چگونه ارزش داده محور را به اپراتورهای دریایی تحویل دهیم


بیشتر ما با این جمله برخورد کرده ایم که “داده ها روغن جدید است” – اگرچه این اصطلاح در محافل صنعتی در حال تبدیل شدن به یک واژه سرگرم کننده است که به کار می رود ، اما دلیل خوبی دارد که مورد توجه قرار می گیرد.

من در بهترین بخش 20 سال در زمینه هوش مصنوعی کاربردی و صنعتی کار می کردم. به نظر من ، داده هایی که به بینش تبدیل شده اند ، پلی بین تئوری و عمل در زندگی واقعی و فرصتی برای باز کردن پتانسیل در داده های جمع آوری شده است. همچنین به ما کمک می کند تا عدم قطعیت را بسنجیم و مفروضات را در برابر واقعیت آزمایش کنیم. این یک زمینه غیر مغرضانه ، قابل تکرار و واقعی است که می توانیم از آن برای بهتر شدن تغییر شکل دهیم.

در صنعت فراساحل ، در حال حاضر با توجه به باز کردن قفل پتانسیل موجود در داده های بدون ساختار ، در نوک کوه یخی نشسته ایم. در صورت استفاده م effectivelyثر ، این بینش های داده محور می توانند تصمیمات را از طیف وسیعی از عملکردهای مهم کسب و کار – از بهبود عملیات و برنامه ریزی آگاهانه گرفته تا آموزش متمرکز و توسعه پرسنل ، آگاه سازند. پتانسیل پیشرفت عملکرد ایمنی نیز قابل توجه است.

بخشی از کار اخیر من با ABS نقشی را که علم داده می تواند در حمایت از عملیات نگهداری دارایی های خارج از کشور و تصمیمات تعمیر و نگهداری مبتنی بر شرایط بازی کند ، بررسی کرده است.

توقف برنامه ریزی نشده ، همانطور که می دانیم ، برای همه اپراتورهای دریایی هزینه بر است. مطالعه ای که توسط بیکر هیوز انجام شد نشان داد که 1٪ از زمان خرابی برنامه ریزی نشده (یعنی 3.65 روز در سال) به طور متوسط ​​سالانه 5.037 میلیون دلار به سازمان های نفت و گاز در خارج از کشور می پردازد. این صنعت هر 12 ماه به طور متوسط ​​کمی بیش از 27 روز از کار افتاده است ، که به هزینه های حدود 38 میلیون دلار تبدیل می شود – برای بدترین عملکرد ، 88 میلیون دلار بالاتر است.

چرا داده ها (با کیفیت) مهم هستند.

پیش بینی پیش بینی کننده – که مشکلات را پیش بینی می کند و آنها را قادر می سازد قبل از بروز آنها برطرف شود – بخشی اساسی از راه حل است.

به همین ترتیب ، تعمیر و نگهداری مبتنی بر شرایط (CBM) یک استراتژی تعمیر و نگهداری است که تصمیمات مربوط به کارهایی را که باید براساس شرایط واقعی یک دارایی انجام شود ، تعیین می کند. تحت CBM ، تعمیر و نگهداری فقط باید هنگامی انجام شود که شاخص های خاصی فعال شده و از نظر اقتصادی بهینه باشد. به عبارت دیگر ، تعمیر و نگهداری عملکردی است که نشانه هایی از کاهش عملکرد و / یا خرابی های آینده وجود داشته باشد و با تعیین فرصت مناسب در یک زمان یا مکان بهینه از نظر اقتصادی.

نیاز به CBM تا حدی به دلیل چالش های شیوه های نگهداری مبتنی بر زمان و همچنین برای کاهش عدم اطمینان در هنگام حوادث تعمیر و نگهداری ، الزامات افزایش ایمن عمر مفید تجهیزات و دستیابی به حداکثر در دسترس بودن ایجاد می شود.

در واقع ، تکامل استراتژی تعمیر و نگهداری مسیر را از تعمیر و نگهداری اصلاحی تا نگهداری پیشگیرانه تا نگهداری پیش بینی و مبتنی بر شرایط دنبال کرده است. هر تکامل به حفظ عدم اطمینان بیشتر تصمیم گیرندگان با حفظ استانداردهای ایمنی کمک می کند.

بسیار مهم است که استرس داشته باشیم ، که تعمیر و نگهداری مبتنی بر شرایط جایگزین متخصصان موضوعی نمی شود (در حقیقت ، CBM برای آموزش و استفاده از دانش تجربی خود برای راهنمایی پیشرفت ها به ورودی آنها اعتماد می کند). بلکه این یک روش است و نه ابزاری است که برای اطلاع رسانی استراتژی های نگهداری طراحی شده است.

