通過(guò)在邊緣部署的可靠平臺(tái)來(lái)運(yùn)行機(jī)器學(xué)習(xí)，將有助于企業(yè)從更多的數(shù)據(jù)中獲取更大的價(jià)值。

自推出以來(lái)，物聯(lián)網(wǎng)（IoT）迅速改變了石油和天然氣行業(yè)的格局。Inmarsat Research公司最近的一項(xiàng)調(diào)查顯示，大約74%的石油和天然氣公司至少部署了一個(gè)物聯(lián)網(wǎng)項(xiàng)目。另有81%的公司表示，他們計(jì)劃加快采用物聯(lián)網(wǎng)，以應(yīng)對(duì)最近全球疫情帶來(lái)的挑戰(zhàn)。盡管這些新的數(shù)字技術(shù)提供了更強(qiáng)的控制、更深入的洞察力和更高效的運(yùn)營(yíng)，但最大的障礙之一是克服偏遠(yuǎn)、離網(wǎng)位置的氣隙，并處理物聯(lián)網(wǎng)傳感器和設(shè)備產(chǎn)生的大量數(shù)據(jù)。

據(jù)一些資料顯示，一臺(tái)海上鉆機(jī)每天產(chǎn)生的數(shù)據(jù)超過(guò)1TB，特別是鉆井工具的最新創(chuàng)新，如隨鉆日志（LWD）和隨鉆測(cè)量（MWD）會(huì)產(chǎn)生更多的數(shù)據(jù)。但是，這種數(shù)據(jù)驅(qū)動(dòng)帶來(lái)的價(jià)值是什么？尤其是在難以采集和連接到其它來(lái)源的情況下，價(jià)值幾何？

據(jù)麥肯錫公司估計(jì)，在石油和天然氣公司中產(chǎn)生的物聯(lián)網(wǎng)數(shù)據(jù)中，99%從未用于決策。與此同時(shí)，這些數(shù)據(jù)在獲取、處理和存儲(chǔ)方面帶來(lái)了實(shí)際成本，希望它能在未來(lái)提供價(jià)值。

人工智能（AI）和機(jī)器學(xué)習(xí)（ML）有助于檢查和排序堆積如山的數(shù)據(jù)，以產(chǎn)生可操作的見(jiàn)解。數(shù)據(jù)科學(xué)家已經(jīng)開(kāi)發(fā)了各種ML模型，以較少消耗和成本，預(yù)測(cè)設(shè)備故障和維護(hù)需求，優(yōu)化遠(yuǎn)程現(xiàn)場(chǎng)運(yùn)營(yíng)，并提高安全性。然而，我們持續(xù)看到位于供應(yīng)鏈上、下游的石油和天然氣企業(yè)，仍在努力將這些模型應(yīng)用到現(xiàn)實(shí)世界中。

根據(jù)筆者在多個(gè)行業(yè)從事物聯(lián)網(wǎng)工作的經(jīng)驗(yàn)，成功的關(guān)鍵不是在云端開(kāi)發(fā)模型，而是在現(xiàn)場(chǎng)或靠近決策所需的數(shù)據(jù)源來(lái)部署模型。

01

從邊緣數(shù)據(jù)中獲取更多價(jià)值

通常，有三個(gè)主要因素會(huì)阻止AI/ML從邊緣數(shù)據(jù)中獲取價(jià)值：1）設(shè)備之間的距離以及一致的互聯(lián)網(wǎng)連接；2）無(wú)法監(jiān)控模型在實(shí)際工況下的持續(xù)性能；3）邊緣環(huán)境的計(jì)算約束性質(zhì)。

碳?xì)浠衔锏目碧健⑸a(chǎn)、運(yùn)輸和冶煉地點(diǎn)通常很偏遠(yuǎn)。這意味著：

1

為了部署在云中訓(xùn)練的模型或?qū)鞲衅鲾?shù)據(jù)中繼回云端，該位置可能沒(méi)有所需的互聯(lián)網(wǎng)連接。

2

連接可能不可靠，或者沒(méi)有足夠的帶寬實(shí)現(xiàn)上述功能。

3

即使連接可用，將數(shù)據(jù)從源中繼到云端、運(yùn)行模型，然后將結(jié)果回傳到地面設(shè)備的延遲也可能過(guò)高，尤其是用于控制回路的測(cè)量更是如此。

