PREDIZIONE GUASTI DI UN ROV (VEICOLO SOTTOMARINO TELECOMANDATO)

IMPLEMENTAZIONE DI UN PIANO DI MANUTENZIONE PREDITTIVA ATTRAVERSO IL MACHINE LEARNING

PREDIZIONE GUASTI DI UN ROV (Veicolo sottomarino telecomandato)

Lo sviluppo tecnologico ha condotto al sempre più diffuso utilizzo di veicoli sottomarini telecomandati per l’esplorazione dei fondali, al fine di progettare nuovi campi petroliferi o fare manutenzione di quelli esistenti. Ogni missione di tali veicoli è molto dispendiosa dal punto di vista delle risorse umane coinvolte e dal punto di vista economico. Per questo motivo, è necessario sapere prima di ogni immersione qual è la probabilità che il veicolo sottomarino porti a termine la missione e qual è il componente su cui sta per verificarsi un guasto. Ciò è importante al fine di ottimizzare le risorse e il numero delle missioni.

MIPU_remoteoperatedcontrol

In questo caso studio saranno esplorate le potenzialità degli algoritmi di classificazione, che l’intelligenza artificiale mette a disposizione del mondo industriale, applicati ai dati di monitoraggio di veicoli sottomarini pilotati in remoto.

 

PROFILO DEL CLIENTE

Il cliente è una società per azioni operante nel settore dei servizi per il campo petrolifero. Si tratta di una società specializzata nella realizzazione di infrastrutture riguardanti la ricerca di giacimenti di idrocarburi, la perforazione e la messa in produzione di pozzi, la costruzione di oleodotti e gasdotti.

Oltre a dare lavoro a circa 32.000 persone in 62 diverse nazioni, il cliente è la quinta compagnia al mondo nel settore dei servizi petroliferi e gassiferi.

Allineato ai principi di Industria 4.0, il cliente è fortemente impegnato a investire nella ricerca e nell’esplorazione delle potenzialità dell’intelligenza artificiale applicata al settore industriale. L’obiettivo è quello di creare un’infrastruttura affidabile per la manutenzione predittiva dei propri assets.

 

NECESSITA’ DEL CLIENTE

Per soddisfare standard di efficacia ed efficienza elevati, la manutenzione deve essere gestita con precisione. Un approccio predittivo è altamente desiderabile e consigliato per garantire un intervento tempestivo. I veicoli sottomarini, pilotati da una postazione remota, rivestono una  fondamentale importanza nel lavoro del cliente in acque ultra profonde. Infatti, la società utilizza i propri ROV per la costruzione e la manutenzione di campi petroliferi per missioni di monitoraggio del fondale marino o di raccolta dei dati necessari per la progettazione di campi petroliferi o di condotte sottomarine.

In particolare, si vuole studiare la correlazione presente tra i dati disponibili, per definire la fattibilità tecnica di un algoritmo per valutare la probabilità di guasto del drone sottomarino elettrico e non cablato, la futura generazione, in base ai dati disponibili per i droni sottomarini cablati, generazione attualmente in uso.

Le domande a cui si vuole rispondere utilizzando l’intelligenza artificiale sono del tipo:

  • – quanta probabilità c’è che il drone sottomarino porti a termine la missione e rientri alla base?
  • – quanta probabilità c’è che si verifichi un guasto nel drone sottomarino?

 

Pertanto, il cliente ci ha richiesto di implementare un sistema di manutenzione predittiva basato sull’intelligenza artificiale. Il fine è quello di essere in grado di prevedere i guasti degli assets e la tipologia di fault, se elettrico, sensoristico o meccanico, riducendo così i tempi legati alla manutenzione dei ROV e i tempi vuoti causati dal mancato esito positivo delle missioni.

 

LA SOLUZIONE MIPU

I dati di monitoraggio dei ROV, provenienti dalle missioni, sono stati raccolti da un sistema di acquisizione IoT, installato prima dell’inizio dell’analisi, e archiviati in un database. I dati rappresentano i principali parametri operativi del veicolo sottomarino e includono variabili termodinamiche, elettriche, elettroniche e di stato.

