Det globala subsea-utrustningsindustrin står inför en märkbar förändring med ökande användning av intelligenta system och automation. Denna förändring drivs av behovet att förbättra operativ effektivitet och minska driftstopp, särskilt i subsea-miljöer som är både utmanande och riskfyllda. Felsökning och diagnostik är avgörande för att säkerställa pålitlig drift av dessa komplexa system. Traditionella metoder för felsökning inom subsea-utrustning har ofta varit beroende av expertkunskap och manuella analyser, som både är arbetsintensiva och benägna att drabbas av mänskliga fel. De traditionella metoderna, även om de är användbara, är begränsade av tillgången på kvalificerad personal och den komplexitet som finns i att hantera fel i djuphavsoperationer.

En framväxande alternativ lösning är intelligent felsökning (IFD), som använder maskininlärningsalgoritmer för att automatisera felidentifiering och klassificering. Detta kan dramatiskt minska diagnostider och förbättra noggrannheten. Traditionella IFD-metoder är dock beroende av manuellt framtagna funktioner och kräver stora mängder märkta data – något som är svårt att samla in, särskilt i subsea-miljöer där datainsamling är både dyr och komplicerad. För att övervinna dessa utmaningar föreslår denna metod ett innovativt ramverk för IFD som integrerar både realtidsdata och virtuella modeller genom digital twin (DT)-teknik.

Ramverket utnyttjar den digitala tvillingen, en exakt virtuell modell av ett subseasystem, som simulerar olika felscenarier. Denna virtuella modell, skapad med hjälp av Modelica, interagerar med realtidsdata från systemet genom en innovativ tvåvägs datakonsistensmekanism. För att ytterligare förbättra datans tillförlitlighet tillämpas en tvådimensionell signalwarp-algoritm, som optimerar dataflödet för att få högkvalitativ och pålitlig information. Dessa optimerade data används sedan för att träna en flerkanalig en-dimensionell konvolutionell neuronnätverks-modell (CNN-GRU), som fångar både rumsliga och tidsmässiga egenskaper och därigenom förbättrar felidentifieringsnoggrannheten.

Metoden validerades genom att använda en subsea blowout preventer (BOP) i laboratoriemiljö, vilket resulterade i en noggrannhet på 95,62%. Denna metod överträffade nuvarande tekniker och erbjuder en robust och skalbar lösning för prediktivt underhåll i komplexa hydrauliska system genom att integrera digital tvillingteknik, dataoptimering och avancerade djupinlärningstekniker.

För att möjliggöra detta system används DT-teknologi för att skapa en helhetslösning för felsökning genom att kombinera fysiska enheter, virtuella modeller och dataanalys i en integrerad struktur. Här samlas driftsstatus, miljöförhållanden och felinformation från subsea-utrustningen, vilket säkerställer att den virtuella modellen exakt kan spegla de faktiska driftförhållandena. Modelica-språket används för att bygga denna högupplösta virtuella modell som täcker hela hydraulsystemet och kan noggrant simulera olika fel. Virtuella modeller kan dynamiskt justeras och kalibreras genom kontinuerlig datainteraktion med de fysiska enheterna, vilket gör systemet både flexibelt och exakt.

Dataflödet mellan de fysiska enheterna och de virtuella modellerna sker genom en tvåvägs datatransmission, som säkerställer att den virtuella modellen speglar systemets aktuella tillstånd. Systemet integrerar realtidsdata med de simulerade data från den virtuella modellen och optimerar kontinuerligt datakonsistensen genom en modell för bidirektionell datakonsistensutvärdering, vilket garanterar hög datakvalitet och tillförlitlighet. Genom att applicera detta till subsea-utrustning, såsom BOP, kan felsökningen utföras mer exakt och snabbare, vilket minskar driftstopp och förbättrar systemets övergripande tillförlitlighet.

En central del av detta ramverk är överföringen av virtuella modellparametrar baserade på Modelica, ett objektorienterat högnivåmodellering-språk som används för att modellera fysiska system. Det är särskilt användbart för att hantera komplexa och mångfacetterade system som de som finns i subsea-utrustning, där flera fysiska fenomen (t.ex. termiska, mekaniska och elektromagnetiska) måste beaktas. Modelica-språket erbjuder fördelar såsom öppenhet, fysisk konsekvens och skalbarhet, vilket gör det möjligt att skapa fler-domänsmodeller för komplexa system, exempelvis hydrauliska kontrollsystem som integrerar både elektromechaniska och hydrauliska aspekter.

