據(jù)麥肯錫公司和現(xiàn)代先進的分析程序可以幫助大石油公司發(fā)現(xiàn)價值的額外$ 10億。

一種方法是通過部署機器學習和人工智能(AI)的能力來發(fā)現(xiàn)可能導致數(shù)百萬英鎊的設(shè)備中斷的微小過程故障。

邁克·布魯克斯(Mike Brooks)曾是埃索(Esso)和雪佛龍(Chevron)的工程師，現(xiàn)在是資產(chǎn)優(yōu)化軟件公司AspenTech的高級總監(jiān)。

Heidi Vella(HV)：AspenTech的技術(shù)如何利用分析和AI改善海上作業(yè)和維護?

Mike Brooks(MB)：85%的設(shè)備故障是由過程引起的故障引起的，而不僅僅是磨損。我們是第一家將激光聚焦在機器過程中正在發(fā)生的事情上的公司，這可能會導致機器損壞，然后造成災(zāi)難性故障。

為此，我們通過檢查來自機器的傳感器數(shù)據(jù)來了解特定的行為模式，例如什么是正常操作以及當機器在故障之前就開始降級時會發(fā)生什么。

一旦我們對正?，F(xiàn)象有了最好的解釋，就可以創(chuàng)建所謂的“概率波形”圖表。在復(fù)雜的壓縮機上，我們可能要查看160個傳感器，然后將數(shù)據(jù)合并為一張圖表，以顯示過去每個點的故障概率。當壓縮機正常運行時，該線非常接近零。失敗時為100%。波紋是介于兩者之間發(fā)生的，因此很容易識別故障。

當與正常情況相比有變化時，有必要知道這是由于即將發(fā)生的已知故障還是新的故障模式?我們的軟件會告訴您這是一個還是另一個。如果是新的失敗，那么我們將訓練稱為“代理”的東西，該軟件將注冊該簽名，然后永遠尋找它是否發(fā)生。下次出現(xiàn)此問題時，甚至無需看那臺機器，操作員就可以非常準確地知道何時會發(fā)生故障。我們曾與一家上游公司合作，可以提前一個月預(yù)測泥漿泵的故障

HV：與其他離岸資產(chǎn)管理軟件公司的做法有何不同?

MB：大多數(shù)公司只是在檢測異常，這實際上只是在問一個問題：這正常嗎?但是，由于這需要人工解釋，因此充滿了錯誤。

我們經(jīng)常發(fā)現(xiàn)機器學習有點誤解。一家公司的一位傲慢的首席技術(shù)官曾對我說：“只要給我看數(shù)據(jù)，這就是我所需要的!”事實證明，您所需要的還不止這些!

數(shù)據(jù)需要導軌才能正常工作，沒有它們，它將發(fā)現(xiàn)各種毫無意義的不相關(guān)的關(guān)聯(lián)。

最著名的例子之一是，緬因州食用人造黃油的數(shù)量與離婚率之間存在直接關(guān)系。因此，根據(jù)這種相關(guān)性，如果您開始食用更多人造黃油，那么您更有可能離婚。

如果您不給機器學習適當?shù)闹笇?，那就是您可以通過機器學習獲得的那種愚蠢。