根據(jù)Kimberlite的研究，一年中僅3.65天的計劃外停機就能讓一家石油和天然氣公司損失503.7萬美元。一家海上石油和天然氣公司平均每年會經(jīng)歷約27天的計劃外停機，這可能會造成3800萬美元的損失。在某些情況下，這個數(shù)字可能高達8800萬美元。

為了消除設備意外故障的風險并最大化資產(chǎn)回報率，石油和天然氣公司正在尋求新的、更有效的維護方法。在本文，我們將介紹為什么需要考慮基于工業(yè)物聯(lián)網(wǎng)（IIOT）的預測性維護解決方案。

它是如何工作的？

簡而言之，工業(yè)物聯(lián)網(wǎng)驅(qū)動的預測性維護利用從設備傳感器（例如溫度、振動、流量傳感器等）獲取的數(shù)據(jù)來識別設備行為是否存在異常，并預測設備是否有可能在某個時間段內(nèi)發(fā)生故障。簡單流程如下：

第一步、收集物聯(lián)網(wǎng)數(shù)據(jù)

預測性維護始于在傳感器的幫助下從設備的潛在故障點（例如真空泵的軸承）收集數(shù)據(jù)。最好有一個數(shù)據(jù)集來說明設備在其整個生命周期中的健康狀況和性能，并顯示可識別的故障。數(shù)據(jù)科學家將使用這些數(shù)據(jù)集作為創(chuàng)建預測模型的基礎。

第二步、添加上下文

為了提高未來預測模型的可靠性和準確性，物聯(lián)網(wǎng)數(shù)據(jù)需要與設備元數(shù)據(jù)（模型、配置、操作設置等）、設備使用歷史和維護數(shù)據(jù)相結(jié)合。這些數(shù)據(jù)可以從ERP、EAM、EMS和其他企業(yè)系統(tǒng)中獲取。

第三步、尋找模式

數(shù)據(jù)科學家研究物聯(lián)網(wǎng)和上下文數(shù)據(jù)的組合數(shù)據(jù)集，以確定相關(guān)性，并對可能導致故障的故障信號和使用模式進行技術(shù)假設。

第四步、創(chuàng)建預測模型

該階段的本質(zhì)歸結(jié)為通過機器學習算法運行組合數(shù)據(jù)集，以識別設備故障模式，并在此基礎上構(gòu)建預測模型。這些模型經(jīng)過精確性測試，一旦被批準，將用于預測設備故障的可能性。

隨著越來越多的數(shù)據(jù)變得可用，這些模型將被更新、重新訓練和再次測試，以使它們準確并能代表現(xiàn)實。

要維護什么？

工業(yè)物聯(lián)網(wǎng)有能力提高設備生產(chǎn)效率，減少石油和天然氣行業(yè)三個領(lǐng)域的計劃外停機時間：上游（勘探和開采）、中游（運輸和儲存）和下游（煉油和加工）。

上游

平均而言，42%的開采、勘探和鉆探設備使用時間超過15年，并且只能以其最高生產(chǎn)率的77％進行工作。為了緩解這一缺陷，上游石油和天然氣公司可以利用工業(yè)物聯(lián)網(wǎng)驅(qū)動的預測性維護。

在上游，工業(yè)物聯(lián)網(wǎng)驅(qū)動的預測性維護用于監(jiān)測勘探、開采和鉆井設備及其部件的健康狀況:潛水泵、分離器、冷凝器、壓力閥、熱交換器、壓縮機、渦輪機等。

為此，潛在故障點配備有壓力、溫度、扭矩、振動、流量和其他類型的傳感器。預測性維護解決方案接收傳感器讀數(shù)，將其與上下文數(shù)據(jù)相結(jié)合，通過機器學習算法運行數(shù)據(jù)集，并創(chuàng)建預測模型，然后用于識別設備故障并提供有關(guān)問題發(fā)展的預警通知。

中游

中游企業(yè)利用工業(yè)物聯(lián)網(wǎng)來確保管道、原油處理系統(tǒng)和氣體處理設備的安全性和可靠性。光纖分布式聲音傳感器、超聲波傳感器和溫度傳感系統(tǒng)監(jiān)測液體(例如原油)泄漏的聲音變化信號，而碳氫化合物傳感電纜則可用于監(jiān)測碳氫化合物泄漏。

來自傳感器的數(shù)據(jù)與上下文數(shù)據(jù)相結(jié)合，并根據(jù)預測模型進行分析。一旦監(jiān)測到傳感器讀數(shù)出現(xiàn)異常偏差，工業(yè)物聯(lián)網(wǎng)解決方案就會觸發(fā)警報，并通知維護專家管道故障。

下游

僅在美國，由于計劃外停機，煉油廠就損失了66億美元。停機的主要原因之一是煉油廠設備維護不善。