Denne peaken sparte Kårstø for 300 millioner kroner

I fem år har teknologer ved Equinors integrerte operasjonssenter (IOCT) på Sandsli i Bergen jobbet med å utvikle KI-verktøyet Omnia.Prevent.

Dette er programvare som skal overvåke tilstanden til tungt roterende utstyr. Den er trenet i å finne alle tenkelige feil, slik at man unngår nedetid.

Flaggskipet blant KI-løsninger

– Vi har jobbet med ulike KI-løsninger, men det er Omnia.Prevent som er flaggskipet, sier Olav Landstad som leder KI-implementeringen i IOCT.

Nærmere 19.000 sensorer på anleggene er dekket av maskinlæringsalgoritmer, for å følge med på driften og varsle om feil. Equinor ønsket å se varslingene fra disse sensorene i sammenheng.

– I første omgang har vi fokusert på roterende utstyr som pumper, kompressorer og turbiner, sier Landstad.

Ingeniørene i IOCT-enheten jobber med å avdekke feil på disse. Man leter etter sensorer som trender i en uheldig retning, og hvis de går over en alarmgrense undersøkes de nærmere. Målet er å identifisere feil så tidlig som mulig, slik at man kan gjøre tiltak for å unngå nedetid.

Overvåker med maskinlæring

– Dette er en tid- og ressurskrevende prosess. Derfor har vi tatt i bruk maskinlæring som kan overvåke dette kontinuerlig. Algoritmen fanger opp ting som ikke er enkelt for menneskelige øyne å oppdage, sier han.

Landstad påpeker at det første man må gjøre når man bygger opp en modell er å plukke ut sensorene som best beskriver hvor friske enhetene er når de opererer.

– Det kan typisk være sensorer knyttet til vibrasjoner, lagertemperatur, smøreolje, tetningssystemet samt ulike opp- og nedstrømsvariabler, sier han.

Det neste trinnet er å definere en historisk periode hvor maskinen har operert feilfritt og sensorene har produsert data som var forventet. Dette blir da sammenligningsgrunnlaget for framtidige data.

Trener modellen

– Når disse to tingene er på plass kan man begynne å trene modellen. Den vil prøve å lære seg samvariasjonen mellom sensorene, når den er frisk og når den ikke er det. Modellen vil flagge en alarm når den ikke lengre oppfyller kriteriene som frisk, uttaler Landstad som påpeker at man tar i bruk nevrale nettverk i arbeidet med å avdekke feil.

Som et eksempel trekker han frem hvordan man håndterer at en lagertemperatur blir 5-10 grader høyere enn den historiske.

– Når modellen er godt trent overføres den til applikasjonen og man kan følge med på grafer hvordan det utvikler seg. Hvis en graf beveger seg over grenseverdiene, er det grunn til å undersøke. Dess høyere den er over dess mer kritisk kan det være.

Følger med på «peakene»

IT/OT-ingeniør Erik William Ravndal og hans kolleger i IOCT følger nøye med på utvikling som beveger seg over grenseverdiene.

– Jeg undersøker disse alarmene for å se om de er ekte og dermed verdt å forfølge, eller om det bare er en driftsvariasjon. Er det en feil så varsler jeg relevante aktører, sier han.

Han er svært fornøyd med å få presentert dataene på denne måten og med slik kvalitet.

– Vi slipper å grave oss ned i enorme mengder sensordata. Vi får enkel oversikt over det vi trenger for å vurdere om det er avvik det må tas tak i. Det er fint å slippe å bruke tid på ting som ikke er feil, men kunne legge mer innsats i de reelle tilfellene, sier han.

Oppdaget turbinfeil

I sommer oppstod plutselig en alarm knyttet til en turbin til en viktig kompressor med gass på Kårstø. Dette viste seg som en kraftig peak i Omnia.Prevent-systemet. Kårstø er et gassbehandlingsanlegg som er eid av Gassled, og Equinor er teknisk ansvarlig for den daglige driften.

– Det gikk relativt raskt å verifisere at det var en reell alarm. De ansvarlige på Kårstø snudde seg rundt, og fant ut at de måtte bytte turbinen. For det var en kritisk feil, sier han.

Alarmen indikerte nemlig at det var metallspon i oljen, et tegn på en mekanisk feil var under utvikling. Det at dette ble oppdaget såpass tidlig og at det raskt ble tatt aksjon førte til at man kunne bytte turbin to dager tidligere enn om feilen hadde ført til driftsstans.

Kårstø sparte hele 300 millioner kroner på dette.

Dette er den mest alvorlige feilen som er oppdaget, men til sammen har Omnia.Prevent-systemet oppdaget rundt 400 reelle feil, hvor flere av dem kunne utviklet seg til alvorlige hendelser.

500-600 maskinlæringsmodeller

Torbjørn Folgerø, direktør for digitalisering og IT i Equinor, påpeker at det i dag kjøres et sted mellom 500 og 600 maskinlæringsmodeller i Omnia.Prevent,

– Det gjorde at vi kunne trene på alle dataene. Vi ville ikke funnet de 400 avvikene hvis vi ikke hadde disse modellene, sier han og påpeker at det er eksperter som Ravndal som må ta dette videre med plattformene hvor avviket har oppstått.

Folgerø ser for seg at man på et tidspunkt kan stille spørsmål til en språkmodell som ChatGPT inne i Omnia.prevent.

– Vi har testet co-pilotene, spesielt innen programvareutvikling. Og vi er optimistiske i forhold til produktivitetsmulighetene, sier han.

Kontinuerlig oppgradering

Landstad forteller at teamet oppgraderer kontinuerlig for å gjøre systemet enda bedre, blant annet for å luke ut falske positive feil.

Han vektlegger viktigheten av å kontinuerlig arbeide med forbedring heller enn å jobbe mot et perfekt produkt i første utgave. Nå skal Omnia.Prevent skaleres ut også til andre utstyrsgrupper i selskapet. I dag jobber rundt 20 personer med systemet, som trolig blir utvidet til ytterligere 7 personer i nær framtid.