Internet Industriel des Objets IIOT : Faites des données le nouveau pétrole: la maintenance prédictive compatible avec l'IIoT pour le pétrole et le gaz

Selon une étude de Kimberlite, seulement 3,65 jours de temps d'arrêt imprévus par an peuvent coûter 5,037 millions de dollars à une société pétrolière et gazière. Une société pétrolière et gazière offshore moyenne connaît environ 27 jours de temps d'arrêt imprévus par an, ce qui peut représenter 38 millions de dollars de pertes. Dans certains cas, ce nombre peut aller jusqu'à 88 millions de dollars.
Pour éliminer le risque de pannes inattendues de l'équipement et maximiser le rendement des actifs, les sociétés pétrolières et gazières recherchent de nouvelles méthodes de maintenance plus efficaces. Dans cet article, nous allons expliquer pourquoi la maintenance prédictive pilotée par IIoT (Internet industriel des objets) mérite d'être examinée.
Comment ça marche?
En résumé, la maintenance prédictive pilotée par l'IIoT exploite les données extraites des capteurs de l'équipement (par exemple, la température, les vibrations, les capteurs de débit, etc.) pour identifier s'il y a des anomalies dans le comportement de l'équipement et prévoir si un équipement est susceptible de tomber en panne dans un certain délai. Plage de temps. Le processus simplifié se présente comme suit:
Étape 1. Collecte des données IoT
La maintenance prédictive commence par la collecte des données à partir des points de défaillance potentiels de l'équipement (par exemple, les roulements d'arbre des pompes à vide) à l'aide de capteurs. Il est bon d'avoir un ensemble de données qui illustre la santé et les performances de l'équipement tout au long de sa durée de vie et montre des défaillances identifiables. Les scientifiques des données utiliseront cet ensemble de données comme base pour créer des modèles prédictifs.
Étape 2. Ajout de contexte
Pour une meilleure fiabilité et précision des futurs modèles prédictifs, les données IoT sont combinées avec les métadonnées de l'équipement (modèle, configuration, paramètres opérationnels, etc.), l'historique d'utilisation de l'équipement et les données de maintenance. Ces données peuvent être extraites de l'ERP (Enterprise-Resource Planning), EAM (Enterprise-Asset Management), EMS (Enterprise-Management System) et d'autres systèmes d'entreprise.
Étape 3. Recherche de modèles
Les scientifiques des données examinent l'ensemble de données combiné de l'IoT et des données de contexte pour identifier les dépendances et émettre des hypothèses techniques concernant les signaux de défaillance potentiels et les modèles d'utilisation entraînant des défaillances.
Étape 4. Création de modèles prédictifs
L'essence de l'étape se résume à l'exécution de l'ensemble de données combinées par le biais d'algorithmes d'apprentissage automatique pour identifier les modèles de défaillance des équipements et, sur la base de ceux-ci, construire des modèles prédictifs. La précision des modèles est testée et, une fois approuvés, ils sont utilisés pour prédire la probabilité de défaillance de l'équipement.
À mesure que davantage de données deviennent disponibles, les modèles sont mis à jour, recyclés et testés à nouveau, afin qu'ils soient précis et représentatifs de la réalité.
Que maintenir?
L'IIoT a le pouvoir d'augmenter la productivité des équipements et de réduire les temps d'arrêt imprévus dans les trois segments de l'industrie pétrolière et gazière: en amont (exploration et production), en milieu (transport et stockage) et en aval (raffinage et traitement).
En amont
En moyenne, 42% des équipements de développement, d'exploration et de forage ont plus de 15 ans et ne fonctionnent qu'à 77% de sa productivité maximale. Pour pallier cette lacune, les sociétés pétrolières et gazières en amont peuvent tirer parti de la maintenance prédictive basée sur l'IdO.
En amont, la maintenance prédictive IIoT est appliquée pour surveiller la santé des équipements d'exploration, de développement et de forage, ainsi que de ses composants: pompes submersibles, séparateurs, condenseurs, soupapes de pression, échangeurs de chaleur, cheminées de torche, compresseurs, turbines, etc.
Pour cela, les points de défaillance potentiels sont équipés de pression, température, couple, vibration, débit et autres types de capteurs. Une solution de maintenance prédictive ingère les lectures des capteurs, les combine avec des données de contexte, exécute l'ensemble de données via des algorithmes d'apprentissage automatique et crée des modèles prédictifs, qui sont ensuite utilisés pour identifier les pannes d'équipement et fournir des notifications d'alerte précoce des problèmes en développement.
Midstream
Le secteur intermédiaire exploite l'IIoT pour garantir la sécurité et la fiabilité de la tuyauterie, des systèmes de traitement du pétrole brut et des équipements de traitement du gaz. Des capteurs acoustiques distribués à fibres optiques, des capteurs à ultrasons et des systèmes de détection de température détectent les variations sonores signalant des fuites de liquide (par exemple du pétrole brut), tandis que des câbles de détection d'hydrocarbures sont utilisés pour détecter les fuites d'hydrocarbures.
Les données des capteurs sont combinées avec des données contextuelles (par exemple, les données des installations d'exportation, la géolocalisation et les données météorologiques, etc.) et analysées par rapport à des modèles prédictifs. Une fois qu'un écart anormal dans les relevés du capteur est détecté, une solution IIoT déclenche une alerte, informant les spécialistes de la maintenance d'un dysfonctionnement du pipeline.
En aval
Aux États-Unis seulement, les raffineries perdent 6,6 milliards de dollars en raison de temps d'arrêt imprévus. L'une des principales causes de temps d'arrêt est la mauvaise maintenance des équipements de raffinage.
En aval, certains des composants les plus critiques et les plus courants à entretenir sont les pompes et les compresseurs dans les unités de distillation du pétrole, les unités d'hydrotraitement diesel, les unités de craquage catalytique fluide et les unités de récupération de soufre, ainsi que les trains de préchauffage dans les unités de brut.
En combinant les données des capteurs de vibration, de température et de débit attachés aux points potentiellement défectueux avec les données de production et d'environnement, et en corrélant ces données avec des modèles prédictifs, les raffineries ont la possibilité de prédire si un composant est susceptible de tomber en panne bien avant qu'un problème ne survienne. .
Avantages
L'application de solutions de maintenance prédictive basées sur l'IIoT aide les sociétés pétrolières et gazières à récolter des avantages substantiels, notamment:

