陸上および海上の両方に存在する、産業用ガス施設の広大で唸りを上げる世界において、遠心式ガス圧縮機と呼ばれる巨大な機械は、その操業の鼓動する心臓として機能しています。その役割は単純ですが極めて重要です。ガスを圧縮してパイプラインを通じて移動させることです。しかし、懸命に働くあらゆる機械と同様に、それも時間の経過とともに摩耗していきます。内部部品が劣化するにつれ、機械は同じ仕事をするためにより懸命に働こうとし、本来あるべき姿よりも多くの電気や燃料を消費するようになります。この非効率性は、単なる金の無駄遣いではありません。それは安全上の脅威でもあります。圧縮機の性能が悪化すると、突然故障する可能性が高まり、施設全体の稼働停止を招くことになります。これらの計画外の停止は、生産の損失や緊急修理によって数百万ドルのコストをもたらす可能性があります。何十年もの間、エンジニアたちは機械の振動を聞いたりオイルをチェックしたりすることでこれらの故障を予測しようとしてきましたが、これらの手法では、機械が実際に壊れる前に単に非効率になっているという微細な兆候を見逃してしまうことがよくありました。

ラルカーノ大学のムクティアル・アリ・シャールによる新しい研究は、この問題に対する異なる視点を提案しています。機械が震えたり漏れたりするのを待つのではなく、その機械がどれだけのエネルギーを使用しているかに注目することを、研究者は提案しています。核心となるアイデアは、故障し始めている圧縮器は、まず非効率になり、同じ量のガスを押し出すためにより多くの電力を消費するという点です。このエネルギー消費量を綿密に追跡することで、壊滅的な故障が発生するずっと前にトラブルを察知することが可能になります。これをテストするために、研究者は機械の日常的な挙動から学習するスマートなコンピュータシステムを構築しました。このシステムは、単に部品がいつ壊れるかを推測するのではなく、メンテナンスが必要になるまでに、その機械がどれだけ効率的に稼働し続けられるかを正確に算出します。

研究者は、多くの施設で見られる特定のタイプのガス圧縮機に焦点を当てました。これには、初期の作業を行う低圧セクションと、仕上げを行う高圧セクションの2つのステージがあります。研究では1年間、これらの機械からリアルタイムのデータを収集し、回転するシャフトの速度から、ユニットから出るガスの温度に至るまで、あらゆるデータを記録しました。目標は、コンピュータに、健全で効率的な機械と、徐々に劣化している機械の違いを認識させることでした。研究者はハイブリッド機械学習モデルと呼ばれる手法を用いました。簡単に言えば、これはコンピュータが単一の方法で考えるのではないことを意味します。代わりに、3種類の異なる学習アルゴリズムの強みを組み合わせることで、単一の手法では見落としてしまう可能性のあるパターンを捉えることができるのです。この組み合わせたアプローチは、各メンバーがパズルを解くために異なる視点をもたらす専門家チームのようなものです。

このアプローチの結果は驚くべきものでした。コンピュータモデルは、非常に小さな効率の低下を検知することを学習しました。低圧圧縮器については、システムはわずか0.91パーセントのエネルギー性能の劣化を察知しました。高圧ユニットについては、0.87パーセントの低下を特定しました。これらの数字は極めて小さく見えるかもしれませんが、重工業の世界においては、これらは機械がついていくのに苦労している初期の警告サインなのです。より重要なことに、モデルはこれらの傾向を見て未来を予測することができました。モデルは、機械が危険な非効率性に陥る前に、あと約1,000時間の効率的な運転が可能であることを判断しました。これにより、メンテナンスチームに対し、突然の故障を待つのではなく、修理を計画するための約42日間の大幅な事前通知を与えることができました。モデルはさらに、機械が故障する可能性が高い正確な瞬間さえ特定し、7,256稼働時間目に発生すると予測しました。

この新手法の信頼性を確保するため、研究者は標準的な機械の状態チェック方法と比較してテストを行いました。コンピュータモデルは、どのデータポイントが健全な機械を表し、どのデータポイントが故障している機械を表しているかを識別するよう求められました。結果を測定したところ、この新しいハイブリッドモデルは、従来の単一手法のモデルよりもはるかに正確であることが証明されました。モデルは、学習データにおいて0.96のAUCで故障した機械を正しく特定し、未知の新しいデータを用いたテストでは0.97のAUCを示しました。また、モデルは0.1という低い偽陽性率を示し、これは誤報がめったにないことを意味し、時間の節約とコスト削減につながると同時に、真の問題が見過ごされないことも保証しています。研究はまた、別のオフショア圧縮機のデータを使用してこれらの知見を検証し、コンピュータが一度も見聞きしたことのない機械に適用された場合でも、この手法が機能することを示しました。この二度目のテストにおいて、システムは80時間の残りの効率的寿命を特定し、720時間での故障を予測することに成功し、このアプローチが実社会での使用に耐えうる堅牢なものであることを証明しました。

本研究は、エネルギー効率を管理する上で、振動やオイル分析といった伝統的なメンテナンス指標のみに頼ることに対して明確に異議を唱えています。これらの手法は機械的な亀裂や破損した部品を見つけるのには適していますが、エネルギーの浪費につながる緩やかな、忍び寄るような性能低下を捉えることにはしばしば失敗します。研究者は、振動が急増するのを待つことは、機械がすでに長い間非効率に稼働している後に、待ちすぎていることを意味すると指摘しました。エネルギー性能に焦点を移すことで、この新しいフレームワークは、オペレーターがより早期に介入することを可能にします。研究は、メンテナンスは部品が壊れたときではなく、エネルギー効率が特定の安全限界を下回ったときにトリガーされるべきであると示唆しています。このアプローチは、メンテナンスを「事後的な修理」から「事前の戦略」へと変え、機械が可能な限り最高の状態で稼働し続けることを保証します。

最終的に、この研究はガス産業に対して明確な進むべき道を示しています。圧縮器がどれだけのエネルギーを使用するかを監視するためにスマートなコンピュータシステムを使用することで、施設は予期せぬシャットダウンによる莫大なコストを回避できます。システムは明確なタイムラインを提供し、エンジニアに対して、機械にあとどれだけの「エネルギー効率的な寿命」が残っているかを伝えます。これにより、エンジニアは計画的なダウンタイム中に修理をスケジュールすることができ、施設をスムーズに稼働させ続け、エネルギーと修理コストの数百万ドルを節約することができます。研究は、この手法が単なる理論的なアイデアではなく、多くの異なるタイプの圧縮機に適用できる実用的なツールであり、最も重要な機械が非効率な状態で長く稼働し続けることがないようにすることで、産業をより信頼性が高く、より持続可能なものにするものであると結論付けています。