Herausforderung

Bei einer Offshore-Erdölförderungsanlage kommt es im Jahr bis zu 27 ungeplanten Ausfalltagen. Ein ungeplanter Ausfalltag pro Jahr kann das Unternehmen bereits bis zu 1,23 Millionen Euro kosten. Um das Risiko unerwarteter Geräteausfälle zu vermeiden und den Ertrag zu maximieren, suchte das Unternehmen nach neuen und effizienteren Wartungsmethoden.

Vorgehen

  • Sensoren wurden installiert und sammeln Daten potentieller Fehler in der Ausrüstung (z. B. im Wellenlager von Vakuumpumpen).
  • Die gesammelten Sensordaten werden mit Ausrüstungs-Metadaten (wie z.B. Modell, Konfiguration, Betriebseinstellungen usw.) kombiniert.
  • Maschinelle Lernalgorithmen (Machine Learning) werden über die kombinierten Datensätze laufen gelassen, um Ausfallmuster von Ausrüstungen zu erkennen und darauf basierend Vorhersagemodelle zu erstellen.
  • Sobald mehr Daten verfügbar sind, werden die Modelle aktualisiert, neu trainiert und erneut getestet, um eine höhere Genauigkeit und Realitätstreue zu gewährleisten.

Ergebnis

  • Reduzierung ungeplanter Anlagenausfälle.
  • Reduzierung damit verbundener Kosten.
  • Höhere Zuverlässigkeit der Ausrüstung.
  • Größere Sicherheit der Bediener.

Nutzen

  • Ausfall-Vorhersagemodelle einer Offshore-Erdölförderungsanlage reduzieren Ausfalltage und damit verbundene Kosten.

Daten

  • Ausfalldaten
  • Fehlererkennungsdaten
  • Trenddaten
  • Historische Daten

Technologien

  • AWS SageMaker
  • AWS IoT Core
  • TensorFlow