Data Analytics for Heavy Equipment: Reducing Gas Turbine Generator Downtime and Failures

技术

分析与建模 - 机器学习
应用基础设施与中间件 - 数据可视化

适用行业

电网
石油和天然气

适用功能

维护

用例

资产健康管理 (AHM)
预测性维护

服务

数据科学服务
系统集成

挑战

Serba Dinamik 的管理层正在寻求实施先进的预测性维护系统，该系统的作用不仅仅是限制停机时间。他们需要为客户提供涡轮机性能的按需可见性以及未来与正常运行的潜在差异。该系统需要检测传感器数据中的异常和异常值，这些异常和异常值可能表明子组件即将发生故障，并根据计划的钻机操作和设备性能为最佳维护计划提供明确的指导。该团队设定的目标是将微型涡轮发电机的输出平均提高 25%、停机时间减少 70%、维护费用减少 25%。

关于客户

Serba Dinamik 是一家价值数十亿美元的石油和天然气行业服务和发电系统供应商。其燃气轮机发电机被马来西亚国家石油公司、壳牌和埃克森美孚等主要勘探和钻井公司采用，为海上石油钻井平台提供电力。这些涡轮机为钻机上的所有关键系统提供动力，包括安全系统和泵。因此，它们的可靠性对于钻机的顺利运行至关重要。任何故障每天都可能导致数百万美元的损失，因此设备始终可靠、避免意外停机至关重要。

解决方案

Serba Dinamik 利用 Altair 的设计和仿真软件来开发、调试和制造涡轮机。 Altair 表示，Altair® Knowledge Studio® 的人工智能 (AI) 和机器学习 (ML) 功能以及 Altair® Panopticon™ 的实时数据可视化功能将提高安装在海上钻井平台上的涡轮机的可靠性。 Serba 可以访问其涡轮机的大量性能数据，这使他们能够使用 Knowledge Studio 的无监督机器学习功能来识别历史性能数据中的模式、趋势和异常值，然后构建 AI 模型来标记运行中的新兴模式数据。 Serba 团队与来自三个主要硬件供应商和 Altair 的工程师合作，构建并测试了一个人工智能模型来预测何时需要维护任务，以及一组分析仪表板，使岸上人员能够监控海上涡轮机的性能。

运营影响

Serba Dinamik’s engineering team worked with Altair and ORS Technologies Sdn. Bhd., a Malaysian engineering consulting firm, to develop a new Smart Predictive Maintenance Data System (SPMDS) utilizing Knowledge Studio and Panopticon. After a six-month testing period, Serba’s crews began using SPMDS to monitor the performance and maintenance requirements for turbines in the field. The maintenance crews use Panopticon-powered dashboards built into SPMDS to monitor every sensor mounted on operating turbines in real time. AI models built with Knowledge Studio identify potential failures or issues that require engineering attention, and, based on that understanding, take turbines offline only when necessary.

数量效益