Baker Hughes使用数据分析和机器学习为燃气和油提取设备开发预测性维护软件

如果有活跃部位的卡车有泵故障，Baker Hughes必须立即更换卡车以确保连续运行。将备用卡车发送到每个站点的费用，该公司在数百万美元中收入，即如果他们在另一个网站上积极使用，那么这些卡车可能会产生。无法准确地预测阀门和泵需要维护的底层其他成本。频繁的维护浪费努力并在仍然可用时更换零件，而过于频繁的维护风险会损坏修复的泵。

Baker Hughes工程师希望开发一个系统，可以确定机器何时发生故障和需要维护。要开发此系统，该团队需要处理和分析到从安装在现场10辆卡车上的传感器的每秒50,000个样本收集的数据。从这个大型数据集中，他们需要识别在预测失败方面有用的参数。

Baker Hughes工程师使用MATLAB开发使用数据分析进行预测维护的泵健康监控软件。

它们从温度，压力，振动和其他传感器进口地聚集在现场中的数据进入MATLAB。该团队与Mathworks支持工程师一起使用，用于开发自定义脚本，金宝app用于以专有格式读取和解析存储在二进制文件中的传感器数据。

在Matlab工作，Baker Hughes团队分析了进口数据，以确定数据中的哪些信号对设备磨损具有最强的影响。该步骤包括执行傅里叶变换和光谱分析，以及滤出卡车，泵和流体的大运动，以更好地检测阀门和阀座的较小振动。

为了自动处理几乎一个收集的数据数据，团队将写入他们在一夜之间执行的MATLAB脚本。

工程师发现从压力，振动和定时传感器捕获的数据是对预测机器故障最相关的数据。

使用Mathworks支持工程师，该团队使用统计和机器金宝app学习工具箱™和深度学习工具箱™评估了多种机器学习技术。这个初步评估表明，神经网络产生了最准确的结果。该组创建并培训了神经网络以使用传感器数据来预测泵故障。它们使用未用于构建模型的字段的其他数据验证了此模型。

现场测试证实了泵健康监测系统预测泵故障的能力。

• 节省超过1000万美元的预计。“在一年中，我们可以在维护和更换内部泵组件的情况下花费大量的收入，例如阀门，阀座，柱塞和密封件，”Baker Hughes的高级产品经理Thomas Jaeger说。“我们估计我们在Matlab中开发的软件将使整体成本降低30-40％ - 除了节省的储蓄之外，我们会从现场消除额外卡车的需求。”
• 开发时间减少十倍。“Matlab使我们能够履行所需的分析和处理，包括机器学习，”Singh说。“具有较低级别的语言，您无法总是找到您需要的库并在几周内完成项目。如果我们必须使用较低级别的语言库编写自己的代码，我们需要我们需要的所有内置的MATLAB功能，它可能会达到更长时间才能完成此项目。“
• 容易访问多种类型的数据。“Matlab使多种数据结合到一个分析应用中，”Singh说。“我们甚至能够使用专有文件格式的传感器数据。”