Olje og gass
USA
20 uker
Kunden er en USA-basert olje- og gassoperatør som driver et anlegg for prosessering og komprimering av naturgass. Da dette oppdraget startet, hadde kunden allerede etablert skydatainfrastruktur på Azure og hadde eksisterende digitale tvillinger på plass for utvalgte driftsressurser.
Kunden hadde allerede investert i digitale tvillinger og hadde operasjonelle data i Azure, men tvillingene var ennå ikke sterke nok for beslutninger om prediktivt vedlikehold. Vedlikeholdet var fortsatt i stor grad reaktivt eller kalenderstyrt fordi logikken for anleggets helsetilstand manglet eller var for grunnleggende.
Fire problemer hindret fremgang:
Sensordata var tilgjengelige, men ikke omdannet til egenskaper på anleggsnivå som kunne brukes av prediktive modeller.
Vedlikeholdshistorikken var ikke koblet til operasjonell atferd, noe som gjorde degraderingsmønstre vanskelige å validere.
Eksisterende varsler var stort sett terskelbaserte og dukket ofte opp for sent til å støtte proaktiv intervensjon.
Pålitelighetsteamene trengte forklarbare indikatorer for anleggets helsetilstand innenfor konteksten av den digitale tvillingen, ikke modellscorer fra en svart boks eller isolerte dashbord.
Vi definerte omfanget av MVP-en til gasskompressortog, og holdt modellen fokusert på én utstyrsgruppe med lignende driftsprofiler og sensordekning. Dette gjorde den prediktive vedlikeholdslogikken teknisk realistisk og egnet for integrasjon med kundens eksisterende digitale tvillinger.
På Azure-infrastrukturen kunden allerede hadde på plass, bygde vi et prediktivt vedlikeholdslag som koblet sammen driftsdata, vedlikeholdshistorikk og ressurskontekst. Løsningen inkluderte:
Vi gjennomgikk den eksisterende strukturen i Azure Data Lake sammen med kundens vedlikeholdsprioriteringer for å identifisere hvor prediktivt vedlikehold kunne ha størst umiddelbar effekt. Gasskompressortog ble valgt basert på kritikalitet, sensordekning og datatilgjengelighet. MVP-arkitekturen ble utformet fra starten av for å kunne utvides til andre ressursgrupper med sammenlignbare driftsprofiler.
Azure Databricks håndterte dataingeniørarbeid gjennom hele pipelinen. Vi renset og normaliserte tidsseriedata fra sensorer, koblet driftsdata sammen med vedlikeholdshistorikk (arbeidsordrer, feilkoder og alarmlogger), og utviklet ML-egenskaper på ressursnivå for hver kompressorenhet.
Egenskapene fanget både øyeblikkelige avlesninger og atferdstrender: 24-timers vibrasjonsgjennomsnitt, 7-dagers temperaturtrender for lagre, minimumsvinduer for smøreoljetrykk, avvik i motorstrøm fra lastjusterte referanseverdier, og antall start/stopp-sykluser.
Ved hjelp av Azure Machine Learning trente vi opp modeller for anomalideteksjon og degraderingsanalyse på de forberedte egenskapssettene. Modellene genererer to utdata per ressurs:
Begge er knyttet til de spesifikke signalene som driver vurderingen — slik at pålitelighetsingeniører kan se hva som endret seg, ikke bare at noe endret seg.
Power BI-dashbord gir pålitelighets- og vedlikeholdsteam en samlet oversikt over flåtens tilstand: helsescorer, feilrisiko per ressurs, avvikstrender og de underliggende signalene som bidrar til hver indikator. Anbefalte tiltak vises ved siden av modellresultatene, og forankrer automatiserte signaler i en operasjonell kontekst.
Vi gjennomførte valideringsøkter med kundens pålitelighetsingeniører for å bekrefte at modellresultatene stemte overens med kjent utstyrsatferd og tidligere feilhendelser. Azure DevOps håndterte CI/CD på tvers av datarørledninger, ML-kode og infrastruktur. MVP-en ble overlevert i en tilstand klar for produksjonsutrulling til flere ressursgrupper.
MVP-en leverte en fungerende prediktiv vedlikeholdsfunksjon ved bruk av data kunden allerede eide, og styrket verdien av kundens eksisterende digitale tvillinger.
Her er hva som endret seg:
Pålitelighets- og vedlikeholdsteam gikk fra kalenderbasert planlegging og reaktive terskelvarsler til datadrevne beslutninger. Helsescorer for utstyr og degraderingstrender gir ingeniører et grunnlag for å prioritere inspeksjoner før forholdene blir kritiske.
Gradvise forringelsesmønstre – økende vibrasjonstrender, temperaturdrift i lagre, fall i smøreoljetrykk – oppdages og synliggjøres nå før de når varselgrensene. Vinduet mellom det tidlige signalet og feilen er synlig for første gang.
Hver helseindikator kan spores tilbake til de spesifikke signalene som driver den. Pålitelighetsingeniører ser de bidragende faktorene ved siden av poengsummen, slik at anbefalinger støtter deres vurdering i stedet for å erstatte den. Løsningen ble validert mot kjent feilhistorikk før overlevering.
MVP-arkitekturen ble designet for å skalere til flere ressursgrupper med sammenlignbar sensordekning og driftsprofiler. Integrering av en ny utstyrstype bygger på det eksisterende rammeverket i stedet for å starte fra bunnen av.
Send en skisse, en spesifikasjon eller tre setninger om hvor systemet har stoppet opp. Vanligvis er én samtale nok til å finne ut om vi er det rette valget for deg.
Skreddersydd programvare, AI og ML, data og analyse, sky og sikkerhet – fra tidlig prosjektavgrensning til langsiktig levering.
Personvernet ditt er viktig. Vi bruker informasjonskapsler for å forbedre opplevelsen din og tilpasse innhold.
