luckyea77 (luckyea77) wrote,
luckyea77
luckyea77

Category:

Почему морская нефтяная платформа – лучшее место для ИИ. Кейс BCG Gamma Moscow



Когда речь заходит о применении искусственного интеллекта, большинству на ум приходят беспилотные автомобили и «умные» алгоритмы в соцсетях. Однако, как оказалось, «передовая» ИИ – не в офисах с пуфиками, а на морской нефтяной платформе.

Леонид Жуков, директор по анализу данных и машинному обучению BCG Gamma Moscow, рассказывает о том, как ИИ применяется в нефтяной промышленности.

Кейс был представлен на конференции Ai Stories.

ИИ в нефтепромышленности


Если вы хотите заглянуть в будущее искусственного интеллекта, то вам вовсе не нужна машина времени, а вот пару таблеток от морской болезни с собой лучше захватить.

Сначала может показаться, что морская нефтяная платформа – не самый очевидный выбор для применения технологий машинного обучения, однако если подумать, то лучше места не найти.

Промысловая платформа – это сложная и дорогая конструкция. Отказы оборудования приводят к остановке всего процесса добычи, а это выливается в убытки, нередко исчисляющиеся десятками миллионов долларов в год. Поэтому, с точки зрения оператора, техническое обслуживание по состоянию, то есть возможность выявить и предотвратить проблему до того, как она произойдет, – настоящий подарок. Однако это лишь малая часть тех преимуществ, которые предлагает искусственный интеллект.

ИИ открывает возможности оптимизации сразу по двум направлениям.


*Во-первых, техническое обслуживание выполняется не слишком рано, как это бывает, когда компания строго следует рекомендованным регламентам поставщика, составленным на основе усредненных, а не фактических условий эксплуатации, и не слишком поздно – когда ремонты уже обходятся слишком дорого и отнимают слишком много времени.
*Во-вторых, у компании появляется возможность выжать из своей инфраструктуры в буквальном смысле все до последней капли.

Все это выглядит очень привлекательно. Так почему же тогда подобные решения на базе ИИ до сих не установлены на всех нефтяных платформах – да что там, на всех сложных производственных активах?



Если коротко: потому что это сложная задача. Использование ИИ для поддержки, повышения эффективности и оптимизации производственных процессов требует больших вложений – не только финансовых, но и в плане необходимого сотрудничества и трудозатрат.

Готовые алгоритмы не подходят. Нужны будут кастомизированные решения, а список задач, которые необходимо выполнить, занимает не одну страницу.

Опыт «Лукойла»

Однако в «Лукойле» решили, что два столь серьезных преимущества ИИ просто нельзя упустить. Был запущен проект по созданию «умной платформы» – нефтедобывающего комплекса, где самообучающиеся системы обработки данных будут выявлять и предсказывать отклонения в работе оборудования: сейчас, через полчаса и через много дней.

Сегодня проект «Лукойла» Digital ASTRA не просто опытный образец, а полностью функциональный продукт, развернутый и работающий на реальной нефтяной платформе в Каспийском море.

На основе опыта работы с этим проектом мы сделали несколько важных выводов.

Правильно подберите команду и создайте фундамент для командной работы

Настроить алгоритмы для нефтяной платформы, да и для любого другого сложного производственного комплекса, – задача для большой команды.

Разработчики должны разобраться в процессах и ознакомиться с оборудованием на площадке. Им нужен доступ к массивам данных с активов, куда посторонних обычно не пускают.

Они должны одинаково хорошо понимать и разговаривать и «по-инженерному», и «на менеджерском», так как им придется иметь дело и с операторами, и с руководством. Причем выполнять все эти задачи нужно будет одновременно и не мешая штатной работе.

Здесь потребуется уникальная и весьма разношерстная команда, – ведь нужны будут технические знания, доверие и репутация среди представителей отрасли, превосходные навыки проектного управления.

