Perusahaan minyak dan gas telah mengandalkan otomasi selama puluhan tahun. PLC, platform DCS, sistem keselamatan, pengendalian lanjutan, dan jaringan industri sudah menjalankan sebagian besar pekerjaan berulang yang diperlukan untuk menjaga sumur, fasilitas pengolahan, jaringan pipa, dan aset lepas pantai tetap beroperasi.
Tahap berikutnya bukan sekadar menambahkan lebih banyak otomasi. Tahap ini adalah menciptakan sistem yang dapat memahami kondisi operasi, memprediksi apa yang mungkin terjadi selanjutnya, mengevaluasi respons yang tersedia, dan mengambil tindakan dalam batas-batas yang telah ditetapkan dengan jelas.
Inilah makna praktis otonomi dalam operasi industri.
Dari perspektif rekayasa otomasi, perbedaannya penting. Sistem otomatis konvensional menjalankan logika yang telah ditentukan sebelumnya oleh para insinyur. Sistem otonom menambahkan lapisan keputusan. Sistem ini menggabungkan data proses waktu nyata, kondisi peralatan, model prediktif, analitik, dan semakin banyak AI untuk menentukan respons yang tepat terhadap kondisi operasi saat ini.
Hal itu bukan berarti menyingkirkan operator dari proses. Dalam penerapan minyak dan gas dengan konsekuensi tinggi, arah yang lebih realistis adalah tetap memberikan tanggung jawab kepada manusia atas pengecualian, situasi abnormal, otorisasi, dan keputusan yang melampaui batas yang telah ditetapkan sebelumnya.
Mengapa Otonomi Semakin Praktis
Beberapa perubahan membuat transisi ini menjadi mungkin.
Operasi minyak dan gas semakin tersebar di berbagai sumur terpencil, anjungan lepas pantai, fasilitas pengolahan, jaringan pipa, dan aset maritim. Pada saat yang sama, banyak operator menghadapi infrastruktur yang menua, sistem kontrol yang terfragmentasi, keterbatasan tenaga kerja, dan jaringan OT yang semakin terhubung.
Secara historis, digitalisasi sering berfokus pada penyajian informasi. Operator dapat melihat tren, alarm, dan kondisi peralatan dari sistem terpusat, tetapi mereka masih harus menafsirkan sebagian besar informasi tersebut dan memutuskan tindakan yang perlu diambil.
Langkah berikutnya adalah memperpendek siklus keputusan tersebut.
Komputasi edge modern, perangkat Industrial Internet of Things, pengendalian proses lanjutan, analitik prediktif, dan AI dapat memindahkan komputasi lebih dekat ke proses. Alih-alih mengirim setiap keputusan melalui arsitektur terpusat atau berbasis cloud, fungsi-fungsi tertentu dapat beroperasi secara lokal saat waktu respons dan ketersediaan komunikasi menjadi hal penting.
Menurut saya, nilai nyata otonomi bukanlah model AI itu sendiri. Nilainya terletak pada kemampuan menghubungkan penginderaan, analisis, logika keputusan, dan tindakan terkendali ke dalam satu loop operasional.
MPC Menjembatani Otomasi dan Otonomi
Model Predictive Control merupakan contoh penting dari perkembangan ini.
MPC terus mengevaluasi kondisi proses saat ini dan perilaku masa depan yang diprediksi, lalu menghitung tindakan pengendalian berdasarkan tujuan dan batasan yang telah ditetapkan. MPC dapat mengompensasi interaksi proses yang sulit dikelola hanya dengan loop PID konvensional.
AI memperluas konsep ini, bukan selalu menggantikannya.
Sistem AI dapat menganalisis kumpulan data yang lebih besar dan kurang terstruktur, mengidentifikasi hubungan yang mungkin tidak direpresentasikan dalam model proses tetap, serta mengenali pola operasi yang terkait dengan masalah yang sedang berkembang atau peluang optimasi.
Kombinasi ini sangat berguna ketika kondisi proses berubah secara terus-menerus.
Sebagai contoh, arsitektur kontrol otonom dapat menggabungkan:
- Pengukuran proses waktu nyata
- Data kondisi peralatan
- Pola operasi historis
- Prediksi MPC
- Deteksi anomali berbasis AI
- Batasan operasi yang ditetapkan
- Status sistem keselamatan
- Aturan otorisasi operator
Sistem yang dihasilkan dapat menentukan apakah kondisi operasi memerlukan pemantauan, penyesuaian, rekomendasi, atau intervensi manusia.
