机器学习领域
案例：一家大型石油和天然气公司开始对其管道网络进行例行检查，使用相同的物理设备，即“猪”。不是将原始数据发送给人类分析师并等待分析，而是将其发送到机器学习解决方案。结果是在工作人员开始时就发现了一个部分的严重故障。喷砂程序。由于及时识别，该公司至少节省了 1000 万美元，这将是该路段穿过杏仁林时的损坏成本。
这些只是一项研究的结果。让我们通过考虑贯穿北美的 270 万英里管道来提高这一点。已发现近 2/3 的美国人居住在距离管道 600 英尺的范围内。在大多数情况下，当发生故障时，地方当局会争先恐后地寻求帮助，因为他们的地图只能保持高达 500 英尺的精度。管道和危险材料安全管理局 (PHMSA) 报告称，在 2006 年至 2015 年间，管道 事件 增长 26.8%。这些 事件 涉及重伤、死亡或财产超过 50,000 美元。 2015年平均每天几乎发生1起事故。
面对严格的安全标准，此类事件的发生是怎样的？ 和价值数十亿美元的投资意味着什么？简而言之，当前的维护系统不足以准确预测故障的发生。
数据
检测方法没有问题那么大；而是使用猪收集的数据 这是令人关切的问题。有些异常根本无法通过当前可用的技术直接识别，需要对数据进行深入的关联和分析。这并不意味着责任要转移到数据科学家身上，因为他们围绕着成熟的实践工作，并且拥有帮助他们在看似无限的数据流中识别问题的经验。最后一部分形成了更大的问题。据透露，在管理管道方面，仅使用了 4% 的收集数据。
所有迹象都指向一个方向：海量数据。
一旦业内经验最丰富的专家退休，一场迫在眉睫的危机将全面发挥作用。其中一些专家拥有非凡的技能，很难找到替代品。那么我们为什么不把电脑带进来呢？是的，当然可以，但处理能力的大幅提高并不能使计算机擅长解决需要学习能力、判断力和观察能力的问题。
机器学习
机器学习的概念弥合了经验丰富的专家所掌握的技能与计算机提供的重复处理能力之间的差距。自 2014 年以来，OneBridge Solutions 一直在为石油和天然气行业提供数据分析服务，其平台建立在 Microsoft Azure Cloud 之上。
机器学习与云技术的可扩展资源完美结合，有助于处理猪生成的大量数据。 这种解决方案最好的部分是它在软件即服务模型中呈现，因此易于由各种客户实施和管理。
这些特征与管道系统的“状态”对齐，从而创建一个新的“状态”，然后可以在 3D 图像上进行可视化。 通过认知完整性管理，可以将这些虚拟图像拼接在一起形成整个管道系统，然后可以在几分钟而不是几周内进行分析。
系统的用户可以简单地将内联检查计数表拖放到系统中，然后在几分钟内从系统中摄取和标准化。机器学习还允许完整性管理团队深入了解整个管道，而无需花费太多时间浏览数据。
除了提高运算速度，机器学习还可以提高数据的精度，提高运算效率，提高威胁检测率。通过有效利用猪提供的数据 ，并以快速、全面和准确的方式呈现，机器学习为经验丰富的专家提供了分析和进一步完善结果的空间。最终结果将是操作人员拥有更好的数据，从而需要覆盖更少的地面并最终减少对工作现场的干扰。
自动化控制系统