AI가 여기에 있으며 유전의 예측 유지 관리를 돕고 있습니다.

Dec 14, 2023

배럴을 달러로 전환하는 일을 담당하는 석유 회사의 적수는 가동 중지 시간입니다. 가동 중지 시간으로 인해 배럴 손실이 발생하여 수익 손실이 발생할 수 있습니다. 예상치 못한 다운타임은 최악의 원인입니다. 문제가 발생하고 문제가 발생할 것이라는 징후가 전혀 없는 경우 예상보다 오랫동안 오프라인 생산이 소요될 수 있습니다. 모든 실린더에서 작업을 계속 진행하는 것은 현장의 건강과 생산자의 수익 모두에 중요합니다.

최근까지 상황을 원활하게 유지하는 가장 좋은 방법은 예방적 유지 관리였습니다. 즉, 장비의 마모 및 교체 가능성을 검사하기 위해 정기적으로 예정된 가동 중지 시간입니다. 예방적 유지 관리에 대한 문제는 때로는 불필요하다는 것입니다. 장비를 검토하면 모든 것이 제대로 된 것을 발견할 수 있으며 생산 흐름을 아무것도 없이 오프라인으로 전환할 수 있습니다.

오늘날 유전 및 기타 산업은 예측 유지 관리 모델 구현에 더 많은 관심을 기울이고 있습니다. 예측 유지 관리에는 문제가 발생하거나 잘못될 때를 정확하게 예측하기 위해 많은 양의 데이터가 필요합니다. 이러한 모델은 가능한 고장이 발생하기 전에 예측하도록 훈련될 수 있습니다. 이는 장비를 판독하는 센서 네트워크를 사용하여 수행됩니다. 그런 다음 이러한 판독값을 과거 판독값과 비교하여 장비 상태를 측정할 수 있습니다.

최신 예측 유지 관리에서는 인공 지능(AI)과 사물 인터넷(IoT)을 사용하여 가장 정확한 판독값을 얻습니다. 이를 통해 검사, 문제 진단 및 솔루션 제공 시 보다 적극적으로 접근할 수 있습니다. 유전 인프라가 노후화되고 서비스 중단이 발생하기 쉬워짐에 따라 예측 가능한 가동 중지 시간이 더욱 중요해졌습니다. 20년 된 압축기는 2년 된 압축기와 동일한 디자인, 동일한 재료로 제작되거나 동일한 기술을 사용하지 않을 가능성이 높습니다. 예측 유지 관리 모델을 사용할 때는 이러한 모든 사항을 고려해야 합니다.

예측 유지 관리 도구 키트에 최근 추가된 기능은 디지털 트윈을 사용하는 것입니다. 디지털 트윈은 모니터링 및 최적화 목적으로 복잡한 유정을 시추하는 데 지난 5년 동안 인기를 끌었습니다. 예측 유지 관리에서 디지털 트윈은 센서 데이터와 결합할 데이터를 생성하고 장비 동작을 예측하기 위한 더 나은 알고리즘을 생성할 수 있습니다. 디지털 트윈을 사용하여 장비 오류 시나리오를 생성함으로써 업계는 실제 장비의 오류를 찾기 위해 프로그램을 더 효과적으로 교육할 수 있습니다.

점점 더 많은 기업들이 AI 기반 예측 유지보수를 석유 및 가스 분야에 도입하고 있습니다. SparkCognition은 기계 학습과 AI를 더 나은 유지 관리 패러다임으로 가는 길로 봅니다. 200,000 B/D 규모의 해양 플랫폼이 단 12시간의 예상치 못한 가동 중단 시간을 겪는다면 최대 800만 달러의 생산 지연이 발생할 수 있습니다.

회사 웹사이트에 따르면 "예측적 유지 관리는 환자의 신체를 지속적으로 스캔하고 일상 생활에서 건강의 모든 측면을 검사하고 결과를 지속적으로 평가하는 손목 밴드와 같은 웨어러블 의료 장치를 보유하는 것과 유사합니다." . "그런 다음 이 장치는 환자에게 특정 날짜에 심장마비를 겪게 될 심장마비를 피하기 위해 치료를 위해 의사를 만나야 한다는 사실을 알려줄 수 있습니다. 마찬가지로 해양 자산에 대한 사전 진단을 통해 업스트림 운영자는 다음을 수행할 수 있습니다. 오류가 발생하기 전에 이를 예측하고 완화할 수 있습니다."

IoT Analytics의 2021년 11월 보고서에 따르면 당시 69억 달러 규모였던 예측 유지 관리 시장은 2026년까지 282억 달러에 이를 것으로 추산되었습니다. 또한 같은 기간 동안 공급업체 수가 약 100개에서 500개 이상으로 증가할 것으로 추정되었습니다.

Shell은 AI 지원 운영 안전에 중점을 두고 있습니다.

멕시코만 Shell의 운영 안전 관리자인 Neisha Kydd는 지난 5월 최근 OTC에서 Shell의 예외 기반 감시 배치에 관해 참석자들에게 "이것은 스테로이드에 대한 사전 예방적 모니터링의 한 형태입니다."라고 설명했습니다. 예외 기반 감시는 한동안 존재해왔지만 AI 및 기타 기계 학습 작업과 결합하여 언제 문제가 발생할지 예측하는 보다 복잡한 알고리즘을 발전시켰습니다. 수백만 개의 데이터 포인트를 단일 소스로 가져온 다음 알고리즘을 적용하여 사용자가 미리 설계된 이상 항목의 스크립트 또는 하위 스크립트를 감지할 수 있도록 합니다.