تحلیل داده ها و تصمیم گیری هوشمندانه مبتنی بر هوش مصنوعی در نگهداری و بازرسی تجهیزات نفت و گاز

در بسیاری از صنایع حیاتی نظیر نفت و گاز، نیروگاه ها و سیستم های حمل و نقل، عملکرد ایمن و اقتصادی تجهیزات به شدت به اثربخشی نظام نگهداری و بازرسی تجهیزات وابسته است. خرابی های ناگهانی تجهیزات نه تنها موجب توقف تولید و تحمیل هزینه های سنگین می شوند، بلکه می توانند تبعات ایمنی و زیست محیطی قابل توجهی نیز به همراه داشته باشند. یکی از رویکردهای کلیدی برای کاهش این ریسک ها، اجرای بازرسی فنی پیشگیرانه است که هدف آن شناسایی زودهنگام نقص ها قبل از بروز خرابی های بحرانی می باشد (Znang et al., ۲۰۲۲). با وجود اهمیت این رویکرد، برنامه های بازرسی در بسیاری از سازمان ها همچنان بر پایه ی بازه های زمانی ثابت یا تجربیات گذشته طراحی می شوند. این نوع سیاست ها غالبا منجر به دو مشکل عمده می شوند. ۱- بازرسی های بیش از حد که موجب افزایش هزینه های مستقیم و کاهش بهره وری می گردد. ۲- بازرسی های ناکافی که احتمال وقوع خرابی های ناگهانی و خسارت مالی را افزایش می دهد (Gurler et al., ۲۰۲۳). در این پژوهش، یک مدل نوآورانه PC-RBI ارائه شد که شاخص های قابلیت فرآیند (Cpk/Ppk) را با احتمال خرابی تجهیزات (PoF) ترکیب می کند و با استفاده از الگوریتم های هوش مصنوعی و یادگیری ماشین، بازه های بازرسی بهینه و تصمیم گیری هوشمند در نگهداری را تعیین می کند. نتایج نشان داد که مدل پیشنهادی می تواند دقت پیش بینی خرابی را تا ۳۰٪ افزایش و هزینه های نگهداری را تا ۴۰٪ کاهش دهد.

کلیدواژه ها:

RBI ، هوش مصنوعی ، تحلیل داده ، قابلیت فرآیند ، تصمیم گیری هوشمند ، نگهداری پیش بینی