Prediktivt Vedlikehold I Statoil MainTech konferansen 2017 Ole Bjørn Westad 1 Classification: Open Classification: Open
Ole Bjørn Westad Fra Fræna Erfaringsbasert master Olje og gass med spesialisering innen «System Engineering» NTNU MAM MA (Vedlikeholdsanalyse DPN) Deltar i to pågående prediktive prosjekter i Statoil CBM PdM, Heat Exchangers, Kompressor Advanced Analytics, Prediktiv vedlikehold turbin, kontrollromsoptimalisering 2 Classification: Open
Statoil 1,23 millioner fat/dag Ca 17000 i Norge 42 Statoil opererte felt og plattformer i Norge 3 Classification: Open 2014-09-09
Åsgard Subsea compression https://www.youtube.com/watch?v=ew1h9au4odo 4 Classification: Open 2014-09-09
Strategi for Vedlikeholdsstyring 2016 2020 Veien til bærekraftig anleggsforvaltning Kjære kolleger i DPN, For å lykkes med målet om å opprettholde et lønnsomt og høyt aktivitetsnivå med dagens produksjonsnivå til 2030 og forbi, er radikal og varig forbedring nødvendig. Situasjonen i markedet for olje og gass i dag skaper et særskilt behov for raske resultater fra forbedringsarbeidet. Akselerert forbedring betyr for oss raskere beslutninger og mer effektiv implementering av forbedringsinitiativ. Samtidig må disse initiativene være bærekraftige og basert på et solid faglig fundament som sikrer ivaretakelse av sikkerhet og produksjonsevne. De oppgavene vi utfører i vårt daglige virke må ha en klar forretningsmessig forankring. Hver og en av oss må kjenne sin plass i verdikjeden, og vite hvordan de enkelte aktiviteter vi bruker tiden på bidrar til verdiskapning. Vedlikehold står sentralt i vår virksomhet, og skal bidra til at vi både ivaretar sikkerheten for våre medarbeidere og omgivelsene, at produksjonsevnen er som forventet, og at våre eiere får avkastning på sine investeringer. Vedlikeholdsstyring er et fag som skal bidra vesentlig til at vi når våre mål på best mulig måte. Statoils forbedringsagenda er omfattende og ambisiøs. For at DPN skal nå sine mål er vi avhengige av at vi har rett vedlikehold. Rett vedlikehold har vi når vi kan gjennomføre en effektiv drift på en slik måte at forventet sikkerhetsnivå og produksjonsmål oppnås til lavest mulig kostnad uten at anlegg og utstyr forringes, eller at omgivelsene belastes ut over akseptable grenser, og uten at vi utsetter ansatte og leverandører for urimelige belastninger, krav eller forventninger. Denne strategien fokuserer spesielt på styringen av vedlikeholdet. I dette ligger styring av alle aktiviteter som skal til for at vi skal oppnå vår målsetting om rett vedlikehold. Vedlikeholdsstyring handler om helhetlig involvering og innbefatter alle som har en innvirkning på vedlikehold som utføres; ledelse, vedlikeholdspersonell, drift og støttefunksjoner. Strategien skal sette retning for hvordan vi skal benytte våre ressurser for å oppnå vår målsetning om akselerert forbedring og radikale, varige og bærekraftige endringer. Samtidig understøtter den en ansvarlig opprettholdelse av helse, miljø og sikkerhet i våre operasjoner. Strategien skal dekke vedlikeholdsstyring i DPN i perioden fra 1/7 2016 til 31/12 2020. «Bærekraftig endring» «Helhetlig og varig forbedring.» (Kjetil Hove, SVP Ops, DPN OTE)
Hvorfor prediktivt vedlikehold Økt innsikt i teknisk tilstand og restlevetid Redusert planlagt nedetid Redusert uplanlagt nedetid Redusert vedlikeholdskostnad Økt utnyttelse av enhetens iboende pålitelighet (kostnad og miljø) Økt kunnskapen om systemers pålitelighet for videre kontinuerlig forbedring Informasjon er det nye «Asset» En undersøkelse, utført av McKinsey 2015, viser at bare 1-2% av lagret informasjon gjennom levetiden til et utstyr blir gjenbrukt i en operasjonell forbedring/beslutning 6 Classification: Open
Prediktivt vedlikehold «Vedlikehold basert på å forutsi fremtidig tilstand av en enhet estimert eller kalkulert fra et definert sett av historiske data eller kjente fremtidige parametere [ISO14224] 7 Classification: Open
Tilstandsbasert vs Prediktivt 8 Classification: Open
Predictive analytics and maintenance Maintenance Corrective (after failure re active) Preventive (before failure pro active) Run tofailure Time based (calendar intervals or running time) Condition based maintenance (triggered by condition) Predictive maintenance (based on degradation prediction) Condition monitoring Predictive analytics Monitoring of current and historic condition data. Maintenance triggered by evaluation of predefined limits. Predication of future degradation probability based on data models learning from historic condition and process data and maintenance history. 9
Prediktivt vedlikehold 10 Classification: Open
Utfordringer Upålitelige modeller (False positiv/false negativ) Data kvalitet, struktur, tilgang til data Kompetanse Sluttbruker eksistere ikke/kompetanse Kultur og organisasjon henger ikke med Manglende beslutning for å velge prediktivt vedlikehold som feilhåndteringstrategi (RCM) 11 Classification: Open
Advanced Analytics - Statoil Background New opportunities within advanced analytics has been identified. Prediction based modelling is believed to be part of the next generation data analytics to predict failure and optimization scenarios to increase production efficiency and potential. Purpose The purpose of the project is to prove potential of predictive modelling using machine learning algorithms within predictive maintenance and control room production optimisation. Main activities Predictive Maintenance (PdM) Collect relevant historical data for one specific component Study data and build model based on training set Prove potential by prediction failure or other irregularities on actual historical data Control Room Production Optimization (CRPO) Collect relevant data for a limited part of the production optimization scope in a limited historical time period Study data and build model Predict optimization potential and identify parameters and actions that drive production