Amélioration de la fiabilité des actifs et réduction des coûts

Les solutions de maintenance prédictive basées sur l'IoT aident les sociétés pétrolières et gazières à prévoir les pannes d'équipement avant qu'elles puissent avoir un impact significatif sur les niveaux de sécurité et les résultats des sociétés pétrolières et gazières. Schneider Electric rapporte que l'application de solutions de maintenance prédictive compatibles avec l'IoT peut aider à économiser 4 millions de dollars en raison de l'identification précoce des dommages aux machines tournantes, 500 000 $ en raison de l'identification précoce des défaillances de couplage, 370 000 $ en raison de l'identification précoce des problèmes de vanne d'échangeur de chaleur, et plus encore.

Amélioration de l'efficacité opérationnelle

Les solutions de maintenance prédictive basées sur l'IoT améliorent l'utilisation des actifs et augmentent la productivité en rendant les opérations plus flexibles et agiles. En comparant les données opérationnelles sur plusieurs équipements, les solutions IoT aident à estimer l'utilisation des machines, à identifier les périodes de meilleures performances et à établir les meilleures pratiques pour améliorer les performances sur l'ensemble de la chaîne d'approvisionnement du pétrole et du gaz: de l'exploration au raffinage.

Diminution de l'empreinte environnementale

Alors que le secteur du pétrole et du gaz produit 29% des émissions de méthane, l'effet de serre du méthane est 86 fois plus élevé que celui du CO2. Aux États-Unis seulement, l'industrie du pétrole et du gaz provoque chaque année 1 million de tonnes de méthane polluant puissant dans l'environnement en raison de fuites. L'IIoT aide les sociétés pétrolières et gazières à identifier et à réduire les fuites de pipelines, réduisant ainsi les dommages environnementaux.
Défis et limites
Bien que l'industrie O&G soit l'adoptant le plus prometteur et le plus performant des solutions de maintenance prédictive basées sur l'IoT, certaines limites peuvent compliquer l'adoption:

Connexion d'équipements hérités à une solution IoT

Les sociétés O&G utilisent des systèmes de gestion comme SCADA (contrôle de supervision et acquisition de données) depuis des années. Cependant, 80% des équipements existants sont connectés à un réseau local et ne peuvent pas fonctionner sur les réseaux TCP / IP. Bien qu'il existe des passerelles physiques pouvant se traduire entre les systèmes hérités et les protocoles plus récents, le défi de l'intégration reste à résoudre.

La nécessité de disposer de quantités suffisantes de données sur les actifs

Pour une prédiction fiable, il est souhaitable de disposer d'un ensemble de données de capteur collectées tout au long du cycle de vie d'une machine et indiquant une défaillance identifiable. La collecte de la quantité de données requise peut prendre jusqu'à un an, ce qui peut retarder la mise en œuvre de la solution.

Opérant dans les zones à faible couverture des communications

Les opérations pétrolières et gazières nécessitent un ensemble diversifié d'actifs complexes, qui opèrent souvent dans des endroits éloignés et difficiles d'accès avec un faible signal réseau, tandis que le Wi-Fi et le Bluetooth ont une portée relativement courte et nécessitent de nombreuses stations avec de courtes distances entre elles afin pour obtenir une bonne couverture. Une interruption du réseau de communication peut entraîner la non-disponibilité ou la disponibilité des données sur les actifs, ce qui peut entraîner des signaux de défaillance manqués et, en fin de compte, une défaillance de l'équipement.
Résultats
La maintenance prédictive basée sur l'IoT peut être appliquée pour améliorer la fiabilité des équipements dans tous les segments de l'industrie pétrolière et gazière, depuis l'exploration et le développement jusqu'au stockage et au transport, jusqu'au raffinage et au traitement. Le département américain de l'Énergie déclare que l'application de solutions basées sur l'IoT pour la maintenance des équipements aide les sociétés pétrolières et gazières à augmenter leur production de 25%, à réduire de 30% les coûts de maintenance et à 45% les temps d'arrêt des équipements.

Laisser un commentaire