For 2200 år siden bidro Arkimedes i stor grad til utviklingen av det vi kaller “enkle maskiner”: bare tenk på vektstang og talje. Samtidig som maskiner har utviklet seg enormt siden den gang, er drømmen fortsatt den samme: Vi ønsker å unngå maskinfeil. Heldigvis har vi teknologi, for eksempel algoritmer for maskinlæring, som bidrar til at vi er nærmere å realisere den drømmen.
– Omnia.Prevent er en vedlikeholdsløsning som er basert på maskinlæring. I hovedsak prøver vi å forutsi og forhindre at det oppstår feil i våre maskiner, i tillegg til å melde disse funnene til våre ingeniører for å gjøre livet lettere for dem.
Evmorfia “Eva” AndritsoupoulouInformatiker i Equinor
Eva er en av de kloke hodene i Omnia.Prevent-teamet som hjelper oss med å se litt inn i framtiden. Mens vi i dag har ingeniører som overvåker disse maskinene manuelt, er det en oppgave som er både gjentagende og omfattende – og dermed perfekt for maskinlæring.
Prevent er laget for å brukes i vårt integrerte operasjonssenter (IOC), og har allerede hatt stor innvirkning. Men den er ingen magisk løsning som vil fjerne alle bekymringer for maskinfeil.
– Noen mener at Prevent vil erstatte ingeniører, men det er et nytt verktøy og en arbeidsmåte som er basert på matematikk og data. Uten ingeniører som hjelper oss med å forstå dataene før de går inn i algoritmen, tolker resultatet og deretter faktisk løser problemet, ville ikke Prevent gitt noe mening, forklarer Eva.
Det nære samarbeidet mellom ingeniører og informatikerne har gjort Prevent til en suksess. Bare i 2022 ble Prevent brukt til å oppdage og forutse over 200 feil i tungt roterende utstyr på våre anlegg, slik at vi sparte millioner av kroner og forbedret sikkerheten. Det er vanskelig å si et nøyaktig beløp, siden vi ikke kan måle hendelser som ikke skjer, men er det ingen tvil om at det er verdifullt å unngå driftsfeil.
Mer er mer
Så, hvordan fungerer Prevent? Det er intet mindre enn en laginnsats av informatikere, utviklere og ingeniører. Reisen begynner med vårt roterende utstyr – tenk deg en turbin eller generator som er tilkoblet en enhet med tingenes internett (IoT), en liten sensor som kan overføre data over internett eller andre nettverk. Disse IoT-enhetene kan fange opp endringer i temperatur, trykk med mer.
Prevent-teamet har algoritmer for maskinlæring (ML) som leter etter endringer i disse dataene og lærer av dem.
La oss si at en generator i drift vanligvis har en temperatur på 75°C. Hvis temperaturen uventet klatrer opp mot 125°C, vil ML-modellen fange opp endringen og lage det som kalles en hendelse. Dette varsler Prevent-teamet om å undersøke saken nærmere.
I dag analyserer Prevent data fra mer enn 18.000 sensorer, som er spredt over mer enn 30 olje- og gassinstallasjoner til havs og på land, og det kommer mer. Men for å være sikre på at vi fanger opp alle mulige feil, er det ikke bare én maskinlæringsmodell som kjøres:
Prevent har over 520 maskinlæringsmodeller i produksjon, som lager millioner av prediksjoner hver dag.
Hugo Bettencourt Machado
I noen tilfeller ville én modell vært tilstrekkelig, men for Prevent handler det om kvantitet og kvalitet:
– Vi sier at vi bytter perfeksjon mot generalisering, for det er viktigere å ha mange gode modeller enn én som er perfekt. Dersom vi hadde hatt færre modeller, ville det betydd at vi hadde hatt færre maskiner som overvåket, og dermed mye mindre sjanse for å fange opp noen faktiske feil. Flere modeller betyr ganske enkelt flere sjanser til å finne avvik, forklarer Hugo.
Olav bidrar til å bygge bro mellom informatikere og ingeniører.
Hvem kan du ringe? Ingeniører!
Men for å gjennomføre et kunststykke som Prevent kreves det mer enn bare dataeksperter, det kreves også tekniske eksperter som kan anleggsdrift. Det er der Olav Landstad kommer inn. Han er en del av Prevent-teamet, men han er også ingeniør og forstår hvordan våre maskiner og vårt utstyr fungerer.
Når maskinlæringsmodellen utløser en alarm, vil han være den første som undersøker, og kan avgjøre om det kan være «normal» uventet atferd, eller om han må varsle det integrerte operasjonssenteret. Så kan de avgjøre om de ønsker å undersøke det nærmere. For Olav som arbeider med Prevent betyr det at han får det beste fra begge verdener:
– Det er mange likhetstrekk mellom kybernetikk og den tekniske arbeidet og informatikken som ligger bak utviklingen av Prevent, siden alt handler om grensesnittet mellom de fysiske og digitale systemene, overvåking og fininnstilling av signaler. Det er veldig interessant å kunne forstå det store bildet og hvordan alt fungerer sammen, sier Olav.
Verden har utviklet seg mye siden de første ideene til den “enkle maskinen” ble født. Og Equinor har kommet mye nærmere å forhindre at våre avanserte maskiner stanser – takket være kunstig intelligens.