衛(wèi)星互聯(lián)網(wǎng)服務(wù)可提供遠(yuǎn)程連接，星鏈和OneWeb等下一代地球低軌道衛(wèi)星提供了改進(jìn)的帶寬和更低的延遲。然而，這些服務(wù)仍會(huì)受到惡劣天氣的影響，這可能會(huì)使正常運(yùn)行時(shí)間低于關(guān)鍵運(yùn)營(yíng)所需的時(shí)間。解決方案是部署本地模型，無(wú)論是在設(shè)備上還是在現(xiàn)場(chǎng)的本地服務(wù)器上，都能提供一致的可用性和延遲，并在連接允許時(shí)傳輸監(jiān)測(cè)和可觀(guān)測(cè)數(shù)據(jù)。

02

模型的更新和監(jiān)測(cè)

數(shù)據(jù)科學(xué)團(tuán)隊(duì)很容易變得過(guò)于專(zhuān)注于部署、并在邊緣上運(yùn)行模型，以至于他們忘記考慮一旦部署模型會(huì)發(fā)生什么事情。隨著環(huán)境的變化，訓(xùn)練模型的條件可能不再適用。

考慮一個(gè)基于傳感器數(shù)據(jù)來(lái)預(yù)測(cè)某一設(shè)備何時(shí)可能發(fā)生故障的模型。隨著環(huán)境溫度的變化，來(lái)自傳感器的某些信號(hào)的重要性也可能發(fā)生變化。為夏季應(yīng)用而建造的模型，可能需要在冬季較冷的月份進(jìn)行升級(jí)。

進(jìn)一步說(shuō)，ML邊緣運(yùn)營(yíng)必須能夠監(jiān)控性能，并將更新的模型推送到設(shè)備，以返回可觀(guān)測(cè)的數(shù)據(jù)來(lái)進(jìn)行連續(xù)分析。可觀(guān)測(cè)性數(shù)據(jù)允許自動(dòng)化工具執(zhí)行連續(xù)的統(tǒng)計(jì)分析，將當(dāng)前運(yùn)行與先前的行為進(jìn)行比較，以檢測(cè)數(shù)據(jù)或模型漂移（異常），并在問(wèn)題轉(zhuǎn)化為故障之前發(fā)現(xiàn)問(wèn)題。

03

邊緣環(huán)境計(jì)算約束

邊緣設(shè)備經(jīng)常受到CPU功率、內(nèi)存和網(wǎng)絡(luò)帶寬的限制。將推理數(shù)據(jù)轉(zhuǎn)移到遠(yuǎn)程數(shù)據(jù)中心是一種解決方案，但如果這會(huì)帶來(lái)太多延遲或需要比可用帶寬更多的帶寬，會(huì)發(fā)生什么？

ML團(tuán)隊(duì)需要一定的靈活性，以便在任何地方、每個(gè)地方都能部署模型推送管道，從設(shè)備到云部署模型。然而，無(wú)論是在設(shè)備上、本地服務(wù)器上、附近的微型數(shù)據(jù)中心，還是在傳統(tǒng)的數(shù)據(jù)中心運(yùn)行，都需要專(zhuān)門(mén)的ML推理引擎來(lái)在各種環(huán)境中高效、一致地運(yùn)行，以提供數(shù)據(jù)科學(xué)家所需要的監(jiān)測(cè)能力。

石油和天然氣對(duì)全球經(jīng)濟(jì)至關(guān)重要。這些企業(yè)每天都面臨著各種各樣的挑戰(zhàn)，包括設(shè)備故障、泄漏、安全問(wèn)題和經(jīng)濟(jì)處罰。物聯(lián)網(wǎng)和AI/ML有助于其改善運(yùn)營(yíng)，但克服邊緣ML挑戰(zhàn)對(duì)任何成功部署都至關(guān)重要。

在邊緣而不是在云端部署可靠的平臺(tái)來(lái)運(yùn)行ML，將有助于行業(yè)從更多的數(shù)據(jù)中獲取更大的價(jià)值，并提供關(guān)鍵的收益，如早期檢測(cè)故障、主動(dòng)維護(hù)提醒、動(dòng)態(tài)流量控制和泄漏檢測(cè)。