機械学習でパイプライン安全性を加速：リアルタイム故障検知で1000万ドル節約

事例：大手石油ガス会社がパイプラインネットワークの定期検査を開始し、同じ物理デバイス、すなわち「ピッグ」を使用しました。生データを人間のアナリストに送って分析を待つ代わりに、機械学習ソリューションに送信しました。その結果、砂blasting（砂吹き）手順開始と同時に故障する区画の重大な欠陥を特定。適時発見により、アーモンド畑を通過する区画であったため、少なくとも1000万ドルの損害コストを回避しました。

これは単一研究の結果に過ぎません。北米を走る270万マイルのパイプラインを考慮すると、さらに規模が大きくなります。アメリカ人の約2/3がパイプラインから600フィート（約180m）以内に住んでいることが判明しています。多くの場合、故障発生時には地元当局が助けを求めて右往左往します。彼らの地図は精度500フィートまでしかありません。パイプライン・危険物安全庁（PHMSA）の報告によると、2006〜2015年間でパイプラインインシデントは26.8%増加しました。これらのインシデントには、重傷、死亡、5万ドル以上の財産損害が含まれます。2015年には平均してほぼ毎日1件のインシデントが発生していました。

厳格な安全基準と数十億ドルの投資にもかかわらず、このようなインシデントが発生することは何を意味するか？ 単純に、現在のメンテナンスシステムでは故障発生を正確に予測するには十分効果的ではないということです。

データ

検出方法論が問題なのではなく、ピッグが収集したデータの活用方法が懸念点です。一部の異常は、現在利用可能な技術では直接特定できず、データの深い相関分析を必要とします。これはデータサイエンティストを責めるものではありません。彼らは確立されたプラクティスに基づき、見かけ上無限のデータストリームの中から問題を特定する経験を持っています。最後の部分がより大きな問題です。パイプライン管理において、収集データのわずか4%しか活用されていないことが明らかになりました。

すべての兆候は一つの方向を指しています：データの巨大なサイズです。

業界の最も経験豊富な専門家が引退すれば、完全な効力を発揮する差し迫った危機があります。これらの専門家の一部は、代替が極めて困難な並外れたスキルを持っています。では、なぜコンピューターを導入しないのか？ 確かに、しかし処理能力の大幅な向上だけでは、学習能力、判断力、観察力を必要とする問題を解決するにはコンピューターは不得手です。

機械学習

経験豊富な専門家が持つスキルセットと、コンピューターが提供する反復処理能力のギャップを埋めるのが機械学習の概念です。2014年以来、OneBridge SolutionsはMicrosoft Azureクラウド上に構築されたプラットフォームで、石油ガスセクターにデータ分析サービスを提供しています。

機械学習とクラウドテクノロジーの拡張可能なリソースの組み合わせは完璧で、ピッグが生成する大量のデータを処理するのに役立ちます。このようなソリューションの最良の部分は、Software as a Serviceモデルで提供されるため、さまざまなクライアントが容易に導入・管理できることです。

機能はパイプラインシステムの「状態」に照らし合わせられ、新しい「状態」が作成され、それが3D画像で可視化されます。認知的完全性管理により、このような仮想画像を縫い合わせてパイプラインシステム全体を形成し、数週間ではなく数分で分析できます。

システムユーザーは、インライン検査タリーシートをシステムにドラッグ＆ドロップするだけで、そこから数分で取り込みと正規化が行われます。機械学習により、完全性管理チームはデータをくまなく精査する時間をかけずに、パイプライン全体への洞察を得られます。

操作速度の向上に加え、機械学習はデータ精度も改善し、運用効果を高め、脅威検出率を向上させます。ピッグが提示するデータを効果的に活用し、迅速、包括的、正確な形で提示することで、機械学習は経験豊富な専門家が結果を分析しさらに洗練させる余地を与えます。最終結果は、より良いデータで武装した運用クルーとなり、カバーすべき範囲が減り、現場での混乱が最終的に減少します。