Hal itu jauh lebih mendekati otonomi industri daripada sekadar memasang aplikasi AI di samping DCS yang sudah ada.
Kecerdasan Edge Sangat Penting Khususnya pada Level Proses
Otonomi menjadi lebih bermanfaat ketika keputusan dapat dibuat di dekat peralatan.
Pompa, kompresor, katup, penggerak, separator, dan aset proses lainnya semakin banyak menghasilkan informasi diagnostik dan kinerja selain pengukuran proses dasar.
Perangkat lapangan yang lebih lama mungkin hanya menyediakan sinyal status sederhana. Perangkat cerdas modern dapat menyediakan nilai proses, diagnostik perangkat, indikator kesehatan, dan informasi operasional tambahan.
Hal ini menciptakan lapisan informasi yang jauh lebih kaya.
Namun, mengirimkan semua informasi ke platform jarak jauh tidak secara otomatis menciptakan sistem kontrol yang lebih baik. Aplikasi yang sensitif terhadap waktu tetap bergantung pada komunikasi deterministik, ketersediaan kontrol lokal, dan perilaku respons yang dapat diprediksi.
Karena itu, arsitektur praktis sering kali mendistribusikan kecerdasan di beberapa lapisan:
Level lapangan -> level kontrol -> analitik edge -> sistem supervisi -> analitik perusahaan/cloud
Setiap lapisan memiliki tanggung jawab yang berbeda.
Sistem kontrol harus terus menangani fungsi kontrol deterministik. Komputasi edge dapat menjalankan analitik yang sensitif terhadap waktu dan dukungan pengambilan keputusan. Platform tingkat lebih tinggi dapat menangani optimasi seluruh armada, analisis historis, dan pengembangan model AI.
Arsitektur berlapis ini, menurut saya, merupakan salah satu prinsip rekayasa terpenting untuk meningkatkan otonomi tanpa mengubah sistem kontrol menjadi platform perangkat lunak yang kompleks secara tidak perlu.
Operasi Jarak Jauh Adalah Titik Awal yang Alami
Pusat operasi jarak jauh menunjukkan bagaimana peran manusia dapat berkembang.
Alih-alih mengharuskan spesialis bepergian ke masing-masing sumur, anjungan, atau fasilitas pemrosesan, tim terpusat dapat mengawasi aset yang tersebar secara geografis melalui data operasional dan alat digital yang sama.
Tahap pertama biasanya adalah pemantauan jarak jauh.
Tahap berikutnya adalah diagnosis terpusat.
Setelah itu, tindakan kontrol tertentu dapat dilakukan dari jarak jauh.
Seiring meningkatnya keandalan, perangkat lunak dapat terus-menerus menjalankan tugas diagnostik dan optimasi rutin, lalu hanya meneruskan pengecualian kepada operator.
Hal ini menciptakan model operasi yang berbeda: orang menghabiskan lebih sedikit waktu untuk melakukan tindakan berulang dan lebih banyak waktu untuk mengawasi kinerja sistem, menyelidiki kondisi tidak normal, serta menangani keputusan yang memerlukan pertimbangan rekayasa.
Dengan demikian, teknologi ini mengubah distribusi perhatian manusia, bukan sekadar menghilangkan keterlibatan manusia.
Aset Lepas Pantai Memiliki Alasan Ekonomi yang Kuat untuk Otonomi
Nilai yang ditawarkan menjadi sangat jelas di lepas pantai.
Masalah pemeliharaan di fasilitas darat mungkin memerlukan teknisi dan suku cadang pengganti. Masalah yang sama di lepas pantai dapat melibatkan transportasi, personel spesialis, logistik kapal atau helikopter, kendala cuaca, dan pertimbangan keselamatan tambahan.
Bagi FPSO atau platform terpencil, mendeteksi degradasi peralatan lebih awal dapat memberikan dampak ekonomi yang jauh lebih besar.
Sistem prediktif yang mengidentifikasi getaran, suhu, tekanan, atau perilaku kinerja yang tidak normal sebelum terjadi kegagalan dapat memungkinkan tim pemeliharaan merencanakan intervensi, alih-alih merespons penghentian tak terduga.
Manfaatnya tidak terbatas pada biaya pemeliharaan.
