壳牌（Shell）和西方石油公司（Occidental Petroleum，Oxy）等石油和天然气运营商现在正在利用人工智能以及庞大的传感器网络和其他机器学习软件，在问题发生之前消除问题。

对于那些将石油桶转换为美元的石油公司来说，他们的敌人是停机。停机可能会导致桶数损失，从而导致收入损失。非计划停机是最严重的违规行为。当出现问题，并且没有迹象表明麻烦即将到来时，停产的时间可能会比预期的更长。保持所有气缸的运转对油田的健康和生产商的底线都很重要。

直到最近，保持事物运转的最佳方法是进行预防性维护。也就是说定期安排停机时间，以检查设备是否存在可能的磨损和潜在的更换。对预测性维护的影响是，有时这是不必要的，有时对设备进行审查会发现一切正常，然而你没有任何原因就停产了。

如今，油田和其他行业更倾向于实施预测性维护模型。预测性维护需要大量数据，以准确预测什么时候会出现问题。可以对这些模型进行训练，以便在可能的故障发生之前对其进行预测。它通过使用一个传感器网络来读取设备的读数来实现这一点。然后可以将这些读数与历史读数进行匹配，以衡量设备的健康状况。

最新的预测性维护采用了人工智能（AI）和物联网（IoT）来获得尽可能准确的读数。这允许在检查、诊断任何问题和提供解决方案时采取更积极主动的方法。随着油田基础设施的老化和更容易出现服务中断，可预测的停机时间变得更加重要。一台使用20年的压缩机可能不会采用与使用2年的压缩机相同的设计、相同的材料或相同的技术。在使用预测性维护模型时，必须考虑所有这些因素。

预测性维护工具包最近增加了一个数字孪生的使用。在过去五年左右的时间里，数字孪生在钻探复杂油井以进行监测和优化方面变得很流行。在预测性维护中，数字孪生可以生成与传感器数据相结合的数据，并产生更好的算法来预测设备行为。通过使用数字孪生创建设备故障场景，行业可以更好地训练程序来查找实际设备中的故障。

越来越多的公司将人工智能驱动的预测性维护引入石油和天然气领域。SparkCognition将机器学习和人工智能视为通往更好维护模式的道路。如果一个20万桶/日的海上平台仅遭受12小时的计划外停机时间，则可能导致价值高达800万美元的原油延期生产。

根据该公司的网站，“预测性维护类似于拥有一个可穿戴医疗设备，比如一个腕带，它不断扫描患者的身体，在他们一天中检查他们健康的方方面面，并不断实时评估结果。然后，该设备可以通知患者，他们需要去看医生进行治疗，以避免在特定日期发生心脏病发作。同样，海上资产的主动诊断将使上游运营商能够在故障发生之前预测并缓解故障。”

物联网分析公司2021年11月的一份报告估计，到2026年，当时69亿美元的预测性维护市场将达到282亿美元。它还估计，在同一时间内，供应商的数量将从大约100家增长到500多家。

壳牌专注于人工智能辅助运营安全

壳牌墨西哥湾公司的运营安全经理Neisha Kydd在5月举行的最近一次OTC会议上向与会者解释道：“这是一种主动监测，对兴奋剂的监测。”基于异常的监控已经存在了一段时间，但它与人工智能和其他机器学习操作的结合，推动了更复杂的算法来预测何时可能出现问题。它将数百万个数据点拉入一个源，然后应用算法，允许用户检测预先设计的异常的脚本或下标。

Kydd说：“这使我们能够在实际发生安全事件之前进行早期干预。这使我们能够将人们挡在危机之外，并确保他们的安全。因此，对我们壳牌公司来说，使用基于例外情况的监视主要是为了员工的安全。对我们来说，他们应该齐头并进。”

