Off-shore--On-shore Collective Analytics & Intelligence for condition-based monitoring in drilling & operations using heterogeneous networks

SMART-RIG prosjektet utfører forskning på intelligente datasystemer og trådløs sensornettverkteknologi, som gir nye muligheter for bedre overvåking og vedlikehold av både produksjonsprosesser og maskiner på offshore oljeplattformer. Virkningen av dette prosjektet vil bli demonstrert i form av bedre vedlikeholds- og reaksjonsevne, øke den operative tilgjengeligheten, ytelsen og energieffektiviteten, redusere de samlede eierkostnadene i levetiden og øke sikkerheten. Hovedhensikten med prosjektet er å undersøke og utvikle en ny ICT-løsning som kombinerer intelligens både offshore og på land ved hjelp av et heterogent nettverk med ulike elementer, som har flere oppgaver: a) koordinerte registreringer av ulike sensorsignaler oljeplattformer i rigger, inkludert førbehandling av data for å få relevant informasjon for beslutning, b) distribuert intelligens og trådløst nettverkdesign for å utføre viktige dataanalyser som lokal prediksjon og deteksjon av hendelser, mønsterfunksjonen for utvinning av prosessadferd, beslutningstakerstøtte og kontinuerlig læring, c) Isolering og identifisering av årsaker til forskjellige typer av maskinfeil, i tillegg til prediksjonen av forskjellige deler av systemene. Vår løsning vil sikre et kontinuerlig samsvar mellom intelligent nettverk offshore og på land på høyt analytisk nivå (dvs. kollektiv intelligens) som finnes på serverne til kontrollsentre, for å gi anbefalinger eller nødvendige handlinger til serviceingeniører. Dette prosjektet vil også gi byggeklosser for å generere en felles standard for å integrere og behandle utstyrsrelaterte data fra ulike leverandører, som det er sterkt behov for i dag. Resultatene vil bli presentert ved hjelp av ekte data fra fasiliteter levert av Lundin Norway og MHWirth.

- We have designed an online data acquisition infrastructure for real-time analysis of OG data, including data acquisition, storage, user interface and machine learning modules. - Our signal resampling method has led to a novel alternative to the PI system allowing to improve the compression ratio with a better reconstruction accuracy, with the potential to be integrated in real OG data acquisition systems - The learning of dependencies among sensors have been proven to be useful for control strategies, anomaly detection and event prediction, such as prediction of tripping events or stops in OG separators or detection of different drilling activities. - The graph filtering techniques that have been designed can remove noise simultaneously from multiple data time-series and extract spatio-temporal patterns of interest, exploiting the learned dependencies among the sensor data, offering a performance that is superior to the independent denoising of each sensor data time-series.

Recent advances in ICT and MicroElectroMechanical Systems has led to devices incorporating wireless communication, processing & storage capabilities, and diverse sensing & actuation functionalities in a single unit that is compact and autonomous. This revolution appears in the form of dense Wireless networks of sensors and actuators, with enormous potential for applications that are of great interest, including real-time data analytics for predictive condition-based monitoring (CBM) in drilling & operations. However, the optimal design of robust in-network practical algorithms and associated data analytics, remains far from mature. This proposal is motivated by the grand challenge of providing a new ICT solution for collective off-shore--on-shore intelligence for predictive CBM of drilling rigs, covering: a) the distributed acquisition of sensor signals, including data pre-processing, adaptive sampling rate optimization and collaborative calibration capabilities (Network Tier 1), b) in-network cooperative processing and distributed context-aware intelligence to perform essential data analytics tasks such as local event prediction and detection, low-level feature extraction, decision-making support and learning, c) design of semantic sensor management tools at micro-server nodes (Network Tier 2), with higher resources in terms of computation and communication capabilities, providing data aggregation across different inter-related subsystems and an intermediate medium-to-high level inference about the data collection, i.e., high-level diagnostics (fault detection, isolation and cause identification) and prognostics (fault & degradation prediction), tracking continuous consistency with the on-shore high-level analytics running at the servers (Network Tier 3) of Control Centers, providing recommendations or actions if necessary. The results will be demonstrated at facilities provided by Lundin and Frigstad, interacting with real data provided by Riglogger^TM - Aker MH.