML 所做的是簡化流程並增加另一層保護。

考慮長達 200 英哩的石油輸油管，並採用瞬間電流陰極保護系統。這種範圍的系統需要大量團隊以人工方式一英里一英里地重複檢查電壓問題和測試站。

ML 搭配 IoT 感應器可提供整個系統的即時監控。由於感測器和分析後的資料，團隊不再需要有系統地一英里一英里地檢查，而是可以專注於最有「風險」的區域。

這樣的整合可以節省公司的時間和金錢。為陰極保護系統實施 ML 可使公司從以合規性為重點的思維轉換為策略性資產最佳化的思維。由於報告生成和最新診斷功能可確保正確的文件記錄，因此減少了法規方面的顧慮。對於石油和天然氣等產業而言，這可大幅節省成本，並使風險狀況更加穩定。

為 CP 實作機器學習的挑戰與考量

在現代陰極保護系統中整合機器學習並非沒有一些試驗和錯誤。當您的公司適應先進的監控和感測器維護時，會有成長的陣痛。

首先，ML 演算法需要大量高品質的資料。如果沒有這些資訊，模型就無法準確預測未來的需求或有效運作。一些傳統公司可能擁有彼此無法溝通的資料孤島，或是包含尚未數位化的資訊，無法進行歷史分析。ML 的成功很大程度上取決於準確可靠的感測器資訊。

另一方面，ML 模型必須經過訓練。這些系統的能力會隨著時間的推移而提升。這意味著在整合過程中，必須以專業知識和對目標的熟悉程度為基礎，加入人性化的元素。 陰極系統.如果沒有正常和異常行為的相關範例作為參考點，即使最強大的 ML 系統也無法有效運作。

傳統系統也必須允許 ML 整合。已經就位的陰極保護可能會因為合規問題而獨立於其他系統運作。必須建立 API 橋接，或可能需要具備雲端基礎架構的邊緣運算單元，以確保 ML 可與特定系統一起運作。這將需要一些前期成本，可能會讓某些公司或產業望而卻步。

最後，還有一個關於網路安全與合規性的問題。引進物聯網感測器大軍會讓公司面臨網路攻擊的風險。一些惡意行為者會尋找基礎建設相關的組織作為潛在的攻擊目標，這已不是秘密。無論引入何種 ML，都必須涉及工業級加密、多層驗證，以及定期的弱點測試，以確保合規性。

我們作為工程專家的角色

是的，針對可改善預測性維護的陰極保護系統實施機器學習，是降低風險和改善公司財務績效的有力工具。但是，您不能僅僅依賴資料科學家或 IT 專家來實施此類系統。

需要在此領域有長期成功經驗的工程師：

• 測試土壤化學對腐蝕的潛在影響
• 測量電氣干擾和可能需要的屏蔽
• 設計不同類型的陰極保護系統
• 確保完全符合法規和安全檢查
• 提供故障模式分析

您需要像我們 Dreiym Engineering 這樣的高技術團隊來確保適當的腐蝕工程、陰極保護設計和法醫電氣工程洞察力。這將會堵塞上線新技術的缺口，例如 ML 和 IoT 感測器管理。我們的專業團隊可以稽核並評估您目前的 CP 系統是否已為 ML 做好準備，提供有關感測器位置的建議，以確保最精確有效的資料分析。

此外，優質工程公司可以提供實施預測性維護的路線圖，其中包括：

• 評估目前的陰極保護基礎設施
• 利用高價值資產啟動試點計畫
• 利用團隊的回饋進行模型驗證和調整
• 將 ML 納入維護排程和訓練員工
• 如果需要擴大覆蓋範圍，確保系統可擴充

在 ML 實作的早期階段，您獲得的專家指導越多，系統的長期表現就越好。 與 Dreiym Engineering 合作 在安裝之前而非安裝之後，有助於避免某些公司在使用 ML 進行陰極保護時所遇到的許多成長陣痛。

腐蝕防護的智慧未來

毫無疑問，腐蝕是對關鍵基礎設施最昂貴且最持久的威脅之一。長久以來，陰極保護一直是對抗這種威脅的主要防禦手段。整合機器學習以進行先進的預測性維護是加強保護的絕佳方法。

雖然會因應新技術做出一些調整，並重新評估員工的工作任務，但降低風險、分析成本和分配資源的好處怎麼說都不為過。ML 是一種有價值的工具，可補充人類的監督，並有助於確保管道、儲槽和其他結構在未來得到良好的保護。