Det är också viktigt att förstå att den digitala tvillingmodellen inte bara handlar om att skapa en exakt kopia av systemet, utan även om att använda denna modell för att förutse framtida fel och ge beslutstöd i realtid. När systemet stöter på ett problem, exempelvis ett fel i en ventil, kan den virtuella modellen justeras för att simulera och analysera problemet i detalj. Detta möjliggör för operatörer att få snabb feedback och fatta mer informerade beslut om förebyggande åtgärder och underhåll.

Vidare erbjuder detta ramverk också en lösning på de utmaningar som är förknippade med datainsamling i subsea-operationer, där data ofta är knapp och dyr att samla in. Genom att använda en kombination av realtidsdata och simulerad data från den virtuella modellen kan systemet generera omfattande och pålitliga datamängder för att förbättra felsökningen och förhindra oförutsedda driftstopp.

Hur klassificeras och diagnostiseras fel i subsea BOP-styrsystem?

Värden i styrsystemet baseras på en uppsättning normala signaler, där avvikelser kategoriseras enligt fastställda gränser: inom ±5 % från standardvärdet anses systemet vara i “normalt” tillstånd. Vid avvikelser mellan 5 % och 10 % definieras tillståndet som “extremt högt” eller “extremt lågt” beroende på riktning, och vid över 10 % avvikelse kallas det för “högt” respektive “lågt”. Alarminformation från PLC-systemet genererar en särskild larmstatus, benämnd AIA, som normalt är “normal” men övergår till “larm” när spänning eller ström i AI-kanalen detekteras som avvikande.

Hydrauliska systemfel inkluderar bland annat läckage i ackumulatorns luftkudde och blockeringar i proportionella ventilspolar, vilka kan förhindra systemet från att återgå till ett stabilt tillstånd eller ge stora steady-state-fel. Sensorsystemets fel, som sensoravdrift och förstärkningsfel, leder till felaktiga sensordata och därmed felaktig övervakning av steady-state, vilket inte alltid fångas som larm utan ibland felaktigt klassas som normalt. Flödesövervakning kan dock identifiera sådana felaktiga bedömningar.

AI-kanalens driftsfel, liksom sensor- och hydraulkomponentfel, påverkar systemets mätningar likartat, men kan isoleras via differenslarm i röstsammansättningsövervakning. Elektriska komponentfel i strömförsörjning, CPU och digitala ingångar/utgångar behandlas med egna larmsignaler: CPU-larm (CA), DI/DO-larm (DA) och AIA. Dessa larminformationer härrör från PLC:ns olika enheter och kan tillsammans användas för att identifiera och särskilja elektriska fel.

En Bayesiansk dynamisk nätverksmodell (DBN) har utvecklats för prestandautvärdering och felidentifiering i subsea BOP-styrsystemet. Den bygger på insamlad data från tryck- och flödesövervakning med en provtagningsfrekvens på 100 Hz och uppvisar en diagnostisk träffsäkerhet på drygt 95 %. Felidentifieringens precision varierar något mellan hydrauliska fel (95,8 %), sensorfel (93 %) och elektriska fel (96,86 %).

Provfrekvensen påverkar i hög grad felidentifieringens noggrannhet. Vid lägre provfrekvens ökar felidentifieringsfrekvensen markant, särskilt vid mindre störningar, då dynamiska egenskaper i signalerna påverkas starkt av brus. Ökning av provfrekvens kan minska brusets påverkan men innebär exponentiellt högre beräkningskostnader och begränsas av sensor- och PLC-hårdvarans kapacitet. I dagsläget klarar de flesta subsea BOP-system en frekvens under 120 Hz.

Miljön under havsytan medför omfattande brus i systemets signaler, vilket begränsar diagnosens prestanda. Brus i in- och utgångskanaler samt från sensorer har olika påverkan på felidentifieringen. Till exempel påverkas pumpläckage (PL) starkt av brus i samtliga kanaler eftersom dess identifiering bygger på justeringstider som indikator. Andra fel, som ventilläckage (EVL) och högt hydrauliskt tryck (AHL), påverkas mest av brus i utgångskanaler som stör flödesmätningarna. Sensoravdrift och förstärkningsfel påverkas huvudsakligen av sensorbrus. Ökat brus särskilt vid mindre fel kan göra det svårt att särskilja mellan olika sensorfel.

Redundansnivån i styrsystemet är avgörande för dess tillförlitlighet. Standardlösningen är ett dubbelmodulärt redundant system (DMR), men mer avancerade system som trippelmodulär redundans (TMR) och dubbel redundant DMR (DDMR) används i djuphavssystem för ökad säkerhet. Dessa avancerade redundansmodeller har visat sig erbjuda högre tillförlitlighet och möjliggör mer robust felidentifiering.