Сбор данных – задача долгая и трудоемкая

Срезать путь не получится. Успех или провал подобного проекта целиком зависит от алгоритмов. Модели «Лукойла» должны были диагностировать состояние оборудования в реальном времени и предсказывать, как оно изменится в недалеком будущем.

Чтобы построить такую модель, исходные алгоритмы необходимо обучать. А это значит анализировать большие объемы данных за прошлые периоды (показывающих, как менялось состояние оборудования с течением времени), увязывать их с предыдущими отказами и ремонтами, а также выявлять паттерны, свидетельствующие о том, что оборудование работает в штатном режиме (система, которая «знает», что считать штатной работой, может выявить самое незначительное отклонение и предупредить оператора о возможной неполадке).

Вам нужен полигон с историей

Как и у других добывающих компаний, у «Лукойла» множество различных активов. Однако, хотя система ИИ была впервые запущена на одной из самых современных платформ, для обучения и тестирования алгоритмов больше подойдет актив постарше.



Для первоначальной разработки модели была выбрана платформа, находящаяся в эксплуатации уже семь лет, и за эти годы «Лукойл» накопил терабайты данных.

Кроме того, как и любой другой подобный актив, эта платформа уже успела переболеть различными «детскими болезнями», так что у компании был еще и приличный архив записей о техническом обслуживании и ремонтах.

Универсальных решений не существует

Одна из особенностей разработанной для «Лукойла» системы ИИ заключается в том, что с ней будут работать разные группы пользователей с разными потребностями.

*Операторы, в частности, захотят увидеть краткосрочный прогноз по состоянию оборудования, которым они управляют, и при необходимости быстро перейти к конкретному датчику.
*Специалистам по ТОиР интересен более долгосрочный прогноз, который позволит им оптимизировать графики техобслуживания.
*Наконец, управленческому персоналу нужна возможность осуществлять мониторинг и получать справки о состоянии платформы в целом.

Смысл в том, чтобы каждая целевая группа пользователей могла получить нужную ей информацию в наиболее удобном формате. Именно поэтому дизайнеры пользовательского опыта и интерфейсов должны быть в команде с самого первого дня. Они будут изучать предпочтения и поведение пользователей и затем тестировать и корректировать дизайн в соответствии с ними.

Управлять изменениями еще важнее, чем вы думали

Помните, выше мы говорили о том, что готовые стандартные решения не подходят? Это верно с нескольких точек зрения. Дело не только в том, что необходимы в высшей степени кастомизированные системы, но еще и в том, что эти системы нужно постоянно поддерживать – их нельзя просто установить и забыть.

ИИ должен учиться постоянно: например, капремонт какой-то одной единицы оборудования изменит паттерн штатной работы всей системы. Это значит, что компаниям нужно создавать у себя в организации новые роли и наращивать новые компетенции, особенно в области исследования данных.

Также необходимо сделать так, чтобы решением пользовались на всех уровнях.



Подробнее о Digital ASTRA и применении ИИ в сложных производственных системах читайте в статье «Умная платформа», написанной в соавторстве с Данисом Магановым (CEO Alma Services Company) и Андреем Скобеевым (заместитель генерального директора ЛУКОЙЛ-Нижневолжскнефть). Статья была опубликована в российском издании журнала Harvard Business Review (выпуск за июнь-июль 2019 г.).

Tags: искусственный интеллект, нефть, промышленность
Subscribe

Posts from This Journal “промышленность” Tag

promo luckyea77 июнь 21, 2015 20:04 30
Buy for 10 tokens
В этой записи я буду давать ссылки на посты с лекциями и уроками в этом блоге: Учебные материалы и тесты: 11 ресурсов для бесплатного образования Проект "Лучшие кадры лучшей страны" Онлайн-курсы по высоким технологиям и инновациям Дистанционное образование в России (среднее профессиональное…
  • Post a new comment

    Error

    default userpic

    Your IP address will be recorded 

    When you submit the form an invisible reCAPTCHA check will be performed.
    You must follow the Privacy Policy and Google Terms of use.
  • 1 comment