Нефтегазовые компании десятилетиями полагались на автоматизацию. ПЛК, платформы DCS, системы безопасности, передовые системы управления и промышленные сети уже выполняют значительную часть повторяющейся работы, необходимой для эксплуатации скважин, перерабатывающих объектов, трубопроводов и морских активов.
Следующий этап заключается не просто в добавлении автоматизации. Он состоит в создании систем, способных понимать условия эксплуатации, прогнозировать дальнейшее развитие событий, оценивать доступные варианты реагирования и предпринимать действия в чётко определённых пределах.
Таково практическое значение автономности в промышленной эксплуатации.
С точки зрения инженера по автоматизации это различие важно. Обычная автоматизированная система выполняет логику, заранее определённую инженерами. Автономная система добавляет дополнительный уровень принятия решений. Она объединяет данные о процессе в реальном времени, состояние оборудования, прогнозные модели, аналитику и, всё чаще, ИИ, чтобы определить подходящую реакцию для текущего рабочего состояния.
Это не означает устранения операторов из процесса. В нефтегазовых приложениях с высокими последствиями наиболее реалистичный подход заключается в том, чтобы сохранить за людьми ответственность за исключения, нештатные ситуации, авторизацию и решения, выходящие за пределы заранее определённых ограничений.
Почему автономность становится более практичной
Эту трансформацию делают возможной несколько изменений.
Нефтегазовые операции всё чаще распределены между удалёнными скважинами, морскими платформами, перерабатывающими объектами, трубопроводами и морскими активами. Одновременно многие операторы сталкиваются со стареющей инфраструктурой, разрозненными системами управления, ограниченными кадровыми ресурсами и всё более связанными сетями ОТ.
Исторически цифровизация часто была сосредоточена на визуализации информации. Операторы могли видеть тренды, аварийные сигналы и состояние оборудования в централизованных системах, но людям по-прежнему приходилось интерпретировать значительную часть этой информации и решать, что делать.
Следующий шаг - сократить этот цикл принятия решений.
Современные периферийные вычисления, устройства промышленного Интернета вещей, передовое управление технологическими процессами, прогнозная аналитика и ИИ позволяют приблизить вычисления к процессу. Вместо передачи каждого решения через централизованную или облачную архитектуру отдельные функции могут выполняться локально, где важны время отклика и доступность связи.
На мой взгляд, реальная ценность автономности заключается не в самой модели ИИ. Она заключается в возможности объединить измерение, анализ, логику принятия решений и управляемое действие в единый операционный контур.
MPC - связующее звено между автоматизацией и автономностью
Модельное прогнозирующее управление - важный пример этого развития.
MPC непрерывно оценивает текущие условия процесса и прогнозируемое поведение в будущем, а затем рассчитывает управляющие воздействия с учётом заданных целей и ограничений. Он может компенсировать взаимодействия между процессами, которыми сложно управлять только с помощью традиционных контуров PID.
ИИ расширяет эту концепцию, а не обязательно заменяет её.
Система ИИ может анализировать более крупные и менее структурированные наборы данных, выявлять взаимосвязи, которые могут отсутствовать в фиксированной модели процесса, и распознавать эксплуатационные закономерности, связанные с развивающимися проблемами или возможностями оптимизации.
Такое сочетание особенно полезно, когда условия процесса постоянно меняются.
Например, автономная архитектура управления может объединять:
- Измерения параметров процесса в реальном времени
- Данные о состоянии оборудования
- Исторические эксплуатационные закономерности
- Прогнозы MPC
- Обнаружение аномалий на основе ИИ
- Установленные эксплуатационные ограничения
- Состояние системы безопасности
- Правила авторизации оператора
Получаемая система может определить, требует ли рабочее состояние мониторинга, корректировки, рекомендации или вмешательства человека.
Это гораздо ближе к промышленной автономности, чем простая установка приложения ИИ рядом с существующей DCS.
Периферийный интеллект особенно важен на уровне технологического процесса
Автономность становится более полезной, когда решения можно принимать рядом с оборудованием.
Насосы, компрессоры, клапаны, приводы, сепараторы и другие объекты технологического процесса всё чаще формируют диагностическую информацию и данные о производительности в дополнение к базовым измерениям параметров процесса.
Старые полевые устройства могли передавать простой сигнал состояния. Современные интеллектуальные устройства могут предоставлять значения параметров процесса, диагностические данные устройства, показатели состояния и дополнительную эксплуатационную информацию.
