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。

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。

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。

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。

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