Sono stati forniti anche i file contenenti le informazioni relative alla manutenzione ordinaria e straordinaria effettuata sui ROV. Da questi ultimi, sono state individuate le giornate di guasto e le relative tipologie di fault: sensoristico, meccanico ed elettronico.

La soluzione di intelligenza artificiale proposta consiste in un algoritmo di classificazione in grado di riconoscere la presenza di un guasto e la sua tipologia prima che esso si manifesti interrompendo le missioni.

Gli algoritmi di classificazione sono algoritmi supervisionati. Durante la fase di allenamento tra gli in input è presente anche un’etichetta, la classe di guasto. Tenendo come riferimento l’etichetta e le informazioni raccolte nella fase di allenamento, l’algoritmo è in grado di classificare osservazioni completamente nuove che non contengono l’etichetta.

La variabile etichetta ci dice per ogni osservazione se essa è da intendersi in un dato modo (guasto/non guasto), mentre tutte le altre variabili sono utilizzate per costruire una logica di classificazione. Questa logica di classificazione è utilizzata per classificare nuove osservazioni non ancora etichettate.

 

IL PROCESSO DI ANALISI

Per sviluppare il modello di rilevamento delle anomalie abbiamo prima condotto un’analisi dei dati disponibili e successivamente implementato una fase di pulizia degli stessi. La fase di preprocessing è consistita in:

  • – individuare i periodi in cui il ROV è stato effettivamente in funzione,
  • – identificare le variabili monitorate con segnale non nullo,
  • – individuare quali variabili dare in input al modello.

 

In questo modo è stato possibile costruire in fase di allenamento la migliore logica di classificazione possibile. In particolare, sono state considerate rilevanti solo le variabili di monitoraggio non booleane con valori non nulli, oltre 1.450 parametri.

Per migliorare la logica di riconoscimento e classificazione dei guasti, i modelli sono stati allenati su osservazioni. Queste ultime sono provenienti dalle giornate di guasto ed anche da quelle immediatamente precedenti, fino a cinque giorni prima che il fault si manifestasse.

Al fine di valutarne le capacità predittive, i modelli sono stati validati su osservazioni diverse da quelle della fase di allenamento. Queste ultime sono provenienti anche da dieci giorni prima dell’insorgere del guasto.

Per ogni modello costruito sono stati testati due algoritmi caratterizzati da strutture differenti, in modo da identificare la soluzione più performante in termini di metriche statistiche.

Gli algoritmi testati per ogni modello sono la Rete Neurale Artificiale e la Random Forest Regressor. Sono stati scelti questi due algoritmi di Intelligenza artificiale per la loro versatilità, capacità di rappresentare sistemi complessi e resistenza al rumore statistico.

 

RISULTATI

Il modello di intelligenza artificiale implementato è per la rilevazione di tre diversi tipi di guasto: sensoristico, meccanico ed elettronico. L’algoritmo ha una Accuracy media del 99,8% sui dati di validazione, nella predizione delle osservazioni di guasto fino a quattro giorni prima del fault. In particolare il modello riesce ad intercettare fault fino a sette giorni prima che essi si verifichino.

Il lavoro svolto ha dimostrato la fattibilità tecnica di una applicazione dell’intelligenza artificiale ai dati di monitoraggio di un veicolo sottomarino telecomandato. In particolare è stato dimostrato che le variabili di monitoraggio continue, provenienti dalle missioni di immersione dei ROV, possono essere utilizzate per:

  • – predire e classificare i guasti occorsi all’asset fino a sette giorni prima che il guasto si verifichi;
  • – sapere in anticipo quanta probabilità c’è che il drone sottomarino porti a termine la missione e rientri alla base.

 

CONCLUSIONE

Scopri di più sulle nostre soluzioni software, come Rebecca AI, la piattaforma semplice e intuitiva che permette di ottenere il massimo dal tuo business tramite l’Intelligenza Artificiale.
Se vuoi saperne di più su come sarà il condition monitoring e la manutenzione intelligente del futuro nel settore industriale, clicca qui.

 

Altre Case History:

Lo sapevi?

Organizziamo ALMENO un webinar al mese sui temi
dell’ingegneria di manutenzione, dell’efficientamento energetico
e degli ultimi trend di intelligenza artificiale.

Lascia un tuo contatto per ricevere tutti gli inviti!