Машинное обучение в полевых условиях

Практический пример:крупная нефтегазовая компания начала плановые проверки своей трубопроводной сети, используя одно и то же физическое устройство. , то есть «свинья». Вместо отправки необработанных данных аналитикам-людям и ожидания анализа они были отправлены в решение для машинного обучения. Результатом стала идентификация серьезной неисправности в секции, которая вышла из строя, как только бригада начала работу. пескоструйной обработки. Благодаря своевременному выявлению компания сэкономила не менее 10 млн долларов США, которые пошли бы на покрытие ущерба, поскольку участок проходил через миндальную рощу.

Это были только результаты одного исследования. Давайте поднимем это на ступеньку выше, рассмотрев 2,7 миллиона миль трубопровода, который проходит через Северную Америку. Было обнаружено, что почти 2/3 американцев живут в пределах 600 футов от трубопровода. В большинстве случаев местные власти вынуждены искать помощи, когда происходит неисправность, поскольку их карты имеют точность только до 500 футов. Управление по безопасности трубопроводов и опасных материалов (PHMSA) сообщило, что в период с 2006 по 2015 год трубопровод инциденты вырос на 26,8%. Эти инциденты связаны с серьезными травмами, смертью или имуществом на сумму более 50 000 долларов. В 2015 году в среднем происходило почти одно происшествие в день.

Что означает возникновение таких инцидентов в условиях жестких стандартов безопасности? а инвестиции на миллиарды долларов имеются в виду? Просто текущая система технического обслуживания недостаточно эффективна, чтобы точно прогнозировать возникновение сбоев.

Данные

Методология обнаружения не такая уж большая проблема; скорее это использование данных, собранных свиньей это то, что беспокоит. Некоторые аномалии просто невозможно идентифицировать напрямую с помощью доступных в настоящее время технологий, что требует глубокой корреляции и анализа данных. Это не означает, что вина перекладывается на специалистов по обработке и анализу данных, поскольку они работают с хорошо зарекомендовавшими себя практиками и имеют опыт, который помогает им выявлять проблемы в, казалось бы, неограниченном потоке данных. Последняя часть формирует большую проблему. Выяснилось, что только 4 % собранных данных используются для управления конвейерами.

Все признаки указывают на одно направление:гигантский размер данных.

Надвигается кризис, который вступит в полную силу, когда самые опытные эксперты отрасли уйдут на пенсию. Некоторые из этих экспертов обладают экстраординарными навыками, которым просто невозможно найти замену. Так почему бы нам не ввести компьютеры? Да, конечно, но значительно возросшая вычислительная мощность не делает компьютеры способными решать задачи, требующие способности к обучению, здравого смысла и наблюдательности.

Машинное обучение

Разрыв между набором навыков, которыми обладает опытный специалист, и повторяющейся вычислительной мощностью, предлагаемой компьютерами, преодолевается концепцией машинного обучения. С 2014 года компания OneBridge Solutions предоставляет услуги по анализу данных нефтегазовому сектору на базе платформы Microsoft Azure Cloud.

Машинное обучение в сочетании с масштабируемыми ресурсами облачных технологий создает идеальную комбинацию, помогающую справляться с кучами данных, генерируемых pig. Лучшая часть такого решения заключается в том, что оно представлено в рамках модели «Программное обеспечение как услуга» и, таким образом, легко внедряется и управляется различными клиентами.

Функции выравниваются по «состоянию» конвейерной системы, что приводит к созданию нового «состояния», которое затем можно визуализировать на 3D-изображении. Благодаря управлению когнитивной целостностью такие виртуальные образы можно сшивать вместе, чтобы сформировать целые конвейерные системы, которые затем можно анализировать в течение нескольких минут, а не недель.

Пользователи системы могут просто перетаскивать встроенные контрольные листы в систему, откуда они загружаются и нормализуются в течение нескольких минут. Машинное обучение также позволяет командам по управлению целостностью получить представление обо всем конвейере, не тратя слишком много времени на просмотр данных.

Помимо увеличения скорости работы, машинное обучение также может повысить точность данных, повысить эффективность работы и повысить коэффициент обнаружения угроз. Благодаря эффективному использованию данных, представленных pig , и представляя его в быстром, всеобъемлющем и точном виде, машинное обучение дает возможность опытному специалисту анализировать и дополнительно уточнять результаты. Конечным результатом будут оперативные бригады, вооруженные более точными данными, что приведет к необходимости охватывать меньшую территорию и, в конечном итоге, к меньшему количеству сбоев на рабочем месте.

Весенняя очистка электрических панелей управления Преобразование вращательного движения в линейное