用户故事

贝克休斯利用数据分析和机器学习为天然气和石油开采设备开发预测性维护软件

挑战

开发预测性维护系统,以降低泵设备成本和停机时间

解决方案

使用MATLAB分析近1 TB的数据,并创建一个神经网络,可以在机器故障发生之前进行预测

后果

  • 预计将节省1 000多万美元
  • 开发时间缩短了十倍
  • 多种类型的数据易于访问

“MATLAB使我们能够将以前无法读取的数据转换为可用的格式;为多辆卡车和多个地区自动执行过滤、光谱分析和转换步骤;并最终实时应用机器学习技术预测执行维护的理想时间。”

贝克休斯,古尔善·辛格

带容积泵的卡车。


在需求高峰期,贝克休斯公司的工作人员日夜不停地挖掘石油和天然气储层。在一个井场,多达20辆卡车可以同时运行,正排量泵在高压下将水和沙子的混合物注入钻井深处。这些泵及其内部零件,包括阀门、阀座、密封件和柱塞,价格昂贵,约占卡车150万美元总成本的10万美元。

为了监测泵是否存在潜在的灾难性磨损,并在故障发生之前预测故障,贝克休斯利用MATLAB分析泵传感器数据®并应用MATLAB机器学习算法。

贝克休斯钻井服务的可靠性负责人和团队负责人古尔善·辛格(Gulshan Singh)说:“我们看到了使用MATLAB开发泵健康监测系统的三个优势。”。“第一个是速度;用C或任何其他语言开发将花费更长的时间。第二个是自动化;MATLAB使我们能够自动化处理大型数据集。第三个是MATLAB为处理数据提供的各种技术,包括基本统计分析、谱分析、滤波和预测IVe使用人工神经网络进行建模。”

使用容积式泵的井场。

挑战

如果活动现场的卡车出现泵故障,贝克休斯必须立即更换卡车,以确保连续运行。向每个站点发送备用卡车会使该公司损失数千万美元的收入,如果这些卡车在另一个站点积极使用,这些收入将产生。无法准确预测阀门和泵何时需要维护是其他成本的基础。过于频繁的维护会浪费精力,导致零件在仍可使用时被更换,而过于不频繁的维护可能会损坏泵而无法维修。

贝克休斯公司的工程师们希望开发一种能够确定机器何时将要发生故障并需要维护的系统。为了开发该系统,该团队需要处理和分析从安装在10辆现场作业卡车上的传感器每秒收集50000个样本的高达1 TB的数据。从这个庞大的数据集中,他们需要确定在预测故障时有用的参数。

解决方案

贝克休斯公司的工程师利用MATLAB开发了泵健康监测软件,该软件使用数据分析进行预测性维护。

他们将现场收集的温度、压力、振动和其他传感器的数据导入MATLAB。该团队与MathWorks支持工程师合作开发了一个自定义脚本,用于读取和解析以专有格式存储在二进制文件中的传感器数据。金宝app

贝克休斯团队在MATLAB中分析输入数据,以确定数据中哪些信号对设备磨损影响最大。该步骤包括执行傅里叶变换和频谱分析,以及过滤掉卡车、泵和流体的大运动,以更好地检测阀门和阀座的较小振动。

为了自动化处理近1 TB的收集数据,该团队编写了MATLAB脚本,并在夜间执行。

工程师们发现,从压力、振动和定时传感器获取的数据与预测机器故障最相关。

与MathWorks支持工程师合作,团队使用统计和机器金宝app学习工具箱评估了几种机器学习技术™ 深度学习工具箱™. 这一初步评估表明,神经网络产生了最准确的结果。该小组创建并训练了一个神经网络,以使用传感器数据预测泵故障。他们使用未用于建立模型的现场额外数据验证了该模型。

现场测试证实了泵健康监测系统预测泵故障的能力。

贝克休斯公司的预测性维修报警系统,基于MATLAB。

后果

  • 预计将节省1 000多万美元。贝克休斯公司高级产品经理托马斯·杰格(Thomas Jaeger)表示:“在一年内,我们可以将大量收入用于内部泵部件的维护和更换,如阀门、阀座、柱塞和密封件。”。“我们估计,我们在MATLAB中开发的软件将使总体成本降低30-40%——此外,我们还将通过消除现场额外卡车的需求而节省成本。”
  • 开发时间缩短了十倍。Singh说:“MATLAB使我们能够进行所需的分析和处理,包括机器学习。”。“使用较低级别的语言,您无法始终找到所需的库并在分配的几周时间内完成项目。如果我们必须使用较低级别的语言库为所有我们需要的内置MATLAB功能编写自己的代码,则完成此项目可能需要更长的时间。”
  • 多种类型的数据易于访问。Singh说:“MATLAB使得将多种数据组合到一个分析应用程序中变得很容易。我们甚至可以使用来自专有文件格式的传感器数据。”