贝克休斯利用数据分析和机器学习为天然气和石油开采设备开发预测性维护软件

如果活动现场的卡车出现泵故障，贝克休斯必须立即更换卡车，以确保连续运行。如果将备用卡车派往每个工地，公司就会损失数千万美元的收入，而这些卡车如果在其他工地投入使用，就会产生数千万美元的收入。无法准确预测阀门和泵何时需要维护，也增加了其他成本。过于频繁的维护会浪费精力，导致部件在仍然可用的情况下被更换，而过于不频繁的维护会有损坏泵而无法修复的风险。

贝克休斯的工程师们想要开发一种系统，可以判断机器何时即将故障并需要维护。为了开发这个系统，该团队需要处理和分析高达1tb的数据，这些数据以每秒5万个样本的速度从安装在现场作业的10辆卡车上的传感器中收集到。从这个庞大的数据集中，他们需要识别对预测故障有用的参数。

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

他们将现场从温度、压力、振动等传感器收集到的数据导入MATLAB。该团队与MathWorks支持工程师合作，开发了一个自定义脚本，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环境下，贝克休斯团队分析了导入的数据，以确定数据中的哪些信号对设备磨损的影响最大。这一步包括执行傅里叶变换和光谱分析，以及过滤掉卡车、泵和流体的较大运动，以更好地检测到阀门和阀座的较小振动。

为了自动化处理近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、振动和定时传感器捕捉到的数据与预测机器故障最相关。

与MathWorks支持工程师合作，团队使用统计和机器学习工具箱™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。该小组创建并训练了一个神经网络，利用传感器数据来预测泵故障。他们使用未用于建立模型的额外数据验证了该模型。

现场试验证实了泵健康监测系统预测泵故障的能力。

• 预计节省超过1000万美元。贝克休斯高级产品经理Thomas Jaeger表示:“在一年内，我们仅在维护和更换泵内部部件(如阀门、阀座、柱塞和密封件)上就可以花费大量收入。”“我们估计，我们在MATLAB中开发的软件将减少30% - 40%的总成本，这还不包括我们将看到的减少现场额外卡车的需求所带来的节省。”
• 开发时间缩短了十倍。Singh说:“MATLAB使我们能够执行我们想要的分析和处理，包括机器学习。”“使用较低级别的语言，你不能总是找到你需要的库，并在分配的几周时间内完成项目。如果我们必须使用低级语言库来为我们需要的所有内置MATLAB功能编写自己的代码，那么完成这个项目可能需要多花一个数量级。”
• 多种类型的数据容易访问。Singh说:“MATLAB使得将多种数据组合成一个分析应用程序变得很容易。”“我们甚至能够使用来自专有文件格式的传感器数据。”