Baker Hughes使用数据分析和机器学习为燃气和油提取设备开发预测性维护软件

如果作业现场的卡车发生泵故障，贝克休斯必须立即更换卡车，以确保持续运行。如果这些卡车在另一个地点积极使用，它们可能会产生数千万美元的收入，而向每个地点派遣备用卡车则会导致公司损失数千万美元的收入。无法准确预测阀门和泵何时需要维护，这也导致了其他成本。过于频繁的维护浪费了精力，导致部件在仍然可用时被更换，而过于频繁的维护则有损坏泵而无法维修的风险。

贝克休斯的工程师希望开发一种系统，可以确定机器何时会出现故障，何时需要维护。为了开发这个系统，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现场作业的10辆卡车上的传感器以每秒50000个样本的速度收集而来的。从这个庞大的数据集中，他们需要识别出对预测失败有用的参数。

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进行预测维护。

它们从温度，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支持工程师一起使用，用于开发自定义脚本，万博1manbetx用于以专有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，以及滤出卡车，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的收集数据，该团队编写了MATLAB脚本，并在一夜之间执行。

工程师们发现，从压力、振动和定时传感器中获取的数据是预测机器故障的最关键因素。

使用Mathworks支持工程师，该团队使用统计和机器万博1manbetx学习工具箱™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。

• 预计将节省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的高级产品经理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，我们会从现场消除额外卡车的需求。”
• 开发时间缩短了十倍。“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编写自己的代码，我们需要我们需要的所有内置的MATLAB功能，它可能会达到更长时间才能完成此项目。“
• 容易访问的多种类型的数据。“Matlab使多种数据结合到一个分析应用中，”Singh说。“我们甚至能够使用专有文件格式的传感器数据。”