تحولات اخیر در این زمینه فرصت های جدیدی را برای اپراتورهای دریایی و دریایی فراهم می کند تا یک استراتژی مدیریت دارایی موثرتری را اتخاذ کنند – اصل این استراتژی ترکیب تجزیه و تحلیل داده ها با داده های تاریخی و تجربه عملیاتی برای کاهش توقف برنامه ریزی نشده و دستیابی به بهره برداری بالاتر است.

این شامل تلفیق داده های تولید شده از عملیات و نگهداری تاریخی ، ترکیب اطلاعات متنوع از منابع مانند طراحی تجهیزات ، سری زمانی سنسور ، سوابق بازرسی ، گزارش عملکرد و گزارش های بررسی کلاس است. از این طریق ، می توان درکی از روند شکست مشاهده شده و خطرات پدیدار را بدست آورد ، که به نوبه خود بینش داده محور مورد نیاز برای حمایت از CBM را فراهم می کند.

یکی از بزرگترین موانع بدست آوردن مقدار از این تمرین این است که سابقه نگهداری و داده های مشاهده شده اپراتور به طور معمول بدون ساختار است. این محدودیت دستیابی به بینش CBM را بیشتر مبتنی بر داده های سنسور پارامترهای ساختاریافته و آزمونهای درجا یا آفلاین مانند ارتعاش و کیفیت روغن می کند.

در پاسخ به این مشکل ، بخشی از کارهای اخیر من به دنبال راه هایی برای باز کردن قفل بهتر ارزش داده های غیر ساختاری است که معمولاً در سیستم مدیریت رایانه ای نگهداری رایانه ای (CMMS) ذخیره می شود ، سیاهههای مربوط به تعمیر و یدکی و مخازن دیگر که داده های بدون ساختار می گیرد تولید شده در یک عملیات.

CMMS معمولی دریایی به کاربران امکان می دهد گزارش وضعیت متن آزاد را وارد کنند و در بسیاری از قسمتهای کشویی غالباً ورودی های ناقص یا ناقص وجود دارد. مشکلی که در زمینه های متن آزاد وجود دارد این است که آنها در قالب زبان طبیعی نوشته شده اند – نحوه صحبت شخص و یا استفاده از اصطلاحات خاص جامعه – و این باعث می شود که در کیفیت پایین داده هایی که معمولاً در CMMS وجود دارد ، نقش داشته باشد.

مثالهای خاصی از مسائل مربوط به کیفیت داده ها عبارتند از: اختصارات غیراستاندارد که توسط اپراتورها و خدمه مختلف استفاده می شود. طبقه بندی تجهیزات ناسازگار ؛ خالی گذاشتن زمینه های مهم CMMS به دلیل کمبود وقت یا دانش. اشتباهات رایج در املا و دستور زبان ؛ تنوع در ساختار جمله ها برای توصیف وضعیت مشابه و غیره

همه اینها بدان معنی است که مجموعه داده ها باید برای استخراج اطلاعات مفید قفل شده در یک فرم بدون ساختار قبل از انجام تجزیه و تحلیل بیشتر تجزیه و تحلیل شوند – فرایندی که می تواند تفاوت بین کشف یک مشکل سیستمی و اجازه دادن به آن از طریق شبکه به دلیل ماهیت آن باشد. داده ها.

سوابق نگهداری تاریخی برای آموزش الگوریتم های هوش مصنوعی استفاده شده است که قادر به کار با داده های فرم آزاد بدون ساختار هستند تا کار شناسایی انواع اقدامات نگهداری ، تمایز دامنه نگهداری و همچنین جداسازی محرک های نگهداری را به صورت خودکار انجام دهند. این منجر به تجزیه و تحلیل سریعتر ، قابل تکرار و دقیق تر می شود که منجر به شناسایی مسائل فوری می شود و خطرات قابلیت اطمینان در ناوگان دارایی را مدل می کند.

این بخش مهمی از مطالعات اخیر ما را تشکیل می دهد ، که شامل توسعه روش های پیشرفته برای انجام پردازش زبان طبیعی است که به حوزه مشکل منحصر به فرد تعمیر و نگهداری دریایی اختصاص یافته است.

ما تلاش خود را برای اندازه گیری ، شناسایی و بهبود کیفیت داده ها و استخراج اطلاعات مربوطه از داده های متنی بدون ساختار در شکلی متمرکز کردیم که می تواند برای ساخت مدل بیشتر مورد استفاده قرار گیرد. چندین مدل با فضای فرضیه متنوع و پیچیدگی برای ساخت مجموعه های مدل مدل مورد آزمایش قرار گرفتند. اینها شامل روشهای مبتنی بر تصادفی سازی ، تکنیک های مبتنی بر هسته ، مدل های احتمالی و ایده های یادگیری مبتنی بر نمونه بود.

