Baker Hughes使用数据分析和机器学习开发出用于天然气和油提取设备的预测维护软件

如果作业现场的卡车出现泵故障，贝克休斯必须立即更换卡车，以确保持续作业。向每个站点运送备用卡车会让公司损失数千万美元的收入，如果这些卡车在另一个站点积极使用的话，就会产生这些收入。无法准确预测阀门和泵何时需要维护，这也支撑了其他成本。过于频繁的维护会浪费精力，导致部件仍在使用时就被更换，而过于不频繁的维护则有损坏泵以致无法修复的风险。

贝克休斯的工程师想要开发一种系统，能够判断机器何时会出现故障并需要进行维护。为了开发该系统，该团队需要处理和分析高达1tb的数据，这些数据是从安装在10辆现场作业卡车上的传感器以每秒50,000个样本的速度收集的。从这个庞大的数据集中，他们需要识别出对预测故障有用的参数。

贝克休斯的工程师使用MATLAB开发了泵健康监测软件，该软件使用数据分析技术进行预测性维护。

他们从温度，压力，振动和其他传感器进口地聚集在现场中的数据进入MATLAB。该团队与MathWorks支持工程师一起开发自定义脚本，以便以专有万博1manbetx格式读取和解析存储在二进制文件中的传感器数据。

在Matlab工作，Baker Hughes团队分析了进口数据，以确定数据中的哪些信号对设备磨损具有最强的影响。该步骤包括执行傅里叶变换和光谱分析，以及滤除卡车，泵和流体的大运动，以更好地检测阀门和阀座的较小振动。

为了自动化处理将近1tb收集的数据，该团队编写了MATLAB脚本，并在夜间执行。

工程师们发现，从压力、振动和定时传感器捕捉到的数据与预测机器故障最相关。

使用Mathworks支持工程师，团队使用统计和机器学万博1manbetx习工具箱™和深度学习工具箱™评估了多种机器学习技术。这个初步评估表明神经网络产生了最准确的结果。该组创建并培训了神经网络以使用传感器数据来预测泵故障。它们使用未用于构建模型的字段的其他数据验证了此模型。

现场测试证实了泵健康监测系统预测泵故障的能力。

• 预计节省1000多万美元。“在一年中，我们可以在维护和更换内部泵组件的情况下花费大量的收入，例如阀门，阀座，柱塞和密封件，”Baker Hughes高级产品经理Thomas Jaeger说。“我们估计我们在Matlab中开发的软件将使整体成本降低30-40％ - 除了节省的储蓄之外，我们将从消除现场额外卡车的需求。”
• 开发时间减少了十倍。“Matlab使我们能够履行所需的分析和处理，包括机器学习，”Singh说。“具有较低级别的语言，您无法总是找到您需要的库并在几周内完成项目。如果我们必须使用较低级别的语言库为所有内置的MATLAB能力编写自己的代码，我们可能会达到更长时间才能完成此项目。“
• 多种类型的数据容易访问。“MATLAB使多种数据组合成一个分析应用程序，”Singh说。“我们甚至能够使用专有文件格式的传感器数据。”