Hal ini juga dapat mencakup:
- Berkurangnya waktu henti tak terencana
- Kontinuitas produksi yang lebih baik
- Perencanaan suku cadang yang lebih baik
- Lebih sedikit intervensi darurat
- Berkurangnya paparan personel
- Jendela pemeliharaan yang lebih dapat diprediksi
Di sinilah pemeliharaan prediktif menjadi bagian dari model operasi otonom, bukan tetap sebagai aplikasi analitik yang terisolasi.
Robotika Dapat Menghindarkan Manusia dari Tugas Berulang yang Berbahaya
Inspeksi merupakan area lain tempat otonomi dapat berkembang relatif cepat.
Drone, robot darat, robot laut, dan sistem inspeksi otomatis dapat mengumpulkan data kondisi visual, termal, dan lainnya dari lokasi yang sulit atau berbahaya untuk diakses personel.
Langkah rekayasa yang penting adalah menghubungkan sistem-sistem ini dengan alur kerja pemeliharaan yang lebih luas.
Robot yang hanya menghasilkan gambar tetap membuat manusia bertanggung jawab untuk meninjaunya. Sistem yang lebih terintegrasi dapat mengumpulkan data inspeksi, membandingkannya dengan kondisi historis, mengidentifikasi perubahan, mengklasifikasikan potensi cacat, dan membuat rekomendasi pemeliharaan.
Arsitektur jangka panjang dapat menghubungkan:
Robot -> data inspeksi -> analitik -> model kesehatan aset -> alur kerja pemeliharaan -> persetujuan manusia atau respons otomatis
Hal itu menciptakan loop informasi tertutup.
Tujuannya bukan menerapkan robot hanya karena robot tersedia. Pendekatan yang lebih baik adalah mengidentifikasi tugas yang menimbulkan masalah operasional terukur karena paparan manusia, frekuensi inspeksi, kesulitan akses, atau pekerjaan berulang.
Sumur Otonom Memerlukan Optimasi Berkelanjutan
Operasi sumur merupakan penerapan menarik lainnya.
Tekanan, laju aliran, kinerja injeksi, kondisi pompa, dan perilaku reservoir dapat berubah secara terus-menerus. Strategi pengendalian yang bekerja dengan baik dalam satu rangkaian kondisi dapat menjadi kurang efektif ketika kondisi operasi berubah.
Oleh karena itu, pemantauan berkelanjutan yang dipadukan dengan kontrol adaptif dapat memberikan pendekatan yang lebih responsif.
Sebagai contoh, teknologi penggerak regeneratif yang diterapkan di lebih dari 130 lokasi sumur pompa batang menunjukkan bagaimana modernisasi penggerak dapat menggabungkan pemulihan energi dengan kontrol yang lebih baik dan data kinerja real time. Penerapan yang dilaporkan mencapai regenerasi energi sebesar 17%, dengan 95% energi yang dipulihkan digunakan kembali, dan diproyeksikan menghasilkan penghematan energi bulanan sebesar $3 juta saat diterapkan sepenuhnya.
Poin yang lebih penting dari perspektif otomasi adalah bahwa modernisasi juga menciptakan lapisan data siap AI.
Tanpa data operasional yang baik, pemeliharaan prediktif dan optimalisasi otonom tetap menjadi konsep teoretis.
Injeksi Air Menunjukkan Potensi Kontrol Prediktif
Injeksi air memberikan contoh lain tentang bagaimana kontrol tingkat lanjut dapat secara langsung memengaruhi produksi.
Dalam salah satu penerapan yang dilaporkan, MPC diterapkan pada 35 pompa injeksi air serta tiga unit dan pad pemindahan antar-kolam. Sistem tersebut secara otomatis menyesuaikan kondisi operasi berdasarkan perilaku proses yang diprediksi.
Penerapan tersebut meningkatkan injeksi air hampir 36.000 bpd, mendukung tambahan produksi sebesar 548 bopd, dan mengurangi konsumsi energi sebesar 3%.
Pelajaran bagi rekayasa sangatlah penting.
Otonomi tidak selalu memerlukan sistem AI yang kompleks. Dalam beberapa penerapan, strategi kontrol prediktif yang dirancang dengan baik, dilengkapi instrumentasi yang andal dan batasan yang ditetapkan dengan jelas, dapat memberikan nilai yang lebih praktis daripada arsitektur AI yang terlalu rumit dan tidak diperlukan.
