Datos analíticos en tiempo real usando IBM Predictive Maintenance and Quality

Para las industrias con base en activos y de capital intensivo como la exploración y producción de petróleo y gas se necesita el acceso a cantidades de producción en tiempo real y predicciones precisas de la producción futura. Aprenda cómo usar IBM Predictive Maintenance and Quality para cargar datos de producción en tiempo real, agregar datos, predecir la producción y poblar el almacén de datos para refrescar los tableros.

Saurabh Gupta, Solution Architect, IBM

Saurabh GuptaSaurabh Gupta is a solution architect at IBM with more than a decade of experience creating architecture for and evangelizing solutions. He has played key roles in several projects — from project planning to implementation for various customers in growth markets. He is currently associated with the Predictive and Business Analytics Industry Solution and Services group at IBM India. He plays an important role in creating business analytics solutions for predictive asset optimization.



Seba Kauser, Author, IBM

Seba KauserSeba Kauser works with Global Business Services at IBM India and is currently part of the Predictive and Business Analytics Industry Solution and Services group. Working with the chemical and petroleum community, she uses the IBM Predictive Maintenance and Quality solution to meet the requirements of chemical and petroleum customers. Her interests include application integration and middleware using WebSphere products in various industry domains.



13-05-2014

Visión general

Para aplicar la analítica de negocios a cualquier situación, se graba una instantánea actual en los sistemas fuentes y se analiza. Las analíticas actuales se correlacionan con datos históricos para estudiar tendencias y construir modelos predictivos. Para correlacionar analíticas con base en datos actuales e históricos, debe integrar una solución analítica con los datos en el sistema fuente en tiempo real y actualizar el almacén de datos analíticos y los datos históricos.

Por ejemplo, en una industria de flujo ascendente (exploración y producción) de petróleo y gas, un supervisor quiere analizar las últimas cifras de producción del petróleo y el gas que se están produciendo en un sitio remoto y medir el desempeño de un pozo marino con respecto a las últimas cifras de producción reportadas.

La solución IBM Predictive Maintenance and Quality incluye componentes de software que ejecutan la analítica avanzada necesaria para este tipo de escenario. Uno de los componentes, el bus de integración, está integrado con el sistema fuente para poblar el almacén de datos analíticos de Predictive Maintenance and Quality.

Se usa el mecanismo de disparo del evento del bus de integración para cargar los datos de producción y los eventos brutos desde la base de datos del Sistema de Administración de Datos de Producción (PDMS). El mecanismo de disparo de eventos es una técnica que habilita a los usuarios para recibir actualizaciones a una sola tabla o a tablas múltiples dentro de una base de datos en tiempo real. El usuario puede ver los cambios en el tablero empresarial y en reportes (accesibles a través de una GUI) mientras se dispara una acción o un evento.


Arquitectura de la solución

La solución muestra descrita en este artículo está construida sobre la solución IBM Predictive Maintenance and Quality, una solución de analítica de negocios empaquetada, previamente configurada y de varias industrias. Como se muestra a continuación la solución Predictive Maintenance and Quality incluye diferentes componentes de software.

Image shows architecture for Predictive Maintenance and Quality

Flujo de trabajo de la solución

La solución analítica de datos en tiempo real agrega el contenido de la industria flujo arriba de petróleo y gas haciendo interfaz con varios componentes de software de la solución Predictive Maintenance and Quality. El diagrama de secuencia mostrado a continuación ilustra las interfaces y la secuencia de actividades.

Image shows workflow and interfaces between components

Haga clic para ampliar la imagen

La solución incluye los siguientes componentes:

  • Production Data Management System (PDMS)— Poblado usando una aplicación Web diseñada para distribuir información relacionada con el petróleo.
  • DATA_UPDATE_EVENT table— Usada para capturar las actualizaciones hechas en PDMS por la aplicación Web. Se escribe un evento nuevo a esta tabla cada vez que se actualiza la base de datos.
  • Adaptador de la base de datos — El nodo DatabaseInput se usa para responder a eventos en una base de datos. Se dispara cuando se hacen actualizaciones a la vista de la base de datos, con base en el sello de tiempo. Este nodo verifica la columna Timestamp (clave externa) para determinar la fecha de producción que se actualizó y carga los datos de producción requeridos de PDMS. Una vez que estos datos se llamaron completamente y persistieron, el nodo establece la columna Synchronised (clave primaria) a True para indicar que los datos han sido leídos exitosamente.
  • Flujo de mediación personalizado — Llama actualizaciones de PDMS para la tabla de aplicación requerida con base en la coincidencia del campo Timestamp tanto en la tabla de eventos como en la de aplicación. Esto establece la alerta Synchronized de False a Part. Luego, se convierte el objeto de datos a XML y XML se escribe a una cola. Con base en el campo Timestamp se hace una selección para llamar actualizaciones de otras tablas de aplicación en el mismo almacén de datos y todos esos mensajes se procesan y persisten en la misma cola. Luego, el estado de la alerta Synchronized se establece a True de Part. Después de eso, los datos de producción se transforman en archivos de eventos de Predictive Maintenance and Quality y se almacenan en el directorio de eventos Predictive Maintenance and Quality usando los respectivos procedimientos almacenados, que tienen la lógica de transformación para cada tipo de datos de producción.
  • Cola— La cola IBM WebSphere® que tiene todas las actualizaciones de datos de producción recibidas de PDMS en forma de mensajes XML.
  • Directorio de eventos Predictive Maintenance and Quality — El directorio preestablecido, que es la carpeta eventdatain que tiene los eventos a ser procesados por el flujo de mediación Predictive Maintenance and Quality.
  • Flujo de mediación Predictive Maintenance and Quality — Almacena o graba los eventos en la base de datos Predictive Maintenance and Quality correlacionándolos con información presente en los datos maestros y las tablas de meta datos de Predictive Maintenance and Quality.
  • Base de datos Predictive Maintenance and Quality — Servidor de bases de datos que contiene el almacén de datos analíticos. El almacén de datos actúa como un almacén de eventos y tiene indicadores calculados de desempeño claves (KPIs) en forma de eventos agregados y perfiles. También contiene datos maestros de soporte e información de meta datos para la solución.
  • IBM SPSS® Modeler— Crea modelos predictivos y de pronóstico. Los modelos luego se despliegan a los Servicios de Colaboración y Despliegue SPSS, donde están disponibles para ser llamados como servicios de puntuación Web. El Listado 1 ilustra una muestra del servicio de puntuación Web.
    Listado 1. Muestra del servicio de puntuación Web

    Haga clic para ver la lista de códigos

    Listado 1. Muestra del servicio de puntuación Web

     <getScore> <scoreRequest id="GasProdForecast"> <input name="Well_Id" value="Schola-F-3"/> <input name="TimeStamp" value="2012-08-01T15:59:00"/> <input name="Production_m3" value="166137"/> </scoreRequest> </getScore>

    Estas llamadas se hacen desde el flujo de mediación Predictive Maintenance and Quality para producir el valor pronosticado y el valor de desviación. El mismo flujo maneja el valor pronosticado y lo registra en la base de datos Predictive Maintenance and Quality.
  • SPSS Decision Management — Se usa para desarrollar procesos de toma de decisiones y los umbrales para tomar acción usando reglas. Con SPSS Decision Managment, se pueden crear, probar, optimizar y desplegar reglas a los servicios de administración de decisiones en la Web. El Listado 2 ilustra una muestra del servicio Web de administración de decisiones.
    Listado 2. Muestra de un servicio Web de administración de decisiones

    Haga clic para ver la lista de códigos

    Listado 2. Muestra de un servicio Web de administración de decisiones

     <getScore> <scoreRequest id="GasWellRecommendation"> <input name="Well_Id" value="Schola-F-3"/> <input name="TimeStamp" value="2012-07-15"/> <input name="POP_Flag" value="0"/> </scoreRequest> </getScore>
  • IBM Maximo®— Una aplicación de mantenimiento que da soporte a la creación de órdenes de trabajo a través de un servicio Web autogenerado. El flujo de mediación Predictive Maintenance and Quality llama el servicio Web de órdenes de trabajo Maximo para crear una orden de trabajo cuando se recibe una recomendación para esta acción. El Listado 3 ilustra una muestra del servicio Web Maximo.
    Listado 3. Sample of a Maximo web service

    Haga clic para ver la lista de códigos

    Listado 3. Sample of a Maximo web service

     <WORKORDER action="AddChange" <SITEID>Schola</SITEID> <ASSETNUM>Schola-F</ASSETNUM> <DESCRIPTION>Urgent Inspection</DESCRIPTION> </WORKORDER>

    Después de que se crea la orden de trabajo Maximo, se hace visible a los individuos autorizados.

Analítica avanzada

SPSS Modeler se usa para calcular la predicción de producción con base en los datos históricos de producción de pozos de petróleo y gas. Después de que el modelo se prepara con un año de datos históricos, el SPSS Modeler procesa los valores reales de producción para predecir el valor pronosticado para la semana siguiente. El pronóstico le proporciona al supervisor de producción una visión de los valores futuros de producción y la pérdida pronosticada de producción con respecto a los valores objetivo de producción.

Se usa un modelo auto regresivo integrado de promedio movible (ARIMA) para estimar el valor del pronóstico. El modelador también evalúa la desviación del valor pronosticado con el valor real de producción y envía una alerta al componente de administración de decisiones. Con base en el valor de la alerta, el componente de administración de decisiones proporciona una recomendación si se requiere hacer una inspección urgente en el pozo o plataforma.

El indicador clave de rendimiento Real vs. Pronostico está disponible usando un tablero de Inteligencia de Negocios IBM Cognos® Tablero de Inteligencia de Negocios. El administrador del framework Cognos utiliza el almacén de datos Predictive Maintenance and Quality Analytical para construir el indicador clave de rendimiento. El volumen real de producción se muestra cuando se carga desde PDMS. El valor real se muestra en comparación con el valor pronosticado, que es proporcionado por el servicio de puntaje del SPSS Modeler. Esta comparación le ayuda al supervisor de producción a tener una visión de si el pozo de petróleo o gas está rindiendo conforme a la tendencia.


Conclusión

Este artículo proporciona una visión general de los componentes involucrados en la ejecución de la analítica predictiva usando la solución IBM Predictive Maintenance and Quality. Usando el ejemplo de un escenario de flujo arriba de petróleo y gas, muestra cómo usar IBM Predictive Maintenance and Quality para monitorear, analizar y reportar sobre la información reunida de activos de capital y procesos operativos y cómo recomendar actividades de optimización en relación con esos activos y procesos para otras industrias como minería y producción de acero.

Para implementar una solución similar en su propio ambiente, incluya los siguientes aspectos en su proceso de planeación:

  • Revise sus procesos y activos existentes en términos de si tiene la infraestructura necesaria para soportar la analítica de negocios.
  • Estudie el sistema de la fuente de datos en la base de datos de producción remota. Entienda la estructura de datos de la aplicación y los eventos.
  • Identifique las interfaces y protocolos que se conectan al sistema fuente.
  • Congele la capa de visualización y las reglas del negocio antes de implementar la solución.

Recursos

Aprender

Obtener los productos y tecnologías

Comentar

  • involúcrese en la Comunidad de Practicantes PMQ para compartir conocimientos, ideas, soluciones y experiencias alrededor de IBM Predictive Maintenance and Quality.

Comentarios

developerWorks: Ingrese

Los campos obligatorios están marcados con un asterisco (*).


¿Necesita un IBM ID?
¿Olvidó su IBM ID?


¿Olvidó su Password?
Cambie su Password

Al hacer clic en Enviar, usted está de acuerdo con los términos y condiciones de developerWorks.

 


La primera vez que inicie sesión en developerWorks, se creará un perfil para usted. La información en su propio perfil (nombre, país/región y nombre de la empresa) se muestra al público y acompañará a cualquier contenido que publique, a menos que opte por la opción de ocultar el nombre de su empresa. Puede actualizar su cuenta de IBM en cualquier momento.

Toda la información enviada es segura.

Elija su nombre para mostrar



La primera vez que inicia sesión en developerWorks se crea un perfil para usted, teniendo que elegir un nombre para mostrar en el mismo. Este nombre acompañará el contenido que usted publique en developerWorks.

Por favor elija un nombre de 3 - 31 caracteres. Su nombre de usuario debe ser único en la comunidad developerWorks y debe ser distinto a su dirección de email por motivos de privacidad.

Los campos obligatorios están marcados con un asterisco (*).

(Por favor elija un nombre de 3 - 31 caracteres.)

Al hacer clic en Enviar, usted está de acuerdo con los términos y condiciones de developerWorks.

 


Toda la información enviada es segura.


static.content.url=http://www.ibm.com/developerworks/js/artrating/
SITE_ID=90
Zone=Information mgmt
ArticleID=973729
ArticleTitle=Datos analíticos en tiempo real usando IBM Predictive Maintenance and Quality
publish-date=05132014