Интеллектуальное месторождение + предиктивная аналитика Заглянем в будущее нефтедобывающей отрасли

Содержание

• Заглянем в будущее нефтедобывающей отрасли
• Какие цели изначально преследовали создатели аналитического ПО и как эволюционировали технологии анализа данных за последние годы
• Что понимается под термином «интеллектуальное месторождение»
• А как это выглядит на деле?
• Как «угадать» с методом при построении предиктивной модели

Заглянем в будущее нефтедобывающей отрасли

Целый арсенал современных аналитических средств уже создан для онлайн-оптимизации производственных процессов.

Какие цели изначально преследовали создатели аналитического ПО и как эволюционировали технологии анализа данных за последние годы?

Владимир Боровиков: Ранее разработчики концентрировались на создании максимально широкого аналитического и графического функционала решений. Нужно было придумать, как осуществить интеграцию с базами данных, оптимизировать вычислительные процедуры. В результате аналитический функционал современного ПО, например, русифицированной программы Statistica, получился мощнейшим. Он включает тысячи тщательно тестированных процедур, постоянно пополняется усовершенствованными методами.

Но вот лейтмотивом новейших технологий становится уже предсказательная аналитика, взгляд в будущее. Аналитика нужна не сама по себе, а для создания реальных бизнес-моделей, стратегии и принятия правильных решений. В направлении предиктивного моделирования промышленного производства интенсивно развиваются Alcoa, Alcan, Siemens и другие компании.

Промышленное производство усложняется и становится все более автоматизированным, облачные решения и цифровая реальность - норма сегодняшнего дня. У всех на слуху перспективы, которые дает технология Интернета вещей. Как это отражается на методах отраслевой компьютерной аналитики?

В.Б.: Современный промышленный Интернет вещей - это, по сути, система АСУТП, объединенная в классическую компьютерную IP-сеть с проводной и беспроводной системами датчиков, передающих данные от одного устройства к другому, и создающая интенсивные потоки данных (data flow). Таким образом, усложнение производства приводит к тому, что получаемых данных для анализа становится значительно больше, нежели раньше. Люди учатся анализировать не данные, а целые потоки, и это процесс непростой, перейти к нему могут пока не все, но рано или поздно сделать это необходимо.

Итак, на производстве, с одной стороны, имеется множество разнородных данных, поступающих от различных источников: датчиков, контроллеров и т.д. С другой стороны - в наших руках множество аналитических методов, интегрированных в рамках единой системы или доступных с помощью объектно-ориентированных языков программирования, где методы анализа сами являются и объектами.

Здесь, конечно, появляется целый ряд важных вопросов. Например - как снять размерность данных? Можно для начала использовать классические методы главных компонентов, факторного, кластерного анализа и т. п. Они позволят упорядочить информацию, и на выходе мы будем иметь уже однородные данные. Объединим их в кластеры – и вот уже на базе этих кластеров вполне реально строить предсказательные модели.

Пользу предсказательных моделей трудно переоценить. Это один из самых надежных способов превентивной защиты производства, подстраховка. Оператору будут поступать предупреждения о выходе процесса из-под контроля на ранней стадии поломки или еще до того, как она произойдет. На деле можно предотвратить отказ оборудования и избежать фатальных для того или иного процесса и бизнеса в целом последствий. Все это достижимо, если правильно настроить шаблоны анализа и сделать их доступными для инженеров, технологов, администраторов в удобном и эффективном графическом пользовательском интерфейсе.

Внештатные ситуации на производстве могут быть вызваны разными факторами: скажем, 90% всех проблем возникает по причине А, 5% - по причине В. Главная сложность в том, что имеется еще и взаимозависимость причин: за причиной А может следовать причина В и т. д. Существующие аналитические технологии позволяют предсказывать и эти проблемы на высоком уровне точности, например, с помощью FMEA - Failure Mode and Effects Analysis (анализа видов, последствий и критичности отказов).

Что понимается под термином «интеллектуальное месторождение»?

В.Б.: За счет использования передовых решений для беспроводной связи и визуализации нефтегазовые компании могут иметь дистанционный доступ к мониторингу технических данных и аналитике по добыче нефти и газа. Он и дает возможность создать так называемое интеллектуальное месторождение. Идея этого подхода - оптимизация производства, управление рисками, сокращение простоев оборудования, вероятности незапланированного технического обслуживания и посещений скважин. Все это в конечном итоге направлено на глобальное снижение расходов.

А как это выглядит на деле?

В.Б.: Нефтеоборудование функционирует в сложных геологических и технологических условиях. В течение долгого времени получение информации от оборудования представляло сложную технологическую проблему, теперь ситуация качественно изменилась.

Благодаря расширению доступа к данным компании получают возможность использовать полученные в реальном времени данные для оптимизации производства и сокращения простоев, незапланированного технического обслуживания, посещений скважин и других операционных расходов. Предположим, нужно ввести в эксплуатацию электрический центробежный насос. Он состоит из нескольких компонентов: погружного электродвигателя, узла гидрозащиты, кабеля, лопастного центробежного насоса и др. – каждый из которых может выйти из строя. Анализируя данные об отказе и ремонте оборудования, мы можем построить математическую модель, оценить ее на реальных данных и оптимизировать процесс. Пример: с помощью заранее настроенных моделей можно анализировать данные о шумах и вибрации. Такой онлайн-мониторинг позволяет предотвратить разрушение зубцов в редукторе, отказ подшипников, а также выявить проблемы со смазкой и др. Итог – ощутимое сокращение расходов на обслуживание.

Предиктивная аналитика помогает и сервисным службам - например, чтобы спланировать работу склада, не допускать дефицита и профицита запасных частей и всегда имея в наличии необходимые детали.

Как «угадать» с методом при построении предиктивной модели?

В.Б.: Важно пробовать разные методы. Мы не знаем, какой метод сработает в той или иной практической задаче. Это могут быть нейронные сети, деревья классификации и регрессии, адаптивные регрессионные сплайны. Поэтому весь арсенал средств должен быть в распоряжении аналитика.

Самое замечательное, что конечный пользователь может не знать всей тонкости реализованных алгоритмов. Современный графический пользовательский интерфейс позволяет работать с программой даже неподготовленным специалистам из предметной области, важно правильно сформулировать задачу, ввести данные и проинтерпретировать результаты.

--------------------- С чего начать применение аналитических методов на практике В качестве первого шага рекомендуем прослушать курсы по современному анализу в Академии Анализа Данных. Курсы имеют градацию по уровню сложности подачи учебного материала. Обучение поддержано многочисленными кейсами, исследованиями реальных прикладных задач в промышленности, геологоразведке, нефтедобывающей отрасли и др. Пишите: academy@statsoft.ru -----------------------

Владимир Боровиков, директор компании Statsoft, к.ф.-м.н.