النفط والغاز
الولايات المتحدة الأمريكية
8
20 أسبوعًا
العميل هو شركة تعمل في مجال النفط والغاز ومقرها الولايات المتحدة، وتدير منشأة لمعالجة وضغط الغاز الطبيعي. وعند بدء هذا المشروع، كان العميل قد أنشأ بالفعل بنية تحتية للبيانات السحابية على منصة Azure، وكان لديه بالفعل نماذج رقمية توأمية لأصول تشغيلية محددة.
كان العميل قد استثمر بالفعل في التوائم الرقمية، وكانت البيانات التشغيلية مخزنة في Azure، لكن التوائم لم تكن قوية بما يكفي بعد لاتخاذ قرارات الصيانة التنبؤية. وكانت الصيانة لا تزال تعتمد إلى حد كبير على الاستجابة للأحداث أو على الجدول الزمني، وذلك بسبب غياب منطق تقييم حالة الأصول أو كونه بسيطًا للغاية.
أربع مشكلات أعاقت التقدم:
كانت بيانات المستشعرات متوفرة، لكنها لم تُحوَّل إلى سمات على مستوى الأصول يمكن استخدامها في النماذج التنبؤية.
لم يكن سجل الصيانة مرتبطًا بالأداء التشغيلي، مما جعل من الصعب التحقق من صحة أنماط التدهور.
كانت التنبيهات الحالية تعتمد في الغالب على عتبات معينة، وكثيرًا ما كانت تظهر متأخرة جدًّا بحيث لا تسمح بالتدخل الاستباقي.
كانت فرق الموثوقية بحاجة إلى مؤشرات قابلة للتفسير لحالة الأصول في سياق التوأم الرقمي، وليس إلى نتائج نماذج «الصندوق الأسود» أو لوحات المعلومات المعزولة.
لقد حددنا نطاق النموذج الأولي القابل للتطبيق (MVP) ليشمل خطوط ضاغطات الغاز، مع الحفاظ على تركيز النموذج على مجموعة واحدة من المعدات ذات أنماط التشغيل المماثلة وتغطية أجهزة الاستشعار المتشابهة. وقد أدى ذلك إلى جعل منطق الصيانة التنبؤية واقعيًا من الناحية التقنية ومناسبًا للتكامل مع التوائم الرقمية الحالية لدى العميل.
على البنية التحتية لـ Azure التي كان العميل قد أنشأها بالفعل، قمنا ببناء طبقة صيانة تنبؤية تربط بين البيانات التشغيلية وسجل الصيانة وسياق الأصول. وتضمن الحل ما يلي:
قمنا بمراجعة البنية الحالية لبحيرة بيانات Azure جنبًا إلى جنب مع أولويات الصيانة لدى العميل، وذلك لتحديد المجالات التي يمكن أن يكون للصيانة التنبؤية فيها التأثير الفوري الأكبر. وتم اختيار خطوط ضاغطات الغاز بناءً على مدى أهميتها، وتغطية أجهزة الاستشعار، وتوافر البيانات. وقد صُممت بنية النموذج الأولي (MVP) منذ البداية بحيث يمكن توسيع نطاقها لتشمل مجموعات أصول أخرى ذات أنماط تشغيل مماثلة.
تولى Azure Databricks مهام هندسة البيانات على طول مسار المعالجة بأكمله. فقد قمنا بتنقية وتوحيد بيانات السلاسل الزمنية المستمدة من أجهزة الاستشعار، وربطنا السجلات التشغيلية بسجلات الصيانة (أوامر العمل، ورموز الأعطال، وسجلات الإنذارات)، وقمنا بتصميم ميزات التعلم الآلي على مستوى الأصول لكل وحدة ضاغط.
وقد شملت الميزات قراءات فورية واتجاهات سلوكية على حد سواء: متوسطات الاهتزاز على مدار 24 ساعة، واتجاهات درجة حرارة المحامل على مدار 7 أيام، وفترات انخفاض ضغط زيت التشحيم إلى الحد الأدنى، وانحرافات تيار المحرك عن القيم المرجعية المعدلة وفقًا للحمل، وعدد دورات التشغيل/الإيقاف.
باستخدام Azure Machine Learning، قمنا بتدريب نماذج الكشف عن الحالات الشاذة ونماذج تدهور الأداء على مجموعات السمات المُعدة مسبقًا. وتُنتج هذه النماذج ناتجين لكل أصل:
وكلاهما مرتبط بالإشارات المحددة التي تحرك عملية التقييم — بحيث يمكن لمهندسي الموثوقية معرفة ما الذي تغير، وليس مجرد أن شيئًا ما قد تغير.
توفر لوحات معلومات Power BI لفرق الموثوقية والصيانة رؤية موحدة لحالة الأسطول: درجات الحالة، ومخاطر الأعطال حسب الأصل، واتجاهات الحالات الشاذة، والإشارات الأساسية التي تسهم في كل مؤشر. وتظهر الإجراءات الموصى بها جنبًا إلى جنب مع مخرجات النموذج، مما يربط الإشارات الآلية بالسياق التشغيلي.
أجرينا جلسات تحقق مع مهندسي الموثوقية لدى العميل للتأكد من توافق مخرجات النموذج مع السلوك المعروف للمعدات وحوادث الأعطال السابقة. وتولى Azure DevOps إدارة عمليات التكامل المستمر/التسليم المستمر (CI/CD) عبر مسارات البيانات ورموز التعلم الآلي والبنية التحتية. وتم تسليم النموذج الأولي (MVP) في حالة جاهزة للنشر في بيئة الإنتاج لمجموعات أصول إضافية.
قدّم النموذج الأولي (MVP) قدرة عملية على الصيانة التنبؤية باستخدام البيانات التي يمتلكها العميل بالفعل، وعزّز من قيمة التوائم الرقمية الحالية للعميل.
إليك ما تغيّر:
انتقلت فرق الموثوقية والصيانة من نظام الجدولة القائم على التقويم وتنبيهات العتبات الاستجابية إلى اتخاذ قرارات تستند إلى البيانات. وتوفر درجات تقييم حالة الأصول واتجاهات تدهورها للمهندسين أساسًا لتحديد أولويات عمليات الفحص قبل أن تصبح الأوضاع حرجة.
أصبح من الممكن الآن رصد أنماط التدهور التدريجي — مثل الاتجاهات المتزايدة للاهتزازات، والتغيرات في درجة حرارة المحامل، وانخفاض ضغط زيت التشحيم — وإبرازها قبل أن تصل إلى عتبات الإنذار. وأصبح من الممكن لأول مرة رؤية الفترة الزمنية الفاصلة بين ظهور الإشارة المبكرة وحدوث العطل.
يمكن ربط كل مؤشر صحي بالإشارات المحددة التي تؤثر عليه. ويرى مهندسو الموثوقية السمات المساهمة جنبًا إلى جنب مع النتيجة، لذا فإن التوصيات تدعم حكمهم بدلاً من أن تحل محله. وقد تم التحقق من صحة الحل مقارنةً بسجل الأعطال المعروف قبل تسليمه.
صُممت بنية MVP بحيث يمكن توسيع نطاقها لتشمل مجموعات أصول إضافية تتمتع بتغطية استشعار وخصائص تشغيل مماثلة. ويستند دمج نوع جديد من المعدات إلى الإطار الحالي بدلاً من البدء من الصفر.
أرسل لنا مخططاً أولياً أو مواصفات أو ثلاث جمل عن النقطة التي توقف عندها النظام. عادةً ما تكفي محادثة واحدة لمعرفة ما إذا كنا مناسبين لك.
البرمجيات المخصصة، والذكاء الاصطناعي والتعلم الآلي، والبيانات والتحليلات، والحوسبة السحابية، والأمن — من تحديد النطاق المبكر وحتى التسليم على المدى الطويل.
نحن وشركاؤنا نستخدم تكنولوجيا مثل ملفات تعريف الارتباط على موقعنا لتخصيص المحتوى والإعلانات، وتوفير ميزات وسائل التواصل الاجتماعي، وتحليل حركة المرور لدينا. انقر فوق \”قبول\” للموافقة على استخدام هذه التكنولوجيا عبر الويب.