Teknologi yang tepat harus mengikuti masalah operasional, bukan sebaliknya.
Pemeliharaan Prediktif Mengubah Model Pemeliharaan
Strategi pemeliharaan tradisional umumnya didasarkan pada jadwal preventif atau respons reaktif.
Pemeliharaan otonom menghadirkan kemungkinan ketiga: melakukan intervensi berdasarkan kondisi peralatan yang sebenarnya.
Untuk peralatan berputar, pemantauan kondisi dapat mengidentifikasi perubahan pada getaran, suhu, beban, tekanan, atau parameter operasional lainnya sebelum ambang alarm konvensional tercapai.
Salah satu penerapan pengeboran lepas pantai yang dilaporkan menggunakan indeks kesehatan peralatan dinamis, deteksi anomali statistik, dan komputasi edge untuk memantau peralatan secara real time serta mengidentifikasi penyimpangan dari perilaku normal.
Langkah berikutnya adalah menghubungkan model peralatan individual tersebut di seluruh perusahaan.
Jika data kinerja dari beberapa rig, platform, atau fasilitas produksi dapat dianalisis secara bersamaan, operator dapat membandingkan perilaku peralatan dalam kondisi lingkungan dan operasional yang berbeda.
AI kemudian dapat membantu mengidentifikasi pola yang sulit dideteksi melalui pemantauan aset individual.
Di sinilah otonomi mulai melampaui solusi titik individual dan beralih menuju optimalisasi aset tingkat armada.
Sistem Kendali Tetap Memerlukan Batasan yang Jelas
Salah satu pertimbangan rekayasa yang paling penting adalah menentukan apa yang boleh dilakukan oleh sistem otonom.
Model AI dapat menghasilkan rekomendasi, tetapi sistem kendali tetap perlu menentukan apakah rekomendasi tersebut diizinkan.
Untuk proses kritis, arsitektur harus memisahkan dengan jelas:
- Tujuan optimisasi
- Batas operasi normal
- Batasan peralatan
- Batasan proses
- Batas keselamatan
- Fungsi interlock
- Fungsi penghentian darurat
- Otorisasi operator
Sistem keselamatan tidak boleh diperlakukan begitu saja sebagai subsistem lain yang dikendalikan AI.
Lapisan otonom harus beroperasi dalam batasan yang telah ditetapkan, sementara fungsi perlindungan independen terus menjalankan peran keselamatan yang dimaksudkan.
Pemisahan ini sangat penting untuk membangun kepercayaan terhadap operasi otonom.
Keamanan Siber Menjadi Bagian dari Arsitektur Kendali
Konektivitas yang lebih besar juga menciptakan lebih banyak permukaan serangan.
Menghubungkan perangkat lapangan, pengendali, komputer edge, pusat operasi jarak jauh, platform cloud, dan sistem perusahaan dapat memberikan nilai operasional yang signifikan, tetapi setiap koneksi tambahan perlu dipertimbangkan dari perspektif keamanan siber OT.
Oleh karena itu, arsitektur otonom modern memerlukan lebih dari sekadar firewall.
Operator memerlukan visibilitas aset, segmentasi jaringan, manajemen kerentanan, kontrol akses, pemantauan, dan pemisahan yang sesuai antara sistem dengan tingkat konsekuensi operasional yang berbeda.
Tujuannya bukan sekadar melindungi informasi TI.
Lingkungan OT yang telah disusupi dapat memengaruhi proses fisik, kesinambungan produksi, dan berpotensi membahayakan keselamatan personel.
Oleh karena itu, keamanan siber harus dipertimbangkan selama tahap arsitektur, bukan ditambahkan setelah aplikasi otonom diterapkan.
Menghindari Masalah Pilot Purgatory
Salah satu hambatan terbesar bagi otonomi industri bukanlah teknologi. Hambatan tersebut adalah kegagalan dalam menskalakan proyek percontohan yang berhasil.
Perusahaan dapat menunjukkan bahwa model AI mendeteksi anomali peralatan atau bahwa robot inspeksi otonom bekerja di satu anjungan. Namun, jika setiap penerapan berikutnya memerlukan arsitektur, upaya integrasi, dan tinjauan rekayasa yang sepenuhnya baru, keunggulan ekonominya akan cepat menghilang.
