技术的不断进步为决策和数据收集机制提供了智能解决方案。利用人工智能(AI)和机器(ML)解决方案，组织可以最大限度地利用其操作设备并提高生产力。

我们会经历更多技术进步比过去100年的总和还要多。就投资回报而言，利用技术进步的企业将受益最大。虽然有些行业可能会发现这是一项艰巨的任务，但工业4.0技术已经在未来的数字化运营中发挥着决定性作用。未来比你想象的更近更聪明。

在资产故障发生之前了解其根本原因的能力不应该是事后的猜测。人工智能的使用已经产生了影响，在故障发生之前预测所需的维护或维修功能设备。例如，我们可以向客户发送警报，说明他们的资产长期处于危险的操作水平，从而增加了他们在故障发生之前可能发生故障的风险。在潜在故障发生之前获取信息的能力，使运营商能够做出必要的改变，以降低资产的风险。

尽管新技术的成本正在下降，但机器学习和深度学习技术的最新进展使我们能够快速利用操作数据和仿真模型中的知识构建智能系统。这使得边缘解决方案能够提供更高的生产力和更高的吞吐量。

机器学习和预测性维护

让我分享一些我们成功实现机器学习应用的案例:

• 离岸资产故障检测在这个项目中，一些井口出现故障，而另一些则没有。为了了解这些故障的根本原因，我们检查了生产数据、安装信息，并将其与其他关键操作数据(如每口井的工作天数、操作压力、温度范围等)结合起来。他们的目标是通过机器学习找到一种模式，帮助建立一个预先预警系统。
• 管道腐蚀在这里，我们的客户拥有一个由大约1200条管道组成的庞大网络，每条管道都运行了不同的年限。客户需要评估其管道的泄漏风险，以便优先考虑智能清管器，这些清管器的泄漏信息来自之前发生故障的约200条管道。所有可用的数据被映射在一起，以构建一个机器学习模型，该模型检查所有数据模式以及导致故障的原因。一旦模型建立起来，它就被部署到其他上千条管道上。这使我们的客户能够优先考虑所需的维护活动。
• 露点突破当前位置一家天然气厂由于露点突破而发生故障。最初，我们试图通过使用传统工艺模型对进入工厂的生产液进行建模，以预测裂缝发生的时间，以及是否可以确定原因。无论我们做了什么，无论我们如何调整基于物理的模型，我们都无法得到很好的匹配。因此，我们部署了机器学习算法，能够理解导致故障的原因。通过这些模型，我们还能够询问模型，以了解数据中的哪个部分/变量对预测的影响最大，这就是我们可以将我们的领域知识与机器学习模型结合起来，以找到根本原因并提取更多价值的地方。
• 气举优化:生产系统包括多口井和输送到生产设施的管道。气举是在生命井没有足够的压力来提升液柱重量时使用的一种技术。确定每个井位所需的天然气量以最大化可用天然气的产量是一个实时解决的具有挑战性的问题。虽然现有的仿真模型在提供实时咨询系统方面做了合理的工作，但在边缘提供最优化解决方案所需的计算量很大，而且不可行。将深度强化学习与仿真模型相结合，使我们能够构建一个人工智能解决方案，可以提供所需边缘计算最少的咨询/闭环控制。

机器学习和深度学习技术的最新进展使我们能够快速利用操作数据和仿真模型中的知识构建智能系统。这些解决方案有助于提供更高的生产力和更智能的维护解决方案。如果你想了解我关于这个主题的更多信息，以及机器教学和过程模拟如何帮助解决行业问题，请点击这里。