贝克休斯利用数据分析和机器学习技术，为油气开采设备开发了预测性维护软件

如果有活跃部位的卡车有泵故障，Baker Hughes必须立即更换卡车以确保连续运行。将备用卡车发送到每个站点的费用，该公司在数百万美元中收入，即如果他们在另一个网站上积极使用，那么这些卡车可能会产生。无法准确地预测阀门和泵需要维护的底层其他成本。频繁的维护浪费努力并在仍然可用时更换零件，而过于频繁的维护风险会损坏修复的泵。

Baker Hughes工程师希望开发一个系统，可以确定机器何时发生故障和需要维护。要开发此系统，该团队需要处理和分析到从安装在现场10辆卡车上的传感器的每秒50,000个样本收集的数据。从这个大型数据集中，他们需要识别在预测失败方面有用的参数。

Baker Hughes工程师使用MATLAB开发使用数据分析进行预测维护的泵健康监控软件。

他们将现场收集的温度、压力、振动和其他传感器的数据导入MATLAB。该团队与MathWorks支持工程师一起开发了一个自定义脚本，用于万博1manbetx读取和解析以专有格式存储在二进制文件中的传感器数据。

贝克休斯团队利用MATLAB对输入数据进行分析，以确定数据中哪些信号对设备磨损影响最大。这一步骤包括进行傅里叶变换和频谱分析，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。

为了自动处理几乎一个收集的数据数据，团队将写入他们在一夜之间执行的MATLAB脚本。

工程师发现从压力，振动和定时传感器捕获的数据是对预测机器故障最相关的数据。

与MathWorks支持工程师合作，该团队使用统计和机万博1manbetx器学习工具箱™和深度学习工具箱™评估了几种机器学习技术。这一初步评估表明，神经网络产生了最准确的结果。该团队创建并训练了一个神经网络，利用传感器数据来预测泵的故障。他们使用来自该领域的未用于构建模型的额外数据验证了该模型。

现场测试证实了泵健康监测系统预测泵故障的能力。

• 节省超过1000万美元的预计。贝克休斯高级产品经理Thomas Jaeger表示:“仅在一年的时间里，我们就可以在泵内部部件(如阀门、阀座、柱塞和密封件)的维护和更换上投入大量资金。“我们估计，我们在MATLAB中开发的软件将减少总成本30 - 40%——除了在现场减少额外卡车的需求之外。”
• 开发时间减少十倍。“MATLAB使我们能够执行我们想要的分析和处理，包括机器学习，”辛格说。对于低级语言，你不可能总是找到你需要的库，并在分配的几周时间内完成项目。如果我们必须使用底层语言库来编写自己的代码，以满足MATLAB的所有内置功能，那么完成这个项目可能需要花费一个数量级的时间。”
• 容易访问多种类型的数据。“MATLAB使得将多种数据组合到一个分析应用程序中变得很容易，”Singh说。“我们甚至能够使用来自专有文件格式的传感器数据。”