Pendekatan yang dapat diskalakan harus menetapkan hal-hal berikut sejak awal:
- Masalah operasional
- Tujuan bisnis yang dapat diukur
- Sumber data yang diperlukan
- Batasan kendali dan keselamatan
- Persyaratan keamanan siber
- Persyaratan intervensi manusia
- Kriteria kinerja
- Metodologi replikasi
Hal ini mengubah proyek percontohan menjadi pola rekayasa yang dapat diulang.
Bagi operator yang memiliki ratusan sumur, banyak anjungan, atau fasilitas pemrosesan yang terstandar, kemampuan untuk diulang pada akhirnya mungkin lebih berharga daripada kinerja model AI mana pun.
Peta Jalan Praktis Menuju Operasi Otonom
Fasilitas yang sepenuhnya otonom sebaiknya jarang menjadi target pertama.
Tahapan yang lebih praktis adalah:
Instrumentasikan -> hubungkan -> berikan konteks -> pantau -> prediksi -> rekomendasikan -> awasi -> otomatisasikan respons yang dipilih -> perluas otonomi
Persyaratan pertama adalah data yang dapat dipercaya.
Sensor harus dikalibrasi dan dipelihara. Tag memerlukan penamaan dan konteks yang konsisten. Data historis harus dapat digunakan. Arsitektur jaringan harus menyediakan ketersediaan dan keamanan yang sesuai.
Setelah fondasi itu tersedia, operator dapat memilih aplikasi yang manfaat operasionalnya dapat diukur dan konsekuensi dari keputusan yang salah dapat dikendalikan.
Langkah berikutnya adalah menentukan dengan tepat kapan sistem dapat bertindak secara mandiri dan kapan operator harus menyetujui tindakan tersebut.
Hal ini menciptakan perluasan otonomi yang terkendali, bukan upaya tidak terkendali untuk mengotomatisasi segalanya.
Masa Depan Bukanlah Manusia Versus Mesin
Cara paling berguna untuk memahami otonomi industri bukanlah sebagai pengganti operator, insinyur, atau personel pemeliharaan.
Ini adalah redistribusi pekerjaan.
Mesin sangat cocok untuk memantau ribuan sinyal secara terus-menerus, membandingkan kondisi saat ini dengan pola historis, menghitung respons kendali, dan menjalankan tindakan berulang dalam batas yang telah ditentukan.
Manusia tetap lebih mampu menangani pengecualian yang kompleks, tujuan yang saling bertentangan, kondisi operasi yang tidak biasa, keputusan keselamatan, dan situasi ketika data yang tersedia tidak lengkap.
Oleh karena itu, model operasi yang paling kuat menggabungkan keduanya.
Otonomi harus menangani lebih banyak siklus keputusan rutin, sementara keahlian manusia tetap dipusatkan pada keputusan yang paling membutuhkan konteks, pengalaman, dan akuntabilitas.
Kesimpulan: Bangun Otonomi Satu Aplikasi Teruji demi Satu
Otonomi dalam industri minyak dan gas tidak akan hadir melalui penerapan satu teknologi tunggal.
Hal ini akan berkembang melalui sistem kendali yang saling terhubung, perangkat lapangan cerdas, komputasi edge, MPC, pemeliharaan prediktif, robotika, AI, dan arsitektur OT yang aman yang bekerja bersama.
Tantangan rekayasanya bukan sekadar menentukan apakah AI dapat mengambil keputusan. Tantangannya adalah menentukan keputusan mana yang dapat diotomatisasi dengan aman, informasi apa yang dibutuhkan sistem, batasan apa yang harus diberlakukan, dan di mana wewenang manusia harus tetap ada.
Itulah sebabnya transisi dari otomasi ke otonomi harus diperlakukan sebagai program rekayasa, bukan proyek AI.
Operator yang membangun fondasi data yang andal, arsitektur yang dapat diskalakan, dan batas kendali yang ditetapkan dengan jelas dapat secara bertahap mengalihkan pemantauan, diagnosis, dan optimalisasi rutin menuju pelaksanaan otonom.
Tujuan akhirnya bukanlah menciptakan operasi tanpa manusia.
Tujuannya adalah menciptakan operasi di mana teknologi menangani keputusan rutin dengan kecepatan dan konsistensi yang lebih tinggi, sementara para insinyur dan operator memusatkan perhatian pada hal-hal yang paling membutuhkan penilaian manusia dalam operasional.
