Hur kan vi förutsäga återstående livslängd för ett subsea Christmas tree kontrollsystem?

Det är ingen enkel uppgift att samla in fältobservationer av data från subsea-system, eftersom insamlingskostnaderna är höga och processen är komplex. Därför är den föreslagna metodologin för prediktion av systemets tillstånd relevant och användbar. I ett typiskt subsea Christmas tree-system med elektro-hydraulisk sammansatt styrning består den elektroniska kontrollutrustningen huvudsakligen av: masterkontrollstation (MCS), elektrisk kraftenhet (EPU), kemisk injektionsenhet (CIU), subsea distributionsmodul (SDM) och relaterade sensorer. Den hydrauliska utrustningen inkluderar: hydraulisk kraftenhet (HPU), statisk umbilical termination assembly (SU), dynamisk umbilical termination assembly (DU), subsea kontrollmodul (SCM) samt ventiler med hydrauliska ställdon.

OREDA-databasen innehåller pålitlighetsdata från en mängd olika utrustningar som används inom olje- och gasproduktion. Enligt statistik från OREDA kan det totala degraderingsbeteendet för varje subsystem inom subsea Christmas tree-systemet under driftstiden beskrivas med hjälp av en exponentiell degraderingsmodell. Felhastigheten för varje degraderingsstadium är konstant. För att uppskatta felhastigheten (λ) använder man sig av OREDAs feldata, där man beräknar antalet fel (m) och den kumulativa driftstiden (τ). Den maximala sannolikhetsbedömningen av felhastigheten beräknas enligt formeln:

Reliabiliteten hos systemet kan då beskrivas som:

Enligt historisk degraderingsdata från OREDA kan degenerativa processer delas in i tre faser: den initiala driftfasen (h = 1–5), fasen med slumpmässiga fel (h = 6–18) och fasen med uttjäning av systemet (h = 19 och framåt). Under dessa faser förändras degraderingshastigheten, där den initiala fasen kännetecknas av en snabb degradering, den stabila driftfasen har en långsammare degradering, och fasen med uttjäning uppvisar en accelererad degradering.

I varje fas finns specifika feltyper. I den initiala fasen av systemet kan vanliga fel vara: låg effekt, hög effekt, interna eller externa läckage av både processmedel och hjälpmedel. Under fasen med slumpmässiga fel är läckage av processmedel, blockerade eller igensatta komponenter och otillräcklig kraft vanliga problem. I fasen med uttjäning är det främst otillräcklig effekt och andra okända fel som dominerar.

Enligt resultat från denna analys kan man beräkna degraderingshastigheten för varje subsystem, vilket gör att man kan förutse när specifika delar av systemet börjar visa tecken på förslitning eller plötsliga fel.

I den metodologiska ansatsen som föreslås används DUKF (Diluted Unscented Kalman Filter) för att prediktera tillståndet i subsea Christmas tree-kontrollsystemet i de olika degraderingsfaserna. Här används en tidsram på sex månader för att prediktera systemets tillstånd vid varje fas, baserat på den dynamiska Bayesianska analysen.

Systemet betraktas som bestående av tre huvudfaser: den initiala fasen (infant mortality), fasen med slumpmässiga fel (random failures) och fasen med uttjäning (wear out failures). För varje fas predikteras systemets tillstånd genom att använda fördelningen av felhastigheter i varje operationell fas. Prediktionsmodellen uppdateras dynamiskt i varje tidssteg och gör det möjligt att uppskatta när kritiska fel kan inträffa.

För att förbättra förutsägelserna och minska osäkerheten, införs en metod där sigma-punkter samplas och viktas i en Unscented Transform (UT), som vidare justeras för att få fram en noggrannare uppfattning om systemets framtida tillstånd.

I det här sammanhanget är det också av stor vikt att notera hur oförutsägbara eller okända fel kan uppstå, och dessa behöver analyseras noggrant för att utveckla en robust prediktionsstrategi. Att förstå och förutsäga dessa fel är en central del av att förlänga livslängden på subsea Christmas tree-systemet, minska driftstopp och optimera underhållsplaner.

Hur Digital Twin och Felsökningsmodeller Samverkar för Att Förbättra Underhåll och Drift i Undervattenssystem

I det komplexa arbetet med undervattensproduktion används digitala tvillingar för att simulera och övervaka systemens tillstånd i realtid. En digital tvilling är en virtuell representation av ett fysiskt objekt eller system, som samlar in och bearbetar data från sensorer för att ge en exakt återspegling av det fysiska objektets tillstånd. När det gäller undervattensproduktionssystem, där övervakning och noggrann felsökning är avgörande, spelar digitala tvillingar en central roll i att förutsäga systemfel och optimera drift och underhåll.

Vid korrekt mottagning av styrinformation och systemparametrar kan den digitala tvillingen simulera det normala tillståndet hos det fysiska systemet. När sensordata tas in i felsökningsmodellen, bedöms tillståndet för det fysiska systemet. När ett fel identifieras, används den digitala tvillingen för att simulera det defekta tillståndet och ge en mer exakt representation av felkomponentens påverkan på det totala systemet. Emellertid innebär det alltid en viss osäkerhet att uppnå helt korrekta resultat, vilket gör att en verifieringsmetod är avgörande för att säkerställa tillförlitligheten. Felklassificeringsmodellen används för att beräkna både singelfel och ackumulerade fel. Om felet överskrider ett fastställt tröskelvärde, anses resultatet från felsökningen vara felaktigt och denna information matas in i modellen för att initiera en omdiagnos och ge ett nytt, mer exakt resultat.