Это создаёт гораздо более насыщенный информационный уровень.
Однако передача всей информации на удалённую платформу не создаёт автоматически более совершенную систему управления. Приложения, чувствительные ко времени, по-прежнему зависят от детерминированной связи, доступности локального управления и предсказуемого времени отклика.
По этой причине практическая архитектура часто распределяет интеллектуальные функции между несколькими уровнями:
Полевой уровень -> уровень управления -> периферийная аналитика -> системы диспетчерского управления -> аналитика предприятия/облака
У каждого уровня своя зона ответственности.
Система управления должна по-прежнему выполнять детерминированные функции управления. Периферийные вычисления могут выполнять чувствительную ко времени аналитику и поддерживать принятие решений. Платформы более высокого уровня могут заниматься оптимизацией всего парка оборудования, историческим анализом и разработкой моделей ИИ.
Эта многоуровневая архитектура, на мой взгляд, является одним из важнейших инженерных принципов масштабирования автономности без превращения системы управления в излишне сложную программную платформу.
Удалённые операции - естественная отправная точка
Центры удалённых операций демонстрируют, как может меняться роль человека.
Вместо того чтобы направлять специалистов на отдельные скважины, платформы или перерабатывающие объекты, централизованные команды могут контролировать географически распределённые активы с помощью общих эксплуатационных данных и цифровых инструментов.
Первый этап обычно - удалённый мониторинг.
Следующий этап - централизованная диагностика.
После этого выбранные управляющие действия можно выполнять удалённо.
По мере роста доверия программное обеспечение может непрерывно выполнять стандартные диагностические задачи и задачи оптимизации, передавая оператору только исключительные ситуации.
Это создаёт другую операционную модель: люди тратят меньше времени на выполнение повторяющихся действий и больше - на контроль работы системы, исследование аномальных условий и принятие решений, требующих инженерного суждения.
Таким образом, технология меняет распределение внимания людей, а не просто устраняет участие человека.
Морские объекты имеют веские экономические основания для автономизации
Экономическая целесообразность особенно очевидна для морских объектов.
Проблема с техническим обслуживанием на наземном объекте может потребовать специалиста и запасных частей. Та же проблема в море может повлечь за собой транспортировку, привлечение профильных специалистов, морскую или вертолётную логистику, ограничения по погодным условиям и дополнительные требования безопасности.
Поэтому для FPSO или удалённой платформы раннее выявление деградации оборудования может иметь гораздо больший экономический эффект.
Предиктивная система, выявляющая аномальные вибрации, температуру, давление или характеристики работы до отказа, позволяет командам технического обслуживания планировать вмешательство, а не реагировать на неожиданную остановку.
Преимущество не ограничивается затратами на техническое обслуживание.
Это также может включать:
- Сокращение незапланированных простоев
- Повышение непрерывности производства
- Более эффективное планирование запасных частей
- Меньше аварийных вмешательств
- Снижение риска для персонала
- Более предсказуемые окна технического обслуживания
Именно здесь предиктивное техническое обслуживание становится частью автономной операционной модели, а не остаётся изолированным аналитическим приложением.
Робототехника позволяет устранить необходимость участия людей в повторяющихся опасных задачах
Инспекция - ещё одна область, в которой автономность может развиваться сравнительно быстро.
Дроны, наземные роботы, морские роботы и автоматизированные системы инспекции могут собирать визуальные, тепловые и другие данные о состоянии объектов в местах, доступ к которым для персонала затруднён или опасен.
Важный инженерный шаг - подключить эти системы к общему рабочему процессу технического обслуживания.
Робот, который просто создаёт изображения, по-прежнему оставляет за человеком ответственность за их анализ. Более интегрированная система может собирать данные инспекции, сравнивать их с историческими данными, выявлять изменения, классифицировать потенциальные дефекты и формировать рекомендации по техническому обслуживанию.
Архитектура в долгосрочной перспективе может объединять:
Робот -> данные инспекции -> аналитика -> модель состояния актива -> рабочий процесс технического обслуживания -> одобрение человеком или автоматизированная реакция
Так формируется замкнутый информационный контур.
Целью не должно быть внедрение робототехники только потому, что роботы доступны. Более эффективный подход - выявлять задачи, в которых присутствие людей в опасной зоне, частота инспекций, сложность доступа или повторяющаяся работа создают измеримую эксплуатационную проблему.
Автономные скважины требуют непрерывной оптимизации
Операции на скважинах представляют собой ещё одну интересную область применения.
