贝克休斯开发使用数据分析和机器学习的天然气和石油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，以确保连续作业。向每个站点派遣备用卡车将使该公司损失数千万美元的收入，而如果这些卡车在另一个站点积极使用，则可以产生数千万美元的收入。由于无法准确预测阀门和泵何时需要维护，导致了其他成本的增加。过于频繁的维护会浪费精力，导致部件在仍然可用时被更换，而过于频繁的维护则有可能损坏泵而无法修复。

贝克休斯的工程师们想要开发一种系统，可以判断机器何时即将故障，何时需要维护。为了开发该系统，该团队需要处理和分析高达1tb的数据，这些数据来自安装在现场运行的10辆卡车上的传感器，以每秒5万个样本的速度收集。从这个庞大的数据集中，他们需要确定对预测故障有用的参数。

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

他们将现场从温度、压力、振动和其他传感器收集的数据导入MATLAB。该团队与MathWorks支持工程师合作开发了一个自定义脚本，用于金宝app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。

贝克休斯团队使用MATLAB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、泵和流体的较大运动，以更好地检测阀门和阀座的较小振动。

为了自动处理近1tb的收集数据，该团队编写了MATLAB脚本，并在一夜之间执行。

工程师们发现，从压力、振动和定时传感器捕获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™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，使用传感器数据来预测泵故障。他们使用来自未用于构建模型的领域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。

• 预计可节省1,000多万美元。贝克休斯高级产品经理Thomas Jaeger表示:“在一年内，我们可以花费大量的收入来维护和更换泵内部部件，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成本降低30 - 40%，这还不包括我们将省去现场额外卡车的成本。”
• 开发时间缩短了十倍。“MATLAB使我们能够执行所需的分析和处理，包括机器学习，”辛格说。“使用低级语言，你不可能总能找到你需要的库，并在分配的几周时间内完成项目。如果我们必须使用低级语言库来编写自己的代码，以满足我们所需的所有内置MATLAB功能，那么完成这个项目可能需要更长一个数量级的时间。”
• 多种类型的数据易于访问。“MATLAB可以很容易地将多种数据组合到一个分析应用程序中，”Singh说。“我们甚至能够使用专有文件格式的传感器数据。”