Gas Pipeline Improves Station Efficiency and Drives Revenue with DataRPM
- 分析与建模 - 机器学习
- 分析与建模 - 预测分析
- 石油和天然气
- 维护
- 预测性维护
在资本密集型石油和天然气行业，企业严重依赖部署在恶劣环境条件下的昂贵资产。从海上的一个钻井点到沙漠中的一个中间站，长线沿线每个点的动态环境条件都会影响沿线部署的资产的性能。用于支持这些关键任务资产的系统还必须高度可靠、响应迅速且安全。
一家运营长输天然气管道的公司在管道的整体效率方面遇到了许多挑战，从次优使用到自然资源浪费。即使使用最佳设备和设置，运行条件中的各种变量以及管道覆盖的绝对距离也使业务运营变得困难。
在这种情况下，管道沿线有 22 个注入站，在非常不同的条件下以不同的效率运行。这使得很难确定这些注入站的相互依赖的有效性，尽管每个注入站的各种参数都有大量数据集。即使是单个故障实例也可能使公司损失数十万美元的收入以及必须进行的任何额外维修费用。
该公司每年在每英里管道上花费 500 万美元进行纠正性维护。除此之外，由于未交付材料造成的收入损失估计为 2.5 亿美元。随着能源价格的下跌，收入的损失直接降低了公司的底线。随着时间的流逝和收入的下降，建立完善的效率提升模型成为当务之急。
DataRPM CADP 解决方案同时使用多个数据科学配方分析大量变量，以创建一个模型，该模型高度准确地描述了变量如何相互作用。专有的自学习算法分析元数据并并行运行许多机器学习实验来创建模型。从前一次运行的结果中学到的所有东西都将应用于未来的运行以进一步完善模型。算法和模型经过优化，以了解在给定数据集上最有效的方法。否则，考虑到沿线的各个传输阶段可能存在多个故障点，如果手动完成此过程可能需要数天或更长时间。
对于分析，使用了一组超过 15 个特征（变量）。这些特征的数据在一年中的每一天每一小时为每个站点收集，并输入到 CADP 解决方案中。运行该模型以单独、串联和在各个子组中识别每个变量与结果变量（即端到端管道的效率）的相关性。此外，每个站点的性能也与其他变量的性能相关，以确定哪些站点的性能是预测管道效率的关键。该模型用于预测哪些站点的性能与管道相同，哪些站点的性能与管道相反。在某些情况下，模型预测的站点性能与管道效率成反比。
相关案例.
