损坏率分配误差降低38%:使可靠性工程师更有效地处理数据

经过巅峰．2021年9月13日

4喜欢

0评论

主题

介绍

近年来，随着数据收集和分析技术的突飞猛进，机器学习(ML)和“大数据”技术被证明是许多行业的强大工具，包括石油和天然气精炼领域。Pinnacle最近完成了一项研究，将ML模型预测的资产退化率与应用当前行业标准的人类主题专家(SME)预测的资产退化率的准确性进行了比较。具体来说，该分析检查了如何准确地预测炼油厂转化装置的资产退化。简而言之，ML模型能够以更高的精度预测退化率和相关变异性，与现有行业标准实践和SME估计相比，平均绝对误差降低了38%。分析结果表明，“大数据”可以帮助可靠性和腐蚀工程师更快、更准确地解决现实世界的可靠性挑战。

什么是机器学习，它如何提高可靠性?

机器学习是一种数据分析方法，在这种方法中，高级算法能够识别数据中的模式，并从这些模式中学习，而无需明确编程。随着时间的推移和数据的收集，机器学习算法分析数据中的参数，以做一些事情，如预测未来事件，并对不希望发生的情况提供主动警告。

尽管大多数设施现在都有大量可用的数据，但由于这个原因，许多设施很难自信地做出可靠性决策。过多的数据，加上缺乏能够分析大量数据和有效整合可靠性管理系统的技术系统，使得设施领导者无法利用收集到的所有数据来优化可靠性策略，并获得可信的见解。

这就是数据驱动的机器学习方法可以发挥作用的地方。机器学习如果应用在正确的环境中，可以帮助减少可靠性模型中的不确定性，让领导者专注于无法建模的不确定性，从而做出更有信心的决策。通过使用机器学习，资产退化建模可以变得更加准确，这将对基于风险的检查(RBI)程序或其他可靠性管理和性能优化的定量方法的结果和建议输出产生深远的影响。

劣化预测精度：将数据驱动模型与当前行业标准进行比较

本研究的目的是使用数据驱动的ML模型来准确预测转化装置资产的退化率，并将ML模型的准确性与当前行业实践进行比较。该研究利用了从37个转化装置收集的数据集，用于ML模型和当前行业标准的应用。数据集包括检查历史、资产属性、流程数据和指定的损坏机制等信息。

数据驱动模型:它是如何工作的，以及它与当前行业实践的区别

ML模型不同于当前的行业实践，因为它们没有明确地使用规则进行编码。与此相反，美国石油学会(API)推荐的API RP 581，即基于风险的检测技术，提供了用于RBI项目的推荐程序和方法。

ML模型不是基于规则的，而是提供数据，帮助它们识别模式并做出明智的预测。例如，为了预测未来的退化率，向模型提供描述给定资产或组件(操作条件、流程流数据等)的数据，以及测量的退化率。然后他们使用这些数据来了解不同的变量如何影响退化率。一旦他们掌握了这些模式，他们就能做出准确的预测。例如，它们可以识别出较高的温度通常与较高的降解速率一致，而无需直接编码以了解这一信息。

为了比较，考虑盐酸（HCl）降解，可以通过使用API RP 581中的方法或材料和腐蚀工程师的专业知识进行建模。根据API RP 581，HCL降解是作为资产冶金，温度，pH值等的函数的建模。材料和腐蚀工程师通常使用这些信息，除了丰富的经验，估计退化率。而不是遵循规定的规则，例如在API 581中找到的规则，而ML模型使用所有可用和相关的数据来学习如何处理常见情况。

研究结果

为了比较这种ML模型的准确性，两个例子展示了ML模型和当前行业实践之间的结果差异。首先是将滚筒的降解速率与ML模型和工业方法进行比较。第二个示例查看预测超过10,000个资产退化率的准确性。

例1 -滚筒退化建模

下图说明了数据集中一个操作人员的滚筒的降级建模。蓝绿色曲线代表在状态监测位置(CML)水平上实际观测到的退化。灰色曲线显示了ML模型计算出的降解率分布。由ML模型生成的降解分布表明，大约4 mil /年的速率是可能的，而大于7 mil /年的速率是极不可能的。

相比之下，绿色垂线表示平均降解率为2mil /年，蓝色垂线表示标准工业方法(API 581表格)产生的降解率，约为18mil /年。

当将ML模型的预测与标准行业方法提供的人进行比较时，ML模型证明是更接近真正的历史测量，行业方法提供高水平的保守主义。

示例2 -组件降级建模

第二个例子将ML模型与标准行业方法相比，更准确地预测一组组件的降低速率。在这个实验中，数千个资产被随机选择并从培训数据集中删除，包括超过10,000个资产的数据，用于培训ML模型。除去数据，使得ML模型可以使用剩余的数据“学习”，然后为移除数据的11个组件生成预测的降级速率，然后可以将其与测量的实际劣化率进行比较。

在使用剩余数据集训练ML模型以生成降解率预测后，将其与材料和腐蚀主题专家(SME)对使用相同数据集的资产的降解率(使用API 581表)的预测结果进行比较。为提供一个公平、无偏的测试环境，给出了ML模型和SME相同的数据。

将预测的退化率与测量的降级速率进行比较导致行业标准方法的平均绝对误差为5密耳/年，ML模型的3.1密耳/年。这意味着与标准行业实践相比，ML模型的平均绝对误差减少了38％。

除了提供更高的准确性之外，ML模型还可以在大量资产上实时运行，实现快速实现和连续常见，因为新数据可用。这一福利提供了在完整的过程条件下评估劣化变化的机会 - 例如，在完整性操作窗口（IOW）巡航期间或者如果需要快速模拟原料变化的潜在影响，则在诚信运行窗口（IOW）巡视期间或者如果需要的所有者/操作员。