BM: Làm thế nào để quy mô công nghiệp 4.0 ?

Làm thế nào để quy mô công nghiệp 4.0 dựa trên dự đoán bảo trì cho các nhà khai thác dầu khí.

Sự suy thoái trong thị trường năng lượng toàn cầu bắt đầu vào cuối năm 2014 đã buộc ngành công nghiệp dầu khí phải tìm cách mới để cắt giảm chi phí. Trong thời gian này, trọng tâm chuyển sang hoạt động xuất sắc. Giám đốc điều hành công nghiệp đã công nhận lời hứa về kinh tế số hóa và Bảo trì 4.0 được đưa vào kế hoạch chiến lược.

Đồng thời, trên thực tế, hầu hết các công ty dầu khí đều lạc hậu từ quan điểm về cơ sở hạ tầng và sẵn sàng cho việc áp dụng rộng rãi Bảo trì dự đoán dựa trên máy học.

Những thách thức cơ bản phải đối mặt với ngành công nghiệp - thời gian chết không có kế hoạch tốn kém và cơ sở hạ tầng lão hóa - có tính chất lâu dài trong tự nhiên và ảnh hưởng đến các hoạt động lọc dầu ở hạ nguồn. Chúng không bị ảnh hưởng bởi biến động giá cả hàng hóa.

Giá hàng hóa cao hơn không ẩn vấn đề hệ thống

Có thể lập luận rằng giá hàng hóa tương đối cao có thể che giấu các vấn đề hệ thống của ngành. Từ góc độ bảo trì tài sản, các nghiên cứu cho thấy một số xu hướng cơ bản cần quan tâm đến ngành. Đầu tiên, người ta ước tính rằng cơ sở hạ tầng lão hóa trong lĩnh vực dầu khí chiếm 50% các dự án bảo trì. Thứ hai, hơn 40% người trả lời khảo sát của Honeywell thừa nhận rằng họ đã sử dụng thiết bị nhiều khó khăn hơn mức cần thiết. Sự hợp lưu của các yếu tố này chạm đáy: Theo GE, chi phí thời gian chết không được lên lịch chi phí cho các nhà khai thác O & M ngoài khơi trung bình gần 50 triệu đô la một năm dựa trên giá cả hàng hóa năm 2016. Trong một số trường hợp, chi phí có thể vượt quá 88 triệu đô la.

Ngành công nghiệp chuẩn bị để áp dụng Bảo trì dự báo dựa trên công nghiệp 4.0 ở mức độ nào? Tốt nhất, triển vọng là hỗn hợp. Ví dụ, theo Khảo sát thay đổi kỹ thuật số của IFS, chỉ có 19% các công ty dầu khí tự coi mình là “tiên tiến” trong việc thúc đẩy chuyển đổi kỹ thuật số. Con số này được so sánh với 39% cho xây dựng và ký kết và 29% cho sản xuất. Trên tất cả các ngành, 31% được coi là cao cấp.

Khuôn khổ để khởi động máy học tập dựa trên dự đoán bảo trì

Dựa trên kinh nghiệm của chúng tôi làm việc với một số tổ chức dầu khí, một quan niệm sai lầm toàn ngành tồn tại rằng một số nhà khoa học và kỹ sư tài năng lớn đang ngăn cản việc triển khai rộng rãi các giải pháp bảo trì tiên đoán dựa trên máy học. Mối quan tâm này cũng được phản ánh trong Khảo sát CEO lần thứ 21 của PwC: Những phát hiện chính từ ngành dầu khí. Hai phần ba tổng giám đốc điều hành O & M được khảo sát cho thấy họ lo lắng về khả năng kỹ năng số trong nơi làm việc của họ. Thực tế là ngành công nghiệp đang đối mặt với tình trạng thiếu nhân viên. Nó là không thực tế với các kế hoạch cơ sở cho việc mở rộng ngành công nghiệp 4.0 về việc tuyển dụng các chuyên gia dữ liệu lớn, đặc biệt là vì ngành công nghiệp sẽ phải vật lộn với sự thiếu hụt từ 10.000 đến 40.000 chuyên gia kỹ thuật viên vào năm 2025.

Khung tôi phác thảo bên dưới dựa trên các phương pháp hay nhất thành công trên nhiều ngành.

Tổ chức sắp xếp: Các Enabler lõi của dự đoán bảo trì

Trong vài năm qua, IoT công nghiệp đã là một chất xúc tác cho sự hội tụ của công nghệ thông tin và công nghệ hoạt động truyền thống. Để mở rộng quy mô IIoT [chúng tôi đã không đồng ý thay thế IIoT? ] Các công ty bảo trì tiên đoán, dầu khí phải chính thức hóa các thay đổi về tổ chức.

