Le aziende petrolifere e del gas si affidano all'automazione da decenni. I PLC, le piattaforme DCS, i sistemi di sicurezza, il controllo avanzato e le reti industriali svolgono già gran parte del lavoro ripetitivo necessario per mantenere operativi pozzi, impianti di trattamento, oleodotti e gasdotti e asset offshore.
La fase successiva non consiste semplicemente nell'aggiungere altra automazione. Consiste nel creare sistemi in grado di comprendere le condizioni operative, prevedere cosa potrebbe accadere in seguito, valutare le risposte disponibili e agire entro limiti chiaramente definiti.
Questo è il significato pratico dell'autonomia nelle operazioni industriali.
Dal punto di vista dell'ingegneria dell'automazione, la distinzione è importante. Un sistema automatizzato convenzionale esegue la logica definita in anticipo dagli ingegneri. Un sistema autonomo introduce un ulteriore livello decisionale. Combina dati di processo in tempo reale, condizioni delle apparecchiature, modelli predittivi, analisi e, sempre più spesso, IA per determinare quale risposta sia appropriata allo stato operativo corrente.
Questo non significa allontanare gli operatori dal processo. Nelle applicazioni petrolifere e del gas ad alto impatto, la direzione più realistica consiste nel mantenere le persone responsabili delle eccezioni, delle situazioni anomale, delle autorizzazioni e delle decisioni che superano i limiti predefiniti.
Perché l'autonomia sta diventando più concreta
Diversi cambiamenti stanno rendendo possibile questa transizione.
Le operazioni nel settore petrolifero e del gas sono sempre più distribuite tra pozzi remoti, piattaforme offshore, impianti di trattamento, oleodotti e gasdotti e asset marini. Allo stesso tempo, molti operatori devono gestire infrastrutture obsolete, sistemi di controllo frammentati, vincoli legati alla forza lavoro e reti OT sempre più connesse.
Storicamente, la digitalizzazione si è spesso concentrata sul rendere visibili le informazioni. Gli operatori potevano visualizzare tendenze, allarmi e condizioni delle apparecchiature dai sistemi centralizzati, ma dovevano comunque interpretare gran parte di queste informazioni e decidere cosa fare.
Il passo successivo consiste nell'accorciare questo ciclo decisionale.
L'edge computing moderno, i dispositivi dell'Industrial Internet of Things, il controllo avanzato dei processi, l'analisi predittiva e l'IA possono avvicinare l'elaborazione al processo. Invece di inviare ogni decisione attraverso un'architettura centralizzata o basata sul cloud, alcune funzioni selezionate possono operare localmente, dove i tempi di risposta e la disponibilità delle comunicazioni sono importanti.
A mio avviso, il vero valore dell'autonomia non risiede nel modello di IA in sé. Risiede nella capacità di collegare rilevamento, analisi, logica decisionale e azione controllata in un unico ciclo operativo.
L'MPC fa da ponte tra automazione e autonomia
Il controllo predittivo basato su modello è un esempio importante di questa evoluzione.
L'MPC valuta continuamente le condizioni attuali del processo e il comportamento futuro previsto, quindi calcola le azioni di controllo in base a obiettivi e vincoli definiti. Può compensare le interazioni di processo difficili da gestire con i soli anelli PID convenzionali.
L'IA estende questo concetto invece di sostituirlo necessariamente.
Un sistema di intelligenza artificiale può analizzare dataset più ampi e meno strutturati, identificare relazioni che potrebbero non essere rappresentate in un modello di processo fisso e riconoscere pattern operativi associati a problemi in via di sviluppo o a opportunità di ottimizzazione.
La combinazione è particolarmente utile quando le condizioni del processo cambiano continuamente.
Ad esempio, un'architettura di controllo autonoma potrebbe combinare:
- Misurazioni del processo in tempo reale
- Dati sulle condizioni delle apparecchiature
- Pattern operativi storici
- Previsioni MPC
- Rilevamento delle anomalie basato sull'intelligenza artificiale
- Vincoli operativi definiti
- Stato del sistema di sicurezza
- Regole di autorizzazione dell'operatore
Il sistema risultante può determinare se una condizione operativa richiede monitoraggio, regolazione, una raccomandazione o l'intervento umano.