För att den digitala tvillingen ska fungera effektivt i ett undervattensproduktionssystem krävs en modell som integrerar både kontrollinformation, förlustdata och felparametrar. Denna modell, ofta en 4D-digital tvilling, består av fyra moduler: en geometrisk modell, en produktionsstatusmodell, en hälsovårdsmodell och en miljömodell. Den geometriska modellen visar utrustningens utseende och produktionstillstånd, medan produktionsstatusmodellen beskriver systemets aktuella tillstånd baserat på sensordata och kontrollsignaler. Hälsovårdsmodellen inkluderar felsökning, prognos och underhållsalgoritmer, och den miljömodell som används omfattar de externa parametrar som påverkar systemets funktion.

Den geometriska modellen är mest relevant för visualisering och representation av felsökningsresultat och påverkar inte diagnosens noggrannhet. Den centrala delen i systemet är produktionsstatusmodellen, eftersom den styr mycket av de data som används för felsökning. För att korrekt simulera flödet i ett hydrauliskt kontrollsystem måste även fluidmekaniska principer som Bernoullis ekvation beaktas för att beskriva tryckförluster och andra fluidrelaterade parametrar. Bernoullis ekvation används här för att kvantifiera energiförlust i systemet och för att skapa en realistisk modell av vätskans beteende under olika driftsförhållanden.

Tryckförluster är en vanlig förekomst i vätskesystem och beror på både friktionsförluster längs vägen samt lokala tryckförluster vid till exempel ventiler och andra komponenter. Beräkningar av dessa förluster är avgörande för att kunna simulera det verkliga tillståndet hos systemet och därmed kunna förutsäga fel på ett mer exakt sätt. Genom att använda den digitala tvillingen för att simulera olika scenarier och analysera fel kan systemet kontinuerligt förbättras för att förhindra driftstopp och optimera underhåll.

Förutom att förstå den tekniska aspekten av digitala tvillingar och felsökning är det också viktigt att uppmärksamma de praktiska tillämpningarna och de operationella fördelarna som dessa teknologier kan ge. Genom att implementera en digital tvilling kan företag minska driftstopp, förbättra säkerheten och optimera underhållsstrategier. För att uppnå dessa fördelar är det avgörande att förstå hur man effektivt integrerar och validerar data från både fysiska system och digitala tvillingmodeller för att säkerställa att diagnoser och simuleringar är tillförlitliga och användbara för den faktiska driften. Dessa insikter är viktiga inte bara för ingenjörer och tekniska team, utan också för att säkerställa att hela verksamheten drar nytta av digitaliseringens fulla potential.

Hur underhållsstrategier påverkar kostnader och produktion vid olika förhållanden

Inom industriellt underhåll är det avgörande att planera och genomföra underhållsåtgärder effektivt för att undvika både driftstopp och onödiga kostnader. En viktig aspekt av underhållsplanering är att beakta fördröjningen i förberedelsearbetet, vilket kan ha en stor inverkan på både underhållskostnader och produktionsbortfall. Genom att optimera förberedelsernas tidsramar och inspektionsintervall kan ett företag minska driftstopp och förbättra den ekonomiska effektiviteten.

För att förstå de ekonomiska konsekvenserna av dessa tidsintervall, bör man beakta olika scenarier där underhåll kan behöva genomföras innan ett fel inträffar. Om förberedelsearbetet är klart innan ett fel inträffar, men säkerhetstiden är större än LTmin, kommer inga större förluster att uppstå. Om förberedelserna är ofullständiga och säkerhetstiden är kortare än LTmin, kommer dock driftstopp att inträffa, vilket leder till ökade produktionsförluster. I ett sådant fall beräknas totala kostnaden för underhåll och produktionsförlust enligt formeln CS32 = CSmax + CD × (LTmin − Sst).

Det är också viktigt att ta hänsyn till när ett fel inträffar under förberedelsefasen. Om ett fel inträffar innan förberedelserna är klara, kan underhållsprocessen startas vid felpunkten. Om säkerhetstiden är större än LTmin, kan den totala kostnaden beräknas som CS33 = CSmax + CD × (Sst − Tg). Om säkerhetstiden är kortare än LTmin, kommer dock förberedelserna inte att kunna slutföras i tid, och det resulterande driftstoppet medför ytterligare kostnader.

I alla dessa scenarier är det nödvändigt att noggrant beräkna både förberedelsekostnader och produktionsförluster för att minimera de totala underhållskostnaderna. I system som opererar med flera komponenter, som exempelvis ett subsea tree-system, kan gruppunderhåll vara ett kostnadseffektivt alternativ. Om en komponent misslyckas måste den repareras, men om återstående livslängd (RUL) för en komponent är kortare än underhållströskeln, Tm, krävs förebyggande underhåll.

För att optimera underhållsstrategier bör ett företag ta hänsyn till den genomsnittliga underhållskostnaden per enhetstid för hela systemet, vilket kan beräknas genom att summera kostnaderna för inspektion, underhållsberedning och produktionsförlust. Detta ger en helhetsbild av de ekonomiska konsekvenserna och gör det möjligt att välja den mest effektiva underhållsstrategin.

En jämförelse mellan olika underhållsstrategier visar att en strategi som baseras på inspektionsintervall och förberedelsearbete (strategi 1) tenderar att vara mer kostnadseffektiv än andra metoder, såsom strategi 2 (fast periodiskt underhåll) eller strategi 3 (felbaserat underhåll). Den första strategin minskar inte bara kostnaderna utan minskar även risken för driftstopp under underhåll, vilket gör den till det bästa alternativet i många fall.

För system som subsea tree, där underhållsberedningstid kan vara lång och reparationstiden kort, är det också viktigt att väga in alla dessa variabler noggrant. I detta sammanhang är den korta reparationstiden relativt obetydlig i jämförelse med den längre förberedelsetiden, vilket gör det ännu viktigare att optimera förberedelsearbetet.