Давление, расход, эффективность закачки, состояние насоса и поведение пласта могут непрерывно изменяться. Стратегия управления, хорошо работающая при одном наборе условий, может стать менее эффективной по мере изменения режима эксплуатации.
Таким образом, непрерывный мониторинг в сочетании с адаптивным управлением может обеспечить более оперативный подход.
Например, технология рекуперативных приводов, внедренная более чем на 130 кустах скважин со штанговыми насосами, продемонстрировала, как модернизация приводов может объединить рекуперацию энергии с улучшенным управлением и данными о производительности в реальном времени. По опубликованным данным, в результате внедрения было рекуперировано 17% энергии, причем 95% возвращенной энергии использовалось повторно; при полном развертывании ожидалась ежемесячная экономия энергии в размере 3 миллионов долларов.
С точки зрения автоматизации важнее то, что модернизация также создает слой данных, готовый для ИИ.
Без качественных эксплуатационных данных прогнозное техническое обслуживание и автономная оптимизация остаются теоретическими концепциями.
Закачка воды демонстрирует потенциал прогнозного управления
Закачка воды - еще один пример того, как расширенное управление может напрямую влиять на добычу.
В одном из опубликованных примеров MPC была развернута на 35 насосах для закачки воды и трех установках и площадках для перекачки между залежами. Система автоматически корректировала рабочие условия на основе прогнозируемого поведения процесса.
В результате внедрения закачка воды увеличилась почти на 36 000 баррелей в сутки, добыча выросла еще на 548 баррелей нефти в сутки, а энергопотребление снизилось на 3%.
Инженерный вывод имеет большое значение.
Автономность не всегда требует сложной системы ИИ. В некоторых случаях грамотно разработанная стратегия прогнозного управления с надежными измерительными приборами и четко определенными ограничениями может принести большую практическую пользу, чем излишне сложная архитектура ИИ.
Правильная технология должна соответствовать эксплуатационной проблеме, а не наоборот.
Прогнозное техническое обслуживание меняет модель технического обслуживания
Традиционные стратегии технического обслуживания обычно строятся вокруг профилактических графиков или реактивных мер.
Автономное техническое обслуживание предлагает третью возможность: вмешиваться в соответствии с фактическим состоянием оборудования.
Для вращающегося оборудования мониторинг состояния может выявить изменения вибрации, температуры, нагрузки, давления и других рабочих параметров до достижения обычного порога срабатывания сигнализации.
В одном из опубликованных примеров применения на морской буровой использовались динамический индекс состояния оборудования, статистическое обнаружение аномалий и периферийные вычисления для мониторинга оборудования в реальном времени и выявления отклонений от нормального поведения.
Следующий шаг - объединить отдельные модели оборудования в рамках всего предприятия.
Если данные о производительности нескольких буровых установок, платформ или производственных объектов анализируются совместно, операторы могут сравнивать поведение оборудования при различных экологических и эксплуатационных условиях.
Затем ИИ может помочь выявить закономерности, которые трудно обнаружить при мониторинге отдельных активов.
Именно здесь автономность начинает выходить за рамки отдельных точечных решений и переходить к оптимизации активов на уровне всего парка.
Система управления по-прежнему нуждается в чётких границах
Одно из важнейших инженерных соображений - определить, что именно разрешено делать автономной системе.
Модель ИИ может выдать рекомендацию, но система управления всё равно должна определить, допустима ли эта рекомендация.
Для критически важных процессов архитектура должна чётко разделять:
- Цели оптимизации
- Нормальные эксплуатационные пределы
- Ограничения оборудования
- Ограничения технологического процесса
- Пределы безопасности
- Функции блокировок
- Функции аварийного отключения
- Авторизация оператора
Системы безопасности не следует рассматривать просто как ещё одну подсистему под управлением ИИ.
Автономный уровень должен работать в установленных границах, а независимые функции защиты - продолжать выполнять свою предусмотренную роль в обеспечении безопасности.
Такое разделение имеет фундаментальное значение для формирования доверия к автономным операциям.
Кибербезопасность становится частью архитектуры управления
Более высокая связанность также создаёт больше поверхностей атаки.
Подключение полевых устройств, контроллеров, периферийных компьютеров, центров удалённых операций, облачных платформ и корпоративных систем может существенно повысить операционную ценность, но каждое дополнительное подключение необходимо рассматривать с точки зрения кибербезопасности OT.
Поэтому современной автономной архитектуре требуется больше, чем межсетевые экраны.
