Deep Learning-Based Anomaly Detection System for Centrifugal Pumps: Enhancing Predictive Maintenance in the Offshore Industry

Abstract

Den moderne offshore-petroleumsindustrien, med sitt store antall tilstandssystemer, genererer enorme mengder data som er klare til å utnyttes. Med hjelp av avanserte overvåkingssystemer og dataanalyse, tilbyr prediktivt vedlikehold en lovende tilnærming for å redusere potensielle feil før de oppstår. En viktig rolle i prediktivt vedlikehold er teknikker for anomalideteksjon som identifiserer unormal atferd eller avvik fra etablerte mønstre i sensordata. Hovedmålet med denne avhandlingen er å implementere en metode for anomalideteksjon basert på dyp læring, spesifikt rettet mot prediktivt vedlikehold i offshore-industrien, med fokus på sentrifugalpumper som brukes i vanninjeksjonssystemer. Disse pumpene har en viktig oppgave med å opprettholde trykk, forbedre oljeutvinningen og optimalisere produksjonsraten på offshore oljeplattformer. På grunn av de utfordrende driftsforholdene og de harde miljøene de opererer i, er de utsatt for feil og forstyrrelser, og krever derfor en proaktiv vedlikeholdsstrategi.

Oppgaven tar for seg utfordringene knyttet til datakvalitet samt "feature engineering" i industriell data, for å utvikle et robust og pålitelig system for anomalideteksjon. I kontekst av den økende interessen for generativ kunstig intelligens, blir en variational autoencoder sammenlignet med tradisjonelle maskinlæringsalgoritmer på syntetiske data. Basert på domenekunnskap om systemet, er det endelige resultet en samling av anomalier klassifisert av variational autoencoderen i motoren og strømningshastigheten ut av sentrifugalpumpen. Det foreslåtte rammeverket har som mål å redusere vedlikeholdskostnader, minimere uplanlagt nedetid og forbedre den generelle driftseffektiviteten i offshore-industrien.

The modern offshore petroleum industry with its large number of condition systems, generates vast amounts of data ready to be exploited. Empowered by advanced monitoring systems and data analytics, predictive maintenance offers a promising approach to mitigating potential failures before they occur. A vital role in predictive maintenance is anomaly detection techniques which identify abnormal behavior or deviations from established patterns in sensor data. The main objective of this thesis focuses on implementing a deep learning-based anomaly detection method for predictive maintenance in the offshore industry, with a specific emphasis on centrifugal pumps used in water injection systems. These pumps are crucial in maintaining pressure, enhancing oil recovery, and optimizing production rates in offshore oil production rigs. Due to their challenging operating conditions and harsh environments, they are prone to failures and disruptions, thus necessitating a proactive maintenance strategy. The thesis addresses the challenges associated with data quality and feature selection in industrial data, ultimately aiming to develop a robust and reliable anomaly detection system. In light of the rapid growth of interest in generative artificial intelligence, a variational autoencoder is benchmarked against traditional machine learning algorithms on synthetic data. Based on domain knowledge of the system, the final result is an ensemble of anomalies detected by the variational autoencoder in the motor and the flow rate exiting the centrifugal pump. The proposed framework aims to reduce maintenance costs, minimize unplanned downtime, and improve overall operational efficiency in the offshore industry.