贝克休斯公司开发出预测维护软件的天然气和采油设备使用数据分析和机器学习

如果在活动现场卡车有一个泵失效，贝克休斯必须立即更换卡车确保工作的连续性。送备用车到每个站点的成本公司数千万美元的收入，如果他们在其他网站积极利用这些卡车可以产生。由于无法准确预测何时阀门和泵需要维护巩固其他费用。过于频繁的维修废物的努力和在部分结果时，它们仍然可以被取代，而太罕见维修损坏的风险无法修复泵。

贝克休斯公司的工程师希望开发能确定何时机即将失效，需要维护的系统。为了开发这种系统中，需要处理的团队和分析多达每秒50000个采样从安装在卡车10在该领域工作的传感器收集的数据的TB的。从这个大的数据集，他们需要确定在预测失误是有用的参数。

贝克休斯公司的工程师们使用MATLAB开发泵健康监控软件，用于预测性维护应用数据分析。

它们导入在现场收集从温度，压力，振动，和其它传感器到MATLAB数据。与MathWorks的技术支持工程师的工作团队开发自定义脚本读取和万博1manbetx分析存储在二进制文件的专有格式的传感器数据。

在MATLAB工作，贝克休斯团队分析导入的数据，以确定哪些数据信号对设备的磨损影响力最强。这个步骤包括执行傅立叶变换和频谱分析以及滤除卡车，泵的大的运动，并且流体能够更好地检测阀和阀座的较小的振动。

要自动几乎一兆兆字节收集的数据的处理，团队写道MATLAB的脚本，它们执行过夜。

工程师发现从压力，振动捕获的数据，和定时传感器是最相关的，用于预测机器故障。

与The MathWorks支持工程师合作，团队评估使万博1manbetx用统计和机器学习工具箱™和深度学习工具箱™几种机器学习技术。这一初步评估结果表明，神经网络产生的最准确的结果。该组创建和训练使用传感器数据来预测的泵故障神经网络。他们使用从没有被用于构建模型领域的其他数据证实了这一模型。

现场试验证实了泵健康监控系统的预测泵故障的能力。

• 的超过1000万$储蓄预测。“在一个单一的一年，我们可以花的收入的显著量只是在内部泵部件，如阀门，阀座，柱塞和密封件的维修和更换，”在贝克休斯公司的高级产品经理托马斯·耶格说。“我们估计，我们在MATLAB开发的软件将减少30-40％ - 和除我们将从省去了额外的卡车在现场看到需要节约总体成本是的。”
• 开发时间缩短十倍。“MATLAB使我们能够执行我们所期望的分析和处理，包括机器学习，”辛格说。“有了一个低级语言，你不能总是找到您所需要的库和周分配的时间内完成项目。如果我们使用低级语言库用于所有大小的内置我们需要MATLAB功能，它可能会采取订单更长的时间来完成这个项目，我们自己写的代码“。
• 多种类型的数据很容易地访问。“MATLAB使它容易多种类的数据组合成一个分析应用，”辛格说。“我们甚至能够从一个专有的文件格式使用的传感器数据。”