Операторам необходимы инвентаризация активов, сегментация сети, управление уязвимостями, контроль доступа, мониторинг и надлежащее разделение систем с разными уровнями операционных последствий.
Цель заключается не просто в защите ИТ-информации.
Скомпрометированная среда OT может повлиять на физические процессы, непрерывность производства и потенциально на безопасность персонала.
По этой причине кибербезопасность следует учитывать на этапе проектирования архитектуры, а не добавлять после развертывания автономного приложения.
Как избежать проблемы «пилотного тупика»
Одно из главных препятствий для промышленной автономности - не технологии. Это неспособность масштабировать успешные пилотные проекты.
Компания может продемонстрировать, что модель ИИ обнаруживает аномалии оборудования или что автономный робот для инспекций работает на одной платформе. Но если каждое последующее внедрение требует полностью новой архитектуры, интеграционных работ и инженерной проверки, экономическое преимущество быстро исчезает.
Масштабируемый подход должен с самого начала определить следующее:
- Операционная проблема
- Измеримая бизнес-цель
- Необходимые источники данных
- Ограничения систем управления и безопасности
- Требования к кибербезопасности
- Требования к вмешательству человека
- Критерии производительности
- Методология тиражирования
Это превращает пилотный проект в воспроизводимый инженерный шаблон.
Для операторов, управляющих сотнями скважин, несколькими платформами или стандартизированными перерабатывающими объектами, воспроизводимость в конечном итоге может быть ценнее, чем производительность любой отдельной модели ИИ.
Практическая дорожная карта к автономным операциям
Полностью автономный объект редко должен становиться первой целью.
Более практичная последовательность выглядит так:
Контрольно-измерительные приборы -> подключение -> контекстуализация -> мониторинг -> прогнозирование -> рекомендации -> надзор -> автоматизация выбранных ответных действий -> расширение автономности
Первое требование - надежные данные.
Датчики необходимо калибровать и обслуживать. Теги должны иметь единообразные названия и контекст. Исторические данные должны быть пригодны для использования. Сетевая архитектура должна обеспечивать надлежащую доступность и безопасность.
После создания такой основы операторы могут выбирать применения, в которых операционная выгода измерима, а последствия неправильного решения можно контролировать.
Следующий шаг - точно определить, когда система может действовать самостоятельно, а когда оператор должен одобрить действие.
Это создает контролируемое расширение автономности, а не неконтролируемую попытку автоматизировать все.
Будущее - не противостояние людей и машин
Наиболее полезно рассматривать промышленную автономность не как замену операторам, инженерам или специалистам по техническому обслуживанию.
Это перераспределение работы.
Машины хорошо подходят для непрерывного мониторинга тысяч сигналов, сравнения текущих условий с историческими закономерностями, расчета управляющих воздействий и выполнения повторяющихся действий в заданных пределах.
Люди по-прежнему лучше подходят для работы со сложными исключениями, конфликтующими целями, необычными рабочими условиями, решениями в области безопасности и ситуациями, когда доступные данные неполны.
Поэтому наиболее эффективная операционная модель сочетает оба подхода.
Автономность должна охватывать большую часть рутинного цикла принятия решений, а человеческая экспертиза должна оставаться сосредоточенной на решениях, где наиболее важны контекст, опыт и ответственность.
Заключение: создавайте автономность по одному проверенному применению за раз
Автономность в нефтегазовой отрасли не появится в результате внедрения одной технологии.
Она будет развиваться благодаря совместной работе подключенных систем управления, интеллектуальных полевых устройств, периферийных вычислений, MPC, предиктивного обслуживания, робототехники, ИИ и защищенных архитектур OT.
Инженерная задача заключается не просто в том, чтобы определить, способен ли ИИ принять решение. Необходимо определить, какие решения можно безопасно автоматизировать, какая информация нужна системе, какие ограничения необходимо обеспечить и где должны сохраняться полномочия человека.
Именно поэтому переход от автоматизации к автономности следует рассматривать как инженерную программу, а не как проект в области ИИ.
Компании, которые создают надежную основу данных, масштабируемые архитектуры и четко определенные границы управления, могут постепенно передавать рутинный мониторинг, диагностику и оптимизацию автономному выполнению.
Конечная цель заключается не в создании операционной среды без людей.
Создать операционную среду, в которой технологии с большей скоростью и стабильностью принимают рутинные решения, а инженеры и операторы сосредотачивают внимание на задачах, где человеческое суждение имеет наибольшую операционную ценность.
