通过预测性资产监控和警报系统节省数百万美元
- 分析与建模 - 预测分析
- 自动化与控制 - 监督控制和数据采集 (SCADA)
- 功能应用 - 计算机化维护管理系统 (CMMS)
- 传感器 - 温度传感器
- 传感器 - 振动传感器
- 传感器 - 电压传感器
- 石油和天然气
- 维护
- 预测性维护
挑战在于收集和筛选这些数据，识别表明资产故障可能性很高的模式，识别最紧迫的问题，并为工程师提供正确的信息，并有足够的准备时间让他们采取有效的行动。
“以前，我们只使用了我们收集的运营数据的 10% 到 12%，这是行业平均水平，”Benn 评论道。 “当我们搜索、整理并将正确的信息转发给正确的人时，我们可能响应太晚以避免影响运营，或者不得不在最后一刻更改我们的维护计划，这会降低效率。我们的挑战是主动提供及时、可操作、有效的信息，而不是被动或回顾性评估。”
“我们想要的是一种识别传感器数据模式的方法，这将为我们提供资产故障的早期预警。我们看到了使用分析技术从我们已经拥有的系统和数据中提取更大价值的机会，这将帮助我们避免例如可预防的故障并可能节省数百万美元。
为了创建有效的设备故障警报系统，Santos 采用了预测模型。在 IBM® SPSS® Lab Services 的帮助下开展试点项目，该公司从多个来源提取结构化和非结构化数据，包括： 设备趋势数据库，用于跟踪 SCADA 数据，例如压缩机的运行速度；操作员轮班日志，现场操作员记录其活动的系统；维护资产及其维护历史记录的计算机化维护管理系统；以及资产损失和可用性系统，这是一种用于追踪生产损失来源的会计解决方案。
Steven Benn 说：“我们现在可以使用来自多个来源的信号从所有相关数据流的整体模式匹配和分析中识别问题。我们分析的正是这种整体情况，以便为我们的工程师和现场操作员生成警告和通知。这些警告中的大多数不能来自单一来源或点传感器，否则将无法检测到。”
Case Study missing?
Start adding your own!
Register with your work email and create a new case study profile for your business.
相关案例.