Do tầm quan trọng chiến lược của ngành công nghiệp 4.0 và dữ liệu lớn, chúng tôi mong đợi nhiều nhà khai thác dầu khí bổ nhiệm Trưởng phòng kỹ thuật số hoặc CDO. Phạm vi vai trò của CIO có khả năng mở rộng, vì an ninh, mạng dữ liệu, vv là những yếu tố cơ bản của IoT công nghiệp. COO sẽ bổ sung thêm các lĩnh vực trách nhiệm mới, bao gồm cả việc sử dụng Học máy trong các hoạt động bảo trì.

Khi các cấu trúc tổ chức mới phát triển, nó sẽ trở nên cần thiết để chính thức hoá các vai trò mới và hiện có, các cấu trúc báo cáo và các KPI. Một ý tưởng là căn cứ các mục tiêu bồi thường cho các COO và CIO về khả năng của họ để sắp xếp và đạt được các mục tiêu chung.

Một trụ cột cốt lõi của Bảo trì Công nghiệp 4.0 là các tiêu chuẩn và quy trình toàn tổ chức phải được hài hòa. Mặc dù thay đổi không xảy ra qua đêm, điểm khởi đầu là thực tiễn phổ biến trên toàn tổ chức.

Kết hợp Auto-ML trong các ứng dụng học máy

Thách thức liên quan đến việc tuyển dụng các chuyên gia Big Data không phải là duy nhất đối với ngành Dầu khí. Tự động học máy (AutoML) đã trở thành một lĩnh vực ngày càng quan trọng trong cộng đồng học máy vì nó giải quyết thiếu hụt kỹ năng.

AutoML tự động hóa nhiều nhiệm vụ học tập máy tốn thời gian và lặp đi lặp lại. Nó là một quá trình liên tục kết hợp phản hồi từ các nhà khoa học dữ liệu trên các đường ống đã được sử dụng cho đến nay. Nó thích nghi với quá trình tối ưu hóa của Đường ống học máy trong thời gian thực và cung cấp các khuyến nghị cho các lựa chọn mô hình, quá trình và siêu tham số.

AutoML được áp dụng chủ yếu cho ba quy trình trong đường ống học máy:

Tại sao AutoML lại quan trọng để mở rộng quy mô Công nghiệp 4.0 Dự đoán bảo trì? Các nhà sản xuất công nghiệp không thể thực hiện các giải pháp bảo trì dự đoán Machine Learning trên nhiều cơ sở bằng cách thuê các nhà khoa học hoặc kỹ sư Big Data để thực hiện các chức năng phân tích. Việc cung cấp các chuyên gia Big Data có tay nghề cao trong thị trường lao động chỉ đơn giản là không thể đáp ứng nhu cầu của ngành Dầu khí.

Quản trị dữ liệu: Điều kiện tiên quyết để quy mô bảo trì dự đoán

Theo Viện quản trị dữ liệu, “Quản trị dữ liệu là hệ thống quyền quyết định và trách nhiệm đối với các quy trình liên quan đến thông tin, được thực hiện theo các mô hình đã thỏa thuận mô tả ai có thể thực hiện hành động nào với thông tin nào và khi nào, trong hoàn cảnh nào, sử dụng phương pháp nào. ”

Các ngành công nghiệp chế biến như các công ty dầu khí tạo ra dữ liệu cảm biến được phân tích bằng thuật toán Machine Learning. Mặc dù nó sẽ là một căng để xác định dữ liệu là dầu mới của thế kỷ 21, khả năng thực hiện Bảo trì dự đoán học máy phụ thuộc hoàn toàn vào việc truy cập dữ liệu thời gian thực, sạch sẽ.

McKinsey & Company ước tính rằng 99% dữ liệu mà các nhà khai thác dầu khí tạo ra không được sử dụng. Một số lý do mà McKinsey cung cấp bao gồm thực tế là tính toàn vẹn dữ liệu không được duy trì, dữ liệu không được lưu trữ / lưu trữ và dữ liệu không được phân tích. Nhiều cuộc chiến tranh turf đã được tiến hành qua quyền sở hữu dữ liệu và truy cập giữa các nhóm Công nghệ và Công nghệ thông tin.

Bước đầu tiên là quản lý cấp cao phải đặt ưu tiên toàn công ty để thiết lập khung quản trị dữ liệu. Các quy trình trong khuôn khổ phải hỗ trợ mục tiêu cuối cùng của việc mở rộng giải pháp bảo trì dự đoán trên toàn bộ cơ sở tài sản của nhà khai thác dầu khí.

Tóm tắt và kết luận

Chúng tôi đã qua thời điểm các nhà khai thác dầu khí thuyết phục áp dụng các biện pháp bảo trì trong ngành 4.0. Giám đốc điều hành ngành công nghiệp nhận ra rằng tương lai là kỹ thuật số. Tuy nhiên, một số khối xây dựng bao trùm tổ chức, công nghệ và quy trình là cần thiết để đặt nền tảng cho Bảo trì Dự đoán Học máy.

Avi Nowitz