Predictive analytics (PA) Principles 1. Business driven Target quick realisation of high cost impact potential equipment types (turbines, heat exchangers, critical pumps) across multiple assets 2. Internal PA core team accountability Highly motivated and skilled cross disciplin internal PA core team accountable for delivering proof of concept, not external parties 3. Build internal predictive modelleling competence Internal data scientists working in close collaboration with external PA experts to build predictive models 4. Predictive models based on relevant equipment failure modes Equipment design based models related to relevant identified failure modes 5. Avoid «black box» models Transparent predictive models which can easily be adapted to new assets 6. Strong PA end user ownership DPN OTE TMC RCM end user involvement and ownership 13
Predictive analytics Purpose Predictive analytics Production Optimisation Operations Decision support Keep running or stop now for maintenance? Maintenance Operational parameters have changed how will this effect performance and lifetime of the system? 14
Business cases Production optimisation GOR development can we predict gas break-through Slugging reduce amplitude to increase average pressure in 1.stage separator Oil in Water propose actions to reduce oil in water Energy efficiency GOR development Predictive Maintenance Prediction of turbine failure Real-time turbine efficiency model Combustion chamber health indicator Prediction of compressor failure Prediction of heat exchanger failure/performance 15 Classification: Internal Statoil ASA 3 March 2017
Data gathering Gathering Ingestion Modelling Data gathering challenges o Many stakeholders o No overall coordination o No work process o Facilitator role is important o Ongoing improvement actions on most key areas Key data governance areas: Architecture/mapping Ownership Classification Data Processing Agreement Export Control Risk Assessment Approval IT Infrastructure 16 Classification: Internal Statoil ASA 3 March 2017
Data ingestion Gathering Ingestion Modelling Export data from IP21 to.csv files to Azure cloud solution o Sensor data o Loss data o Shift logs o Well test data etc. Manual data mapping Analysing data o Clustering o Categorising o Regression analysis o Recognising patterns etc. Data mapping consistent units and description 17 Classification: Internal Statoil ASA 3 March 2017
Example compressor Sensor readings from example compressor - Subtle changes on individual signals difficult to pick up Gathering Ingestion Modelling Cluster all sensors available on the compressor. Calculate the distance of each point in time from the center of its respective cluster. Sample representation of 3 of the sensors colored by their respective cluster
Example Heat Exchangers Heat exchanger critical for operational performance Anomaly detected which indicates beginning HC leakage. You should consider mitigating actions to prolong maintenance need till the next shut down. Predictive analyser Prolonged lifetime Sensor data from supporting equipment (cooling water pump and electro motor) Maintenance history Calculated flow rate based on temperature and pressure Process data Thank you for letting me know! Now we can adjust our operations to reduce the dynamic load on the heat exchanger, while we plan maintenance for the upcoming shut down next year! Operations and maintenance manager 19
Predictive analytics Desired outcome Increase PE Increase safety Predictive analytics Production Operations Reduce CO 2 emissions and cost Maintenance Reduce maintenance cost 20
Predictive analytics Success criteria Added value Predictive analytics Part of the decission prosess Select equipment with significant benefit potential What do we want to achieve? Increased production Reduced maintenance Increased safety Increased performance People and organisation Change in mindset Management focus Ownership in asset organisations Delivery committment Cross disciplin competence Work methodology Understand failure modes and failure development Understand operations Data integration and quality Build and test predictive model 21
OdOle Bjørn Westad Senior Maintenance Engineer OTE TE MAM MA Statoil ASA Mobile: +47 41214345 Email: obwe@statoil.com This presentation, including the contents and arrangement of the contents of each individual page or the collection of the pages, are owned by Statoil. Copyright to all material including, but not limited to, written material, photographs, drawings, images, tables and data remains the property of Statoil. All rights reserved. Any other kind of use, reproduction, translation, adaption, arrangement, any other alteration, distribution or storage of this presentation, 22 in whole or in part, without the prior written permission of Statoil is prohibited. The information contained in this presentation may not be accurate, up to date or applicable to the circumstances of any particular case, despite our efforts. Statoil cannot accept any liability for any inaccuracies or omissions.