贝克休斯利用数据分析和机器学习为油气开采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，以确保连续作业。将备用卡车派往每个站点会让该公司损失数千万美元的收入，而如果这些卡车在另一个站点积极使用，这些收入可能会产生数千万美元的损失。由于无法准确预测阀门和泵何时需要维护，导致了其他成本的增加。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，而过于频繁的维护则有可能损坏泵而无法修复。

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发生故障并需要维护。为了开发该系统，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操作的10辆卡车上的传感器收集到。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。

他们将从温度、压力、振动和其他传感器收集的数据导入到MATLAB中。该团队与MathWorks支持工程师合作开发了一个自定义脚本，用于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。

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，以便更好地检测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，并在夜间执行。

工程师们发现，从压力、振动和定时传感器获取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。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来验证该模型。

现场测试证实了泵健康监测系统预测泵故障的能力。

• 预计节省1 000多万美元。贝克休斯高级产品经理Thomas Jaeger表示:“在一年的时间里，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)上就可以花费大量的收入。“我们估计，我们在MATLAB中开发的软件将减少30% - 40%的总成本，这还不算我们将看到的减少现场额外卡车需求的节省。”
• 开发时间缩短了十倍。“MATLAB使我们能够执行我们想要的分析和处理，包括机器学习，”Singh说。“使用较低级别的语言，您不能总是找到所需的库，并在分配的几周时间内完成项目。如果我们必须使用更低级的语言库来编写自己的代码，以实现我们所需要的所有内置MATLAB功能，那么完成这个项目可能要花费更大的数量级。”
• 多种类型的数据易于访问。“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。“我们甚至能够使用一种专有文件格式的传感器数据。”