به دنبال این کار ، اکنون ما فرایند مدل سازی قابل تعمیم ، دقیق و خودکار را برای استخراج بینش از اطلاعات متنی غیر ساختار یافته و رایگان در اختیار داریم که از دامنه دارایی های متنوع دریایی و دریایی خارج می شود. با انجام این کار ، ما همچنین مجموعه ای از روش های هوش مصنوعی را برای رفع چالش کیفیت داده های ناشی از عملیات غیر ساختاری منابع داده تولید شده ایجاد کرده ایم.

این مزایای زیادی دارد. اول ، پردازش سریعتر و قابل اطمینان داده ها را تسهیل می کند ، و مقاومت در برابر تغییرات بیان معناشناسی را که در محیط های کاری دریایی و دریایی معمول است فراهم می کند.

علاوه بر این ، این توانایی را برای انجام همجوشی داده ها فراهم می کند ، و می تواند به طور یکپارچه از چندین منبع داده به عنوان یکی از آنها در سیلوها استفاده کند.

به داده ها اعتماد کنید – با اتخاذ یک الگوی تصمیم گیری مبتنی بر داده اما با هدایت دامنه.

با اتخاذ برخی یا تمام این اقدامات برای افزایش کیفیت داده ها و بدست آوردن حداکثر اثر بخشی در نگهداری مبتنی بر شرایط ، اپراتورهای دریایی می توانند بسیاری از اختلالات و هزینه های مالی ناشی از توقف برنامه ریزی نشده را معکوس کنند.

علاوه بر این ، بینش های استخراج شده می توانند سایر فعالیتهای اساسی تجاری مانند توسعه و آموزش انسانی را آگاه سازند. برای تولیدکنندگان تجهیزات اصلی (OEM) ، این می تواند خطاهای رایجی را که می توانند از قبل در خط تولید قبل از رسیدن به کاربر نهایی برطرف شوند ، یا شناسایی مشکلات تجهیزات قبل از گسترش گسترده در ناوگان مستقر شده ، برجسته کند. طراحی به موقع ، کنترل ها یا افزایش پیکربندی.

در عین حال ، ارزش افزوده آورده شده توسط استراتژیهای نگهداری دریایی توسط علم داده نیز باید با تمایل به تصمیم گیری مبتنی بر ریسک و پذیرش تغییرات برآورده شود.

علاوه بر تعمیق همکاری بین اپراتورهای دریایی ، جوامع طبقاتی مانند ABS و OEM ها به سمت سلسله مراتب تجهیزات استاندارد ، صنعت باید یک الگوی مبتنی بر شرایط بیشتر را اتخاذ کند تا تصمیم گیری بهینه سازی شود. خرید ارزش از داده ها برای خرید از رهبران تجاری بسیار اساسی است.

اما این فقط یک مکالمه یک طرفه نیست. ما به عنوان دانشمند داده ها همچنین باید بپذیریم که باید کار بهتری انجام دهیم تا یافته های خود را در موقعیت های زندگی به کار ببریم. بنابراین دانشمندان داده بر ما هستند که از مشکلاتی از قبیل مجهز شدن بیش از حد ، همبستگی گیج کننده برای علیت و تخمین بیش از حد توانایی تعمیم مدل های ما آگاهی داشته باشند. مسئولیت این امر نیز باید بر دوش ما باشد که این امر را به وضوح به تصمیم گیرندگان خارج از کشور که در دنیای واقعی فعالیت می کنند ، ابلاغ کنیم.

در واقع ، این یک تلاش مشترک بین ذینفعان مختلف خواهد بود – صنعت باید شروع به استفاده از بینش از برنامه های داده محور کند ، با متخصصان موضوع و اپراتورها بخشی از روند ساخت الگوریتم را با دانشمندان داده بازی می کنند. این تنها باعث بهبود اعتماد و پذیرش می شود.

با این وجود مسلماً مهمترین ورودی از بالا خواهد بود. استفاده و ، بحرانی ، عمل به توصیه های مبتنی بر شرایط مبتنی بر داده ، مستلزم حمایت عمدی از بالا به پایین از سوی مدیریت اجرایی است. اگر قرار است اثری پایدار و واقعی ایجاد شود ، داده ها و هوش مصنوعی باید بخشی از قلمرو مجموعه C شوند.


Subrat Nanda دانشمند ارشد داده در ABS است و دانش داده و تلاش های پیشرفته تجزیه و تحلیل را برای مشتریان دریایی ، دریایی و دولتی هدایت می کند.

Leave a reply

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>