Det är viktigt att förstå att fel i sådana komplexa system inte bara måste identifieras utan också särskiljas från varandra för att kunna vidta rätt åtgärder. Diagnossystemet måste hantera både dynamiska och statiska signalavvikelser, och systemets komplexa miljö kräver robusta metoder för brusreduktion och korrekt tolkning av signaldata.

Vidare är det väsentligt att inse att prestandan i felidentifieringssystem är en balansgång mellan teknisk kapacitet (som provtagningsfrekvens och beräkningsresurser), miljöförhållanden (brus och störningar) och redundansnivå. Optimal diagnos kräver därför noggrann design av både hårdvara och mjukvara, där insamling och tolkning av data sker med hög precision och robusthet mot störningar.

Hur säker är den föreslagna metoden för felidentifiering i subsea produktsystem?

I denna studie undersöks noggrannheten hos en föreslagen metod för att diagnostisera fel i ett elektrisk-hydrauliskt system, med fokus på subsea produktsystem. Experimentellt har 23 typer av enkelpunktsfel, 12 typer av samtidiga fel orsakade av gemensam orsak (common-cause failure), 12 typer av samtidiga fel orsakade av kaskadfel (cascading failure) samt 12 typer av samtidiga fel orsakade av oberoende faktorer simulerats. Antalet provexemplar varierar mellan 200 för enkelpunktsfel och ner till 20 för samtidiga fel av oberoende orsaker, vilket speglar den frekvens som felen har i praktiska ingenjörsregister. Resultaten visar att diagnosnoggrannheten för enkelpunktsfel är hela 95,30%, medan den för samtidiga fel ligger något lägre på 92,13%. Vidare fördelas noggrannheten för samtidiga fel med 92,75% för fel med gemensam orsak, 90,42% för kaskadfel och 94,17% för oberoende samtidiga fel. Sammantaget uppnår den föreslagna metoden en genomsnittlig diagnosnoggrannhet på 94,29%, vilket understryker dess robusthet och effektivitet, särskilt för komplexa samtidiga fel.

Metoden kombinerar datadrivna modeller med modellbaserade metoder, där båda har sina för- och nackdelar. Datadrivna metoder anpassar sig snabbt med ny data men är känsliga för brist på träningsdata, medan modellbaserade metoder är starka i tidiga skeden när systemet är stabilt men förlorar i effektivitet när systemets tillstånd förändras och degraderas. Den föreslagna lösningen bygger på en intelligent fullskalig stabil diagnosmetod som anpassar sig efter systemets utveckling över tid. Under systemets tidiga skede, när feldata är begränsad, prioriteras den modellbaserade diagnosen. När däremot tillgången på data ökar i senare skeden övergår metoden till att nyttja datadrivna modeller som kan utnyttja större mängder data för förbättrad träning och prediktion.

Ett viktigt inslag är integrationen av en digital tvilling, som dynamiskt speglar det fysiska systemets tillstånd genom att uppdatera parametrar som tryckförluster, styrning och felindikatorer i realtid. Den digitala tvillingen fungerar dels som en källa för generering av simulerade data som kan förkorta träningscykeln för datadrivna modeller, och dels som ett visualiseringsverktyg för att presentera diagnosresultat och systemdata. Denna digitala representation möjliggör snabb anpassning när plötsliga förändringar i systemets beteende sker, vilket annars kan försvåra diagnosen.

I praktiken delas systemets livscykel in i två huvudfaser: en tidig fas med stabil drift och få fel, samt en senare fas med rikligare data och förändrade systemförhållanden. Denna fasindelning är inte strikt utan baseras på att jämföra diagnosnoggrannheten mellan metoderna över tid. När datadrivna metoder uppvisar en noggrannhet som är fem procentenheter högre än modellbaserade metoder, anses den senare fasen ha börjat. På så sätt uppnås en kontinuerlig och stabil diagnosfunktion som är anpassad till systemets aktuella tillstånd.

För att modellen ska vara giltig i realtid och kunna hantera de komplexa flödena i hydrauliksystemet används Bernoullis ekvation för att beskriva fluidens tillstånd, något som säkerställer en robust grund för den digitala tvillingen. Eftersom subsea produktsystem ofta arbetar under extrema förhållanden och har en lång livslängd på upp till 30 år, är det avgörande att diagnosmetoden kan anpassa sig över tid och bibehålla sin prestanda trots systemförändringar och degradering.

Det är centralt att förstå att kombinationen av modellbaserade och datadrivna metoder tillsammans med en digital tvilling skapar en synergieffekt som möjliggör långsiktig stabilitet i felidentifieringen. Denna helhetsstrategi tar hänsyn till både bristen på data i början och de rikliga data som ackumuleras under systemets drift. För läsaren är det viktigt att inse att effektiv felidentifiering i komplexa och långlivade system inte kan förlita sig på en enskild metod, utan kräver en dynamisk och adaptiv approach som speglar systemets förändringar och komplexitet över tid.

