Baker Hughes разработала и внедрила систему для предиктивного обслуживания насосного оборудования для закачки жидкостей при ГРП
Стоимость насосов и сопутствующих клапанов, гнезд клапанов, уплотнений, плунжеров, используемых для закачивания смеси воды и песка под высоким давлением в пробуренные скважины для вскрытия нефтяных и газовых пластов, составляет около 100 тыс. долларов за комплект [в Baker Hughes]. Это оборудование устанавливается на грузовики, стоимостью 1,5 миллиона долларов. На одной скважине могут одновременно работать до 20 таких грузовиков.
Если у грузовика на действующем объекте выходит из строя насос, Baker Hughes должна немедленно заменить его, чтобы обеспечить непрерывную работу. Отправка запасных грузовиков на каждый объект обходится компании в десятки миллионов долларов потенциального дохода, который эти машины могли бы принести, если бы активно использовались на другом объекте. Невозможность точно предсказать, когда арматуре и насосам потребуется техническое обслуживание, также лежит в основе других затрат. Слишком частое обслуживание приводит к напрасной трате усилий и замене деталей, когда они еще пригодны к использованию, в то время как слишком редкое обслуживание чревато повреждением насосов, не подлежащих ремонту.
Идея заключается в прогнозировании идеального времени для проведения технического обслуживания. Для этого инженеры Baker Hughes хотели разработать систему, которая могла бы определять, когда машина может выйти из строя и нуждается в техническом обслуживании.
Использование машинного обучения
Для разработки системы мониторинга насосов на предмет их потенциально опасного износа и прогнозирования отказов до их возникновения инженеры Baker Hughes собрали около терабайта данных, собранных со скоростью 50 000 измерений в секунду с датчиков, установленных на 10 грузовиках, работающих в поле. Из этого большого набора данных нужно было определить параметры, которые были бы полезны для прогнозирования отказов.
Для этого собранные в полевых условиях данные с датчиков температуры, давления, вибрации и других параметров были импортированы в пакет MATLAB. С его помощью команда Baker Hughes проанализировала импортированные данные, чтобы определить, какие сигналы в них оказывают наиболее сильное влияние на износ оборудования. Этот этап включал фильтрацию крупных движений грузовика, насоса и жидкости для лучшего обнаружения мелких колебаний клапанов и гнезд клапанов. Анализ показал, что наиболее значимыми для прогнозирования отказов являются данные, полученные с датчиков давления, вибрации и синхронизации.
Оценка методов машинного обучения (с использованием Statistics and Machine Learning Toolbox и Deep Learning Toolbox) показала, что наиболее точные результаты дают нейронные сети. Группа создала и обучила нейронную сеть для использования данных датчиков для прогнозирования отказов насосов. Эта модель была проверена на дополнительных данных, которые были собраны в полевых условиях и не использовались для построения модели.
Полевые испытания подтвердили способность системы мониторинга состояния насосов предсказывать отказы оборудования.
Прогнозируемое снижение затрат на обслуживание и замену компонентов насосов оценивается в 30-40%.
Компания рассчитывает получить дополнительный доход также благодаря отсутствию необходимости в дополнительных грузовиках на месте проведения операций.
