贝克休斯利用数据分析和机器学习开发了油气开采设备预测维护软件

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。

他们将现场采集的温度、压力、振动等传感器数据导入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。

贝克休斯团队使用MATLAB对导入的数据进行分析，以确定数据中哪些信号对设备磨损的影响最大。这一步包括进行傅里叶变换和频谱分析，以及过滤出卡车、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。

与MathWorks支持工程师合作，该团队使用统计学和金宝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。这一初步评估表明，神经网络产生的结果最准确。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这个模型。

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。贝克休斯高级产品经理Thomas Jaeger表示:“在一年中，我们仅在阀门、阀座、柱塞和密封件等泵内部部件的维护和更换上就可以花费大量的收入。“我们估计，我们在MATLAB中开发的软件将减少30 - 40%的总成本——这是我们将看到的节省，因为不需要现场额外的卡车。”
• 开发时间减少十倍。“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。对于较低级的语言，你不可能总是找到你需要的库，并在分配的时间内完成项目。如果我们必须使用低级语言库来编写我们自己的代码来实现我们需要的所有内置MATLAB功能，那么完成这个项目可能需要花费一个数量级的时间。”
• 容易访问多种类型的数据。“MATLAB使得将多种数据结合到一个分析应用程序变得很容易，”Singh说。“我们甚至能够使用一种专有文件格式的传感器数据。”