Почему морская нефтяная платформа – лучшее место для ИИ. Кейс BCG Gamma Moscow

ИИ в нефтепромышленности

Если вы хотите заглянуть в будущее искусственного интеллекта, то вам вовсе не нужна машина времени, а вот пару таблеток от морской болезни с собой лучше захватить. 

Промысловая платформа – это сложная и дорогая конструкция. Отказы оборудования приводят к остановке всего процесса добычи, а это выливается в убытки, нередко исчисляющиеся десятками миллионов долларов в год. Поэтому, с точки зрения оператора, техническое обслуживание по состоянию, то есть возможность выявить и предотвратить проблему до того, как она произойдет, – настоящий подарок. Однако это лишь малая часть тех преимуществ, которые предлагает искусственный интеллект. 

ИИ открывает возможности оптимизации сразу по двум направлениям. 

• Во-первых, техническое обслуживание выполняется не слишком рано, как это бывает, когда компания строго следует рекомендованным регламентам поставщика, составленным на основе усредненных, а не фактических условий эксплуатации, и не слишком поздно – когда ремонты уже обходятся слишком дорого и отнимают слишком много времени. 
• Во-вторых, у компании появляется возможность выжать из своей инфраструктуры в буквальном смысле все до последней капли. 

Все это выглядит очень привлекательно. Так почему же тогда подобные решения на базе ИИ до сих не установлены на всех нефтяных платформах – да что там, на всех сложных производственных активах?

Если коротко: потому что это сложная задача. Использование ИИ для поддержки, повышения эффективности и оптимизации производственных процессов требует больших вложений – не только финансовых, но и в плане необходимого сотрудничества и трудозатрат.

Готовые алгоритмы не подходят. Нужны будут кастомизированные решения, а список задач, которые необходимо выполнить, занимает не одну страницу. 

Опыт «Лукойла» 

Однако в «Лукойле» решили, что два столь серьезных преимущества ИИ просто нельзя упустить. Был запущен проект по созданию «умной платформы» – нефтедобывающего комплекса, где самообучающиеся системы обработки данных будут выявлять и предсказывать отклонения в работе оборудования: сейчас, через полчаса и через много дней.

Сегодня проект «Лукойла» Digital ASTRA не просто опытный образец, а полностью функциональный продукт, развернутый и работающий на реальной нефтяной платформе в Каспийском море. 

На основе опыта работы с этим проектом мы сделали несколько важных выводов.

Правильно подберите команду и создайте фундамент для командной работы

Настроить алгоритмы для нефтяной платформы, да и для любого другого сложного производственного комплекса, – задача для большой команды. 

Разработчики должны разобраться в процессах и ознакомиться с оборудованием на площадке. Им нужен доступ к массивам данных с активов, куда посторонних обычно не пускают. 

Они должны одинаково хорошо понимать и разговаривать и «по-инженерному», и «на менеджерском», так как им придется иметь дело и с операторами, и с руководством. Причем выполнять все эти задачи нужно будет одновременно и не мешая штатной работе. 

Здесь потребуется уникальная и весьма разношерстная команда, – ведь нужны будут технические знания, доверие и репутация среди представителей отрасли, превосходные навыки проектного управления. 

Сбор данных – задача долгая и трудоемкая

Срезать путь не получится. Успех или провал подобного проекта целиком зависит от алгоритмов. Модели «Лукойла» должны были диагностировать состояние оборудования в реальном времени и предсказывать, как оно изменится в недалеком будущем. 

Чтобы построить такую модель, исходные алгоритмы необходимо обучать. А это значит анализировать большие объемы данных за прошлые периоды (показывающих, как менялось состояние оборудования с течением времени), увязывать их с предыдущими отказами и ремонтами, а также выявлять паттерны, свидетельствующие о том, что оборудование работает в штатном режиме (система, которая «знает», что считать штатной работой, может выявить самое незначительное отклонение и предупредить оператора о возможной неполадке). 

Вам нужен полигон с историей

Как и у других добывающих компаний, у «Лукойла» множество различных активов. Однако, хотя система ИИ была впервые запущена на одной из самых современных платформ, для обучения и тестирования алгоритмов больше подойдет актив постарше. 

Для первоначальной разработки модели была выбрана платформа, находящаяся в эксплуатации уже семь лет, и за эти годы «Лукойл» накопил терабайты данных. 

Кроме того, как и любой другой подобный актив, эта платформа уже успела переболеть различными «детскими болезнями», так что у компании был еще и приличный архив записей о техническом обслуживании и ремонтах. 

Универсальных решений не существует

Одна из особенностей разработанной для «Лукойла» системы ИИ заключается в том, что с ней будут работать разные группы пользователей с разными потребностями. 

• Операторы, в частности, захотят увидеть краткосрочный прогноз по состоянию оборудования, которым они управляют, и при необходимости быстро перейти к конкретному датчику. 
• Специалистам по ТОиР интересен более долгосрочный прогноз, который позволит им оптимизировать графики техобслуживания. 
• Наконец, управленческому персоналу нужна возможность осуществлять мониторинг и получать справки о состоянии платформы в целом. 

Смысл в том, чтобы каждая целевая группа пользователей могла получить нужную ей информацию в наиболее удобном формате. Именно поэтому дизайнеры пользовательского опыта и интерфейсов должны быть в команде с самого первого дня. Они будут изучать предпочтения и поведение пользователей и затем тестировать и корректировать дизайн в соответствии с ними.

Управлять изменениями еще важнее, чем вы думали

Помните, выше мы говорили о том, что готовые стандартные решения не подходят? Это верно с нескольких точек зрения. Дело не только в том, что необходимы в высшей степени кастомизированные системы, но еще и в том, что эти системы нужно постоянно поддерживать – их нельзя просто установить и забыть. 

ИИ должен учиться постоянно: например, капремонт какой-то одной единицы оборудования изменит паттерн штатной работы всей системы. Это значит, что компаниям нужно создавать у себя в организации новые роли и наращивать новые компетенции, особенно в области исследования данных. 

Также необходимо сделать так, чтобы решением пользовались на всех уровнях. 

Подробнее о Digital ASTRA и применении ИИ в сложных производственных системах читайте в статье «Умная платформа», написанной в соавторстве с Данисом Магановым (CEO Alma Services Company) и Андреем Скобеевым (заместитель генерального директора ЛУКОЙЛ-Нижневолжскнефть). Статья была опубликована в российском издании журнала Harvard Business Review (выпуск за июнь-июль 2019 г.).

Фото на обложке предоставлено автором