Bruker video med kunstig intelligens for å finne brudd i strømkabler på oljeplattformer

Ved hjelp av maskinlæring kan Cognite bruke videokameraer som avanserte sensorer for å avdekke feil i strømkabler.

Oljeplattformer er imponerende spesialkonstruksjoner bygd for å hente opp olje og gass. Dette er krevende arbeid som ofte utføres i vanskelige forhold, og det er store krav til sikkerheten. En av utfordringene er faren for antennelse hvis det skulle være en gasslekkasje, og for å unngå det er det strenge krav til å sikre alt av elektrisitet på plattformene.

Piper Alpha var en plattform på britisk sokkel i Nordsjøen. Den ble i 1988 rammet av en brannulykke som drepte 169 mennesker. 

Samtidig må det nødvendigvis brukes elektrisitet på en plattform, og da er det viktig at alle elektriske kabler er godt isolerte. Det er de da også, men ting kan skje. Noen kan for eksempel tråkke på en strømkabel slik at isolasjonen ikke lenger sikrer den tilfredsstillende. I følge Norsk olje og gass skyldes omkring 75 prosent av alle gasslekkasjer menneskelige feil.

En slik feil kan være lett synlig, men den forutsetter at noen ser at det er et problem med kabelen, og at vedkommende gjør noe med det.

Automatisert videoanalyse

Nå har teknologiselskapet Cognite utviklet en løsning som til dels automatiserer arbeidet med å se og finne brudd i strømkabler på oljeplattformene. Ved hjelp av maskinlæring gjør de automatiske analyser av videoopptak for å identifisere hvor det er en strømkabel, og hvorvidt det er noe synlig galt med kabelen.

enerWE har blitt invitert til Cognite’s hovedkontor på Fornebu for å høre mer om løsningen. Der blir vi først møtt av John Markus Lervik. Han er gründer og administrerende direktør i Cognite, og er trolig mest kjent som FAST-gründeren som konkurrerte med Google på søkemarkedet.

Han forteller ivrig om hvor viktig det er å samle inn store datamengder, og hvordan selv enkle kameraer er i ferd med å bli en slags universalsensor i seg selv. Dette er mulig fordi det videokameraet fanger opp kan tolkes av algoritmer, og dermed kan det brukes til å avlese det som ses for så å lagre informasjonen i et strukturert dataformat.

– Det holder med et helt vanlig kamera, sier Lervik. 

Selv kameraet på en mobiltelefon er godt nok, og så kan videoopptaket analyseres og prosesseres i bakkant. Det åpner opp for spennende muligheter, samt økt sikkerhet på plattformene.

Videoopptak

– Et menneske er 100 prosent nøyaktig når du viser ham bildene, men ikke når han bare går rundt på plattformen, sier Stein Danielsen, medgründer og Chief Solution Officer i Cognite.

Ved å analysere videoopptak gjennom bruk av maskinlæringsteknikker kan man med denne løsningen se på et hvilket som helst opptak og fange opp hvis noe er galt. Det gjør at man også kan fange opp slike problemer selv når de ansatte egentlig jobber med noe annet.

– Vi vil gjøre opptak av disse videoene også når de jobber med andre oppgaver. Vi vil at de skal ha på seg et kamera som gjør videoopptak hele tiden, sier Danielsen, sier Danielsen.

Tanken er at man etterhvert kan utruste arbeiderne ute på oljeplattformene med kameraer festet på hjelmene slik at de automatisk fanger opp det de ser mens de går rundt og jobber.

Her er det ikke kvaliteten på kameraet som er utfordringen, men selve kameraets utforming. For det første må det sikres mot eksplosjonsfare, og for det andre må kameraet tilpasses hjelmene og hørselsvernet som brukes. Dessuten må det ha en batteriløsning som er god nok, og hele må fungere sømløst nok til at det ikke kommer i veien for arbeideren. Det kan bli en større utfordring som det kan ta litt tid å komme i mål med.

Ung og lovende utvikler

Løsningen er utviklet av det unge talentet Cim Stordal. Han er bare 20 år gammel, og jobber som software engineer hos Cognite samtidig som han gjør ferdig sin bachelorgrad ved NTNU på Gjøvik.

Han forklarer at han har utviklet løsningen med utgangspunkt i eksisterende bilder av strømkabler, og så har han manipulert bildene med fiktive feil.

– Vi fant ikke et eneste bilde av en ødelagt kabel som