贝克休斯利用数据分析和机器学习开发油气开采设备预测性维护软件

如果作业现场的卡车出现泵故障，贝克休斯必须立即更换卡车，以确保持续作业。向每个站点运送备用卡车会让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的话，就会产生这些收入。无法准确预测阀门和泵何时需要维护，这也支撑了其他成本。过于频繁的维护会浪费精力，导致部件仍在使用时就被更换，而过于不频繁的维护则有损坏泵以致无法修复的风险。

贝克休斯的工程师想要开发一种系统，能够判断机器何时会出现故障并需要进行维护。为了开发该系统，该团队需要处理和分析高达1tb的数据，这些数据是从安装在10辆现场作业卡车上的传感器以每秒50,000个样本的速度收集的。从这个庞大的数据集中，他们需要识别出对预测故障有用的参数。

贝克休斯的工程师使用MATLAB开发了泵健康监测软件，该软件使用数据分析技术进行预测性维护。

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，用金宝app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。

在MATLAB中，贝克休斯团队分析了导入的数据，以确定数据中哪些信号对设备磨损的影响最大。这一步骤包括执行傅里叶变换和频谱分析，并过滤掉卡车、泵和流体的大运动，以更好地检测阀门和阀座的较小振动。

为了自动化处理将近1tb收集的数据，该团队编写了MATLAB脚本，并在夜间执行。

工程师们发现，从压力、振动和定时传感器捕捉到的数据与预测机器故障最相关。

该团队与MathWorks支持工程师合作，使用统计学和金宝app机器学习工具箱™和深度学习工具箱™评估了几种机器学习技术。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，利用传感器数据预测泵故障。他们使用来自未用于构建模型的字段的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。

• 预计节省1000多万美元。贝克休斯高级产品经理Thomas Jaeger表示:“仅在维护和更换泵内部组件(如阀门、阀座、柱塞和密封件)方面，我们一年就可以投入大量收入。“我们估计，我们在MATLAB中开发的软件将减少30 - 40%的总成本，此外，我们还将看到无需额外的现场卡车的节省。”
• 开发时间减少了十倍。“MATLAB使我们能够执行我们想要的分析和处理，包括机器学习，”辛格说。使用较低级别的语言，你不可能总是找到你需要的库，并在分配的数周时间内完成项目。如果我们必须使用底层语言库来编写我们所需的所有内置MATLAB功能的代码，那么完成这个项目可能需要花费一个数量级的时间。”
• 多种类型的数据容易访问。辛格说:“MATLAB可以很容易地将多种数据合并到一个分析应用程序中。”“我们甚至可以使用专有文件格式的传感器数据。”