Olie & Gas
USA
20 uger
Kunden er en USA-baseret olie- & gasoperatør der driver et anlæg til behandling og kompression af naturgas. Da dette samarbejde begyndte, havde kunden allerede etableret cloud-datainfrastruktur på Azure og havde eksisterende digitale tvillinger på plads for udvalgte driftsaktiver.
Kunden havde allerede investeret i digitale tvillinger og havde driftsdata landet i Azure, men tvillingerne var endnu ikke stærke nok til beslutningstagning omkring forudsigende vedligeholdelse. Vedligeholdelse var stadig i høj grad reaktiv eller kalenderdrevet, fordi logikken for aktivsundhed manglede eller var for grundlæggende.
Fire problemer blokerede fremskridt:
Sensordata var tilgængelige, men ikke transformeret til features på aktivniveau, der kunne bruges af forudsigende modeller.
Vedligeholdelseshistorikken var ikke forbundet med driftsadfærd, hvilket gjorde det svært at validere nedbrydningsmønstre.
Eksisterende advarsler var for det meste tærskelbaserede og optrådte ofte for sent til at understøtte proaktiv indgriben.
Pålidelighedsteams havde brug for forklarlige indikatorer for aktivsundhed inden for den digitale tvillings kontekst, ikke black-box-modelscorer eller isolerede dashboards.
Vi afgrænsede MVP’en til gaskompressortog, hvilket holdt modellen fokuseret på én udstyrsgruppe med ens driftsprofiler og sensordækning. Dette gjorde den prædiktive vedligeholdelseslogik teknisk realistisk og velegnet til integration med kundens eksisterende digitale tvillinger.
På den Azure-infrastruktur, som kunden allerede havde på plads, byggede vi et prædiktivt vedligeholdelseslag, der forbandt driftsdata, vedligeholdelseshistorik og aktivkontekst. Løsningen omfattede:
Vi gennemgik den eksisterende Azure-datalake-struktur sammen med kundens vedligeholdelsesprioriteter for at identificere, hvor forudsigende vedligeholdelse kunne have den mest umiddelbare effekt. Gaskompressortog blev udvalgt på baggrund af kritikalitet, sensordækning og datatilgængelighed. MVP-arkitekturen blev fra starten designet til at kunne udvides til andre aktivgrupper med sammenlignelige driftsprofiler.
Azure Databricks håndterede data engineering på tværs af hele pipelinen. Vi rensede og normaliserede sensor-tidsseriedata, sammenkoblede driftsregistreringer med vedligeholdelseshistorik (arbejdsordrer, fejlkoder og alarmlogfiler) og udviklede ML-features på aktivniveau for hver kompressorenhed.
Disse features fangede både øjeblikkelige aflæsninger og adfærdsmæssige tendenser: 24-timers vibrationsgennemsnit, 7-dages tendenser for lejetemperatur, minimumsvinduer for smøreolietryk, afvigelser i motorstrøm fra belastningsjusterede referenceværdier og antal start/stop-cyklusser.
Ved hjælp af Azure Machine Learning trænede vi modeller til anomalidetektion og nedbrydningsanalyse på de forberedte feature-sæt. Modellerne genererer to output pr. aktiv:
Begge er knyttet til de specifikke signaler, der driver vurderingen — så pålidelighedsingeniører kan se, hvad der ændrede sig, ikke bare at noget ændrede sig.
Power BI-dashboards giver pålideligheds- og vedligeholdelsesteams et samlet overblik over flådens tilstand: sundhedsscorer, fejlrisiko pr. aktiv, anomalitendenser og de underliggende signaler, der bidrager til hver indikator. Anbefalede handlinger vises sammen med modeloutput og forankrer automatiserede signaler i en operationel kontekst.
Vi gennemførte valideringssessioner med kundens pålidelighedsingeniører for at bekræfte, at modeloutputtet stemte overens med kendt udstyrsadfærd og tidligere fejlhændelser. Azure DevOps håndterede CI/CD på tværs af datapipelines, ML-kode og infrastruktur. MVP’en blev overdraget i en tilstand klar til produktionsudrulning til yderligere aktivgrupper.
MVP’en leverede en fungerende prædiktiv vedligeholdelsesfunktion ved hjælp af data, som kunden allerede ejede, og styrkede værdien af kundens eksisterende digitale tvillinger.
Her er, hvad der ændrede sig:
Pålideligheds- og vedligeholdelsesteams gik fra kalenderbaseret planlægning og reaktive tærskelalarmer til datadrevne beslutninger. Aktivers sundhedsscorer og forringelsestendenser giver ingeniører et grundlag for at prioritere inspektioner, før forholdene bliver kritiske.
Gradvise forringelsesmønstre — stigende vibrationstendenser, temperaturdrift i lejer, fald i smøreolietryk — bliver nu registreret og synliggjort, før de når alarmgrænserne. Vinduet mellem det tidlige signal og svigt er synligt for første gang.
Enhver sundhedsindikator kan spores tilbage til de specifikke signaler, der driver den. Pålidelighedsingeniører ser de medvirkende faktorer sammen med scoren, så anbefalinger understøtter deres vurdering i stedet for at erstatte den. Løsningen blev valideret mod kendt fejlhistorik før overdragelsen.
MVP-arkitekturen blev designet til at skalere til yderligere aktivgrupper med sammenlignelig sensordækning og driftsprofiler. Integration af en ny udstyrstype bygger på den eksisterende ramme i stedet for at starte fra bunden.
Send et oplæg, en specifikation eller tre sætninger om, hvor systemet er gået i stå. Én samtale er som regel nok til at afgøre, om vi passer til jer.
Skræddersyet software, AI og ML, data og analyse, cloud og sikkerhed — fra tidlig afklaring til langsigtet levering.
Vi og vores partnere bruger teknologi som cookies på vores websted til at personalisere indhold og annoncer, levere funktioner til sociale medier og analysere vores trafik. Klik på ”Acceptér” for at give samtykke til brugen af denne teknologi på nettet.
