Comments 6
Слишком простой, прямолинейный подход.
Насос ломается обычно вследствие износа ( или по глупости эксплуатанта )
А на этот износ расходуется энергия и начало разрушения и весь предшествующий износ хорошо видно в спектре колебаний.
В таких неоднозначных ситуациях непредвзятое мнение машины может стать ключевым.
Правильно говорить, что "в таких ситуациях, обученная на человеческих ошибках, криво размеченных и нестерильных данных нейронка выдаст какой-то результат, и может быть, это будет не оверфитинг, и не ложное срабатывание, а всего лишь learning bias, который, может быть, даже и будет похож на правду".
А они как-то планируют унифицировать датчики и упорядочить сбор данных? Раз уж все равно насосы меняют каждые пару лет.
И как можно обходиться без вибродиагностики, непонятно...
Ещё в 2005 году участвовал в разработке подобной системы. Называлась "Система поддержки принятия решений для моделирования процессов добычи нефти "Нефтепромысел"". Она позволяла следующее:
- Мониторинг и управление фондом скважин;
- Подбор оборудования и оптимизация режима;
- Диагностика геолого-технического состояния скважин;
- Расчёт индикаторной диаграммы;
- Анализ и оптимизация технологических, гидравлических, энергетических и технико-экономических показателей эксплуатации скважин;
- Визуализация и исследование истории параметров эксплуатации скважин;
- Расчёт потребности в оборудовании для цеха, предприятия;
- Расчёт эффективности намечаемых и проведённых мероприятий;
- Учёт движения оборудования.
Даже делали внедрение её в TNK-BP. Но по политическим причинам дело не пошло.
К сожалению, в сети уже не найти ссылки на её описание... :(
Вот тут у ребят не все так радужно. Хотелось бы сравнения подходов.
Как мы предсказывали поломки нефтяных насосов: когда big data – это в прямом смысле нефть