Questo è molto più vicino all'autonomia industriale rispetto alla semplice installazione di un'applicazione di intelligenza artificiale accanto a un DCS esistente.
L'intelligenza edge è particolarmente importante a livello di processo
L'autonomia diventa più utile quando le decisioni possono essere prese vicino alle apparecchiature.
Pompe, compressori, valvole, azionamenti, separatori e altri asset di processo generano sempre più informazioni diagnostiche e sulle prestazioni, oltre alle misurazioni di base del processo.
I dispositivi di campo meno recenti potrebbero fornire un semplice segnale di stato. I moderni dispositivi intelligenti possono fornire valori di processo, diagnostica dei dispositivi, indicatori di stato e ulteriori informazioni operative.
Questo crea un livello informativo molto più ricco.
Tuttavia, l'invio di tutte le informazioni a una piattaforma remota non crea automaticamente un sistema di controllo migliore. Le applicazioni sensibili al fattore tempo dipendono ancora da comunicazioni deterministiche, dalla disponibilità del controllo locale e da un comportamento di risposta prevedibile.
Per questo motivo, un'architettura pratica distribuirà spesso l'intelligenza su diversi livelli:
Livello di campo -> livello di controllo -> analisi edge -> sistemi di supervisione -> analisi aziendale/cloud
Ogni livello ha una responsabilità diversa.
Il sistema di controllo dovrebbe continuare a gestire le funzioni di controllo deterministiche. L'edge computing può eseguire analisi sensibili al fattore tempo e fornire supporto decisionale. Le piattaforme di livello superiore possono gestire l'ottimizzazione dell'intero parco, l'analisi storica e lo sviluppo di modelli di intelligenza artificiale.
Questa architettura a livelli è, a mio avviso, uno dei principi ingegneristici più importanti per estendere l'autonomia senza trasformare il sistema di controllo in una piattaforma software inutilmente complessa.
Le operazioni remote sono un punto di partenza naturale
I centri operativi remoti dimostrano come possa evolversi il ruolo umano.
Invece di richiedere agli specialisti di recarsi presso singoli pozzi, piattaforme o impianti di trattamento, i team centralizzati possono supervisionare asset distribuiti geograficamente attraverso dati operativi condivisi e strumenti digitali.
La prima fase consiste solitamente nel monitoraggio remoto.
La fase successiva è la diagnosi centralizzata.
Successivamente, determinate azioni di controllo possono essere eseguite da remoto.
Con l'aumentare dell'affidabilità, il software può eseguire continuamente attività diagnostiche e di ottimizzazione di routine, inoltrando a un operatore solo le eccezioni.
Questo crea un modello operativo diverso: le persone dedicano meno tempo a eseguire azioni ripetitive e più tempo a supervisionare le prestazioni del sistema, analizzare le condizioni anomale e gestire le decisioni che richiedono giudizio ingegneristico.
La tecnologia modifica quindi la distribuzione dell'attenzione umana, anziché eliminare semplicemente il coinvolgimento delle persone.
Gli asset offshore presentano un forte caso economico a favore dell'autonomia
La proposta di valore diventa particolarmente evidente offshore.
Un problema di manutenzione in un impianto a terra può richiedere un tecnico e pezzi di ricambio. Lo stesso problema offshore può comportare trasporti, personale specializzato, logistica marittima o in elicottero, vincoli meteorologici e ulteriori considerazioni di sicurezza.
Per una FPSO o una piattaforma remota, rilevare tempestivamente il deterioramento delle apparecchiature può quindi avere un effetto economico molto maggiore.
Un sistema predittivo che identifica vibrazioni, temperatura, pressione o comportamenti anomali delle prestazioni prima di un guasto può consentire ai team di manutenzione di pianificare un intervento, anziché reagire a un arresto imprevisto.
Il vantaggio non si limita ai costi di manutenzione.