Hur påverkar dynamiska förlustparametrar noggrannheten i digitala tvillingmodeller för undervattensproduktionssystem?

I analysen av undervattensproduktionssystemets långsiktiga prestanda är det avgörande att jämföra digitala tvillingmodeller med fasta och dynamiska förlustparametrar. Systemets ventiler, som är elektromagnetiska riktningsventiler, antar två tillstånd: öppet eller stängt. När ventilen är öppen, passerar vätskan fritt och trycket överförs nästan helt, vilket gör styrparametern nära 1. Vid stängt läge närmar sig styrparametern 0. Ursprungligen antas inga fel föreligga i komponenterna, med felparametrar satta till 1, och förlustparametrarna beräknas utifrån normal driftdata.

Fältdata från undervattensproduktionssystem i Sydkinesiska havet, uppmätta av sju sensorer, visar att trycket i systemet huvudsakligen ligger mellan 220-240 psi, med vissa undantag mellan 20-30 psi. Skillnader i tryck mellan 2021 och 2022, på ungefär 4 psi, indikerar systemförändringar över tid under påverkan av flera faktorer. Trots dessa förändringar är variationerna inom acceptabla gränser för att undvika funktionsstörningar under ett år. Sensorernas tryckmönster är generellt korrelerade eftersom de flesta mäter beroende på ingångstrycket PT01A, medan PT08 och PT09 skiljer sig eftersom deras utgångstryck påverkas av belastningen vid normalt stängda ventiler.

En digital tvillingmodell med fasta förlustparametrar använder medelvärdet av förlustparametrar från 2021. Den tar PT01A som indata och predicerar trycken vid övriga sensorer. Jämförelse med verkliga data visar god överensstämmelse under 2021, men betydande avvikelser under 2022. Den fasta parametern leder till att vissa ventiler, som PT08 och PT09, visar nästan oförändrad output, vilket inte reflekterar verklighetens variation och därmed inte är lämpligt för träning av felidentifieringsmodeller.

För att förbättra modellen introduceras dynamiskt uppdaterade förlustparametrar, där parametern beräknas som medelvärdet av föregående dags förlustvärden. Detta leder till att modellens output bättre speglar verkliga tryckvariationer, även små förändringar över korta perioder som september och oktober 2021. Under 2022 visar modellen med dynamiska parametrar markant bättre överensstämmelse med verkligheten än modellen med fasta parametrar. Den observerade fördröjningen på en dag i modellens respons beror på den dagliga uppdateringen av förlustparametrar och kan minskas genom tätare datainsamling, dock på bekostnad av ökad beräkningsbelastning. Eftersom förändringarna i systemet sker långsamt är denna fördröjning acceptabel för praktiska ändamål.

Felanalys visar att båda modellerna har ett fel under 2 psi (mindre än 5 %), men modellen med dynamiska parametrar minskar felet med cirka 1 psi, vilket är en betydande förbättring, särskilt under 2022 då systemförändringarna är mer uttalade. Detta visar tydligt att dynamiskt uppdaterade nyckelparametrar förbättrar modellens förmåga att anpassa sig till systemets utveckling över tid.

När det gäller felidentifieringsmodeller visar studien att modellbaserade metoder har en initial noggrannhet över 96 %, även med begränsad träningsdata. Data-driven metodik uppvisar initialt lägre noggrannhet, men förbättras gradvis med ökande datamängd. Kombinationen av digital tvilling och data-driven metod ger högre träffsäkerhet i alla skeden utom det sista, där skillnaderna är små. Det indikerar att den digitala tvillingen tillför värdefull information och förstärker felidentifieringsprocessen, särskilt under perioder med systemförändringar.

Det är viktigt att förstå att digitala tvillingmodeller som inte tar hänsyn till systemets dynamiska förändringar riskerar att ge missvisande resultat över tid. Därför är kontinuerlig uppdatering av modellparametrar central för att bibehålla precision och tillförlitlighet i prediktioner och diagnoser. Fördröjningar i parameteruppdatering kan accepteras om systemets förändringshastighet är låg, men ökad datainsamlingsfrekvens kan ytterligare förbättra modellen till priset av större beräkningskrav. Samtidigt behöver man vara medveten om att tryckvariationer i undervattenssystem är komplexa och påverkas av många faktorer, inklusive ventilegenskaper och belastningsförhållanden, vilket ställer höga krav på modellens anpassningsförmåga och robusthet.

Hur strukturell design av produkter möjliggör anpassningsbara lösningar?
Intelligent Drift och Underhåll för Undervattensproduktionssystem
Hur man effektivt använder Yandex för att hitta specifik information på internet