2022年，壳牌公司进行了一次安全审查，回顾了公司内部5年的重大事件，以区别对待事件中的共同主题或线索。调查结果之一是，该公司的许多事故都发生在其辅助系统上。该公司将人工智能的最初用途集中在其认为具有高风险的设备上，例如油井完整性。然而，它的空气压缩系统、仪器、照明弹、洗涤器都没有同样的严格监测，这也是许多重大事件发生的地方。

训练揭示的另一种系统模式是，现场设备和流程的状态与壳牌办公室的预期不符。该公司让工程师在办公室做出决定，编写程序，并将工作送到现场执行，他们相信设备的状况是一定的。壳牌公司发现，在办公室里的这种信念和正在转化到现场的东西之间存在差距。

Kydd问道：“所以问题来了，我们如何使用人工智能来帮助缩小这一差距，以便我们在现场获得的实时数据能够模拟和复制前线的实际情况。这将是我们训练的下一部分。这将是下一个主要重点，我们有所有这些伟大的系统，我们有所有伟大的头脑，但如果我们不利用它们来预防事故，那么我们真正拥有什么？”

壳牌的下一步是将其数据中心集中在美洲。目前，新奥尔良的Bridge和特立尼达的Ark。通过联合数据中心，壳牌希望实现油田流程的标准化，这是人工智能成功部署的关键。

Oxy希望在人工智能的帮助下推动规模

对于Oxy公司来说，预测性维护是指使用人工智能和机器学习来缓解计划外事件。生成的数据被输入人工智能模型，根据历史事件进行预测。这对油田来说并不是什么新鲜事，但新的人工智能模型有助于推动这一点进入预测分析和学习的下一个演变，即系统自我教学，从而提供更好的预测。

Oxy企业架构和新兴技术主管Mansoor Nazar表示：“我们都在努力解决一个问题，那就是规模。你如何扩展？你如何扩展到一个更大、更创新的方法，以便能够做更大的事情？能够用你已经拥有的东西做更多的事情。人工智能是帮助你实现这一目标的工具之一。云是第一级的。在我们试图解决的问题中，其中之一是计划外事件。这是可能发生的最不幸的事情，尤其是在海上设施。那么你该如何缓解这种情况呢？您是如何创建预测分析的？”

Oxy在其运营中引入了更多的机器人和无人机，以完成一些人类通常会执行的任务。然后，人类可以专注于更具生产力的工作。该公司还推动在设施中使用人工智能支持的摄像头技术，以更好地检测和预测海上资产的上部和海底腐蚀活动。

Nazar说：“如果我们可以使用这些相机，然后在系统中实现一些基于人工智能的智能，比如你的相机看起来和你的眼睛一样好，会怎么样？摄像头不够智能，但如果你在上面实现人工智能，你就可以通过这些摄像头或使用人工智能的其他方式检测腐蚀。”

除了规模之外，数据的丰富性及其质量的保证是能源行业面临的另一个迫在眉睫的问题。Oxy目前正在投资在其云环境中建立一个数据基础，以保持现代化和物联网带来的巨大数据增长。

Nazar补充道：“我强烈建议我们都应该尽可能多地投资于云的采用，不是因为我们想从数据中心迁移，而是因为云为您提供了开箱即用的这些功能。它为你提供了很多这样的机会。你不必建立任何基础性的工作，就可以完成我所说的一切。云给了你这一点，所以你可以专注于你的用例。”

人工智能的使用带来了许多关于隐私、道德合规和偏见的问题，但也有技术、IT和流程问题需要解决。Nazar解释道：“这不是一次轻松的旅程，人工智能不是一种你可以直接购买并实施的产品。它是你必须大力投资的东西。我们在Oxy所做的是与来自组织各地的主题专家组成一个跨职能团队。因为这不是IT问题。这是一个企业问题。你需要法律顾问，你需要供应链，你需要营销人员，你需要运营人员，你要钻井人员，你还要地球科学家，他们都需要团结起来，为人工智能提出任何用例。”