Può includere anche:
- Riduzione dei tempi di inattività non pianificati
- Maggiore continuità della produzione
- Migliore pianificazione dei pezzi di ricambio
- Meno interventi di emergenza
- Minore esposizione del personale
- Finestre di manutenzione più prevedibili
È qui che la manutenzione predittiva diventa parte di un modello operativo autonomo, anziché rimanere un'applicazione analitica isolata.
La robotica può eliminare la presenza delle persone nelle attività ripetitive e pericolose
L'ispezione è un'altra area in cui l'autonomia può svilupparsi relativamente rapidamente.
Droni, robot terrestri, robot marini e sistemi di ispezione automatizzati possono raccogliere dati visivi, termici e di altro tipo sulle condizioni, da luoghi difficili o pericolosi da raggiungere per il personale.
Il passaggio ingegneristico fondamentale consiste nel collegare questi sistemi al più ampio flusso di lavoro della manutenzione.
Un robot che si limita a produrre immagini lascia comunque a una persona la responsabilità di esaminarle. Un sistema più integrato può raccogliere i dati di ispezione, confrontarli con le condizioni storiche, individuare i cambiamenti, classificare i potenziali difetti e creare una raccomandazione di manutenzione.
L'architettura a lungo termine può collegare:
Robot -> dati di ispezione -> analisi -> modello dello stato dell'asset -> flusso di lavoro della manutenzione -> approvazione umana o risposta automatizzata
Questo crea un ciclo informativo chiuso.
L'obiettivo non dovrebbe essere implementare la robotica perché i robot sono disponibili. L'approccio migliore consiste nell'individuare le attività in cui l'esposizione del personale, la frequenza delle ispezioni, la difficoltà di accesso o il lavoro ripetitivo creano un problema operativo misurabile.
I pozzi autonomi richiedono un'ottimizzazione continua
Le operazioni sui pozzi rappresentano un'altra interessante applicazione.
La pressione, il flusso, le prestazioni di iniezione, le condizioni della pompa e il comportamento del giacimento possono cambiare continuamente. Una strategia di controllo efficace in un determinato insieme di condizioni può diventare meno efficace con il cambiamento dello stato operativo.
Il monitoraggio continuo combinato con il controllo adattivo può quindi offrire un approccio più reattivo.
Ad esempio, la tecnologia di azionamento rigenerativo implementata in oltre 130 siti di pozzi con pompe ad aste ha dimostrato come la modernizzazione degli azionamenti possa combinare il recupero energetico con un controllo migliorato e dati sulle prestazioni in tempo reale. L'implementazione riportata ha raggiunto il 17% di rigenerazione energetica, con il 95% dell'energia recuperata riutilizzata, e si prevedeva che avrebbe generato 3 milioni di dollari di risparmi energetici mensili a piena implementazione.
Il punto più importante dal punto di vista dell'automazione è che la modernizzazione crea anche un livello dati pronto per l'IA.
Senza dati operativi di qualità, la manutenzione predittiva e l'ottimizzazione autonoma restano concetti teorici.
L'iniezione d'acqua mostra il potenziale del controllo predittivo
L'iniezione d'acqua offre un altro esempio di come il controllo avanzato possa influire direttamente sulla produzione.
In un'applicazione riportata, l'MPC è stato implementato su 35 pompe di iniezione dell'acqua e su tre unità e piazzole di trasferimento tra giacimenti. Il sistema regolava automaticamente le condizioni operative in base al comportamento previsto del processo.
L'implementazione ha aumentato l'iniezione d'acqua di quasi 36.000 bpd, ha contribuito a una produzione aggiuntiva di 548 bopd e ha ridotto il consumo energetico del 3%.
La lezione ingegneristica è significativa.
L'autonomia non richiede sempre un sistema di IA complesso. In alcune applicazioni, una strategia di controllo predittivo ben progettata, con strumentazione affidabile e vincoli chiaramente definiti, può offrire un valore più concreto rispetto a un'architettura di IA inutilmente complicata.
La tecnologia giusta dovrebbe seguire il problema operativo, non il contrario.
La manutenzione predittiva cambia il modello di manutenzione
Le strategie di manutenzione tradizionali sono generalmente basate su programmi preventivi o su risposte reattive.
La manutenzione autonoma introduce una terza possibilità: intervenire in base alle condizioni effettive delle apparecchiature.
Per le apparecchiature rotanti, il monitoraggio delle condizioni può identificare variazioni nelle vibrazioni, nella temperatura, nel carico, nella pressione o in altri parametri operativi prima che venga raggiunta una soglia di allarme convenzionale.
Un'applicazione di perforazione offshore riportata ha utilizzato un indice dinamico dello stato delle apparecchiature, il rilevamento statistico delle anomalie e l'edge computing per monitorare le apparecchiature in tempo reale e identificare deviazioni dal comportamento normale.
Il passo successivo consiste nel collegare questi singoli modelli delle apparecchiature all'interno dell'intera azienda.
Se i dati sulle prestazioni provenienti da più impianti, piattaforme o strutture produttive possono essere analizzati insieme, gli operatori possono confrontare il comportamento delle apparecchiature in diverse condizioni ambientali e operative.
L'IA può quindi aiutare a identificare schemi difficili da rilevare monitorando i singoli asset.
È qui che l'autonomia inizia ad andare oltre le singole soluzioni puntuali, orientandosi verso l'ottimizzazione degli asset a livello di flotta.
Il sistema di controllo ha ancora bisogno di limiti chiari
Una delle considerazioni ingegneristiche più importanti consiste nel definire che cosa un sistema autonomo è autorizzato a fare.
Un modello di IA può produrre una raccomandazione, ma il sistema di controllo deve comunque determinare se tale raccomandazione è ammissibile.
Per i processi critici, l'architettura dovrebbe separare chiaramente:
- Obiettivi di ottimizzazione
- Limiti operativi normali
- Vincoli delle apparecchiature
- Vincoli di processo
- Limiti di sicurezza
- Funzioni di interblocco
- Funzioni di arresto di emergenza
- Autorizzazione dell'operatore
I sistemi di sicurezza non dovrebbero essere trattati semplicemente come un altro sottosistema controllato dall'IA.
Il livello autonomo dovrebbe operare entro limiti stabiliti, mentre le funzioni di protezione indipendenti continuano a svolgere il ruolo di sicurezza previsto.
Questa separazione è fondamentale per creare fiducia nelle operazioni autonome.
La cybersicurezza diventa parte dell'architettura di controllo
Una maggiore connettività crea anche più superfici di attacco.
Il collegamento di dispositivi di campo, controllori, computer edge, centri operativi remoti, piattaforme cloud e sistemi aziendali può fornire un notevole valore operativo, ma ogni connessione aggiuntiva deve essere valutata dal punto di vista della cybersicurezza OT.
Un'architettura autonoma moderna ha quindi bisogno di qualcosa di più dei firewall.
Gli operatori hanno bisogno di visibilità sugli asset, segmentazione della rete, gestione delle vulnerabilità, controllo degli accessi, monitoraggio e un'adeguata separazione tra sistemi con diversi livelli di conseguenze operative.
L'obiettivo non è semplicemente proteggere le informazioni IT.
Un ambiente OT compromesso può influire sui processi fisici, sulla continuità della produzione e potenzialmente sulla sicurezza del personale.
Per questo motivo, la cybersicurezza dovrebbe essere considerata durante la fase di progettazione dell'architettura, anziché essere aggiunta dopo l'implementazione di un'applicazione autonoma.
Evitare il problema del limbo dei progetti pilota
Uno dei maggiori ostacoli all'autonomia industriale non è la tecnologia. È l'incapacità di scalare i progetti pilota di successo.
Un'azienda può dimostrare che un modello di IA rileva anomalie nelle apparecchiature o che un robot autonomo per le ispezioni funziona su una piattaforma. Ma se ogni implementazione successiva richiede un'architettura completamente nuova, attività di integrazione e una revisione ingegneristica, il vantaggio economico scompare rapidamente.
Un approccio scalabile dovrebbe definire fin dall'inizio quanto segue:
- Il problema operativo
- L'obiettivo aziendale misurabile
- Fonti di dati necessarie
- Vincoli di controllo e sicurezza
- Requisiti di cybersicurezza
- Requisiti di intervento umano
- Criteri di prestazione
- Metodologia di replica
Questo trasforma un progetto pilota in un modello ingegneristico ripetibile.
Per gli operatori con centinaia di pozzi, più piattaforme o impianti di trattamento standardizzati, la ripetibilità potrebbe alla fine avere più valore delle prestazioni di ogni singolo modello di IA.
Una roadmap pratica verso le operazioni autonome
Un impianto completamente autonomo raramente dovrebbe essere il primo obiettivo.
Una progressione più pratica è:
Strumentare -> connettere -> contestualizzare -> monitorare -> prevedere -> raccomandare -> supervisionare -> automatizzare risposte selezionate -> espandere l'autonomia
Il primo requisito sono dati affidabili.
I sensori devono essere calibrati e sottoposti a manutenzione. I tag devono avere una denominazione e un contesto coerenti. I dati storici devono essere utilizzabili. L'architettura di rete deve garantire disponibilità e sicurezza adeguate.
Una volta gettate queste basi, gli operatori possono selezionare applicazioni in cui il beneficio operativo sia misurabile e le conseguenze di una decisione errata possano essere controllate.
Il passo successivo consiste nel definire esattamente quando il sistema può agire in modo indipendente e quando un operatore deve approvare l'azione.
Questo crea un'espansione controllata dell'autonomia, anziché un tentativo incontrollato di automatizzare tutto.
Il futuro non è una contrapposizione tra persone e macchine
Il modo più utile di considerare l'autonomia industriale non è come una sostituzione di operatori, ingegneri o addetti alla manutenzione.
Si tratta di una ridistribuzione del lavoro.
Le macchine sono adatte a monitorare continuamente migliaia di segnali, confrontare le condizioni attuali con i modelli storici, calcolare le risposte di controllo ed eseguire azioni ripetitive entro limiti predefiniti.
Le persone sono ancora più adatte a gestire eccezioni complesse, obiettivi in conflitto, condizioni operative insolite, decisioni sulla sicurezza e situazioni in cui i dati disponibili sono incompleti.
Il modello operativo più efficace combina quindi entrambi gli elementi.
L'autonomia dovrebbe gestire una parte maggiore del ciclo decisionale di routine, mentre l'esperienza umana rimane concentrata sulle decisioni in cui contano soprattutto il contesto, l'esperienza e la responsabilità.
Conclusione: costruire l'autonomia un'applicazione collaudata alla volta
L'autonomia nel settore del petrolio e del gas non arriverà con l'implementazione di un'unica tecnologia.
Si svilupperà attraverso sistemi di controllo connessi, dispositivi intelligenti sul campo, edge computing, MPC, manutenzione predittiva, robotica, IA e architetture OT sicure che lavorano insieme.
La sfida ingegneristica non consiste semplicemente nel determinare se l'IA può prendere una decisione. Consiste nel determinare quali decisioni possono essere automatizzate in sicurezza, di quali informazioni il sistema ha bisogno, quali vincoli devono essere applicati e dove deve rimanere l'autorità umana.
Per questo la transizione dall'automazione all'autonomia dovrebbe essere considerata un programma di ingegneria, non un progetto di IA.
Gli operatori che creano solide basi di dati, architetture scalabili e limiti di controllo chiaramente definiti possono trasferire gradualmente il monitoraggio, la diagnosi e l'ottimizzazione di routine verso un'esecuzione autonoma.
L'obiettivo finale non è creare un'operazione senza persone.
Creare un'operazione in cui la tecnologia gestisca le decisioni di routine con maggiore rapidità e coerenza, mentre ingegneri e operatori concentrano la propria attenzione laddove il giudizio umano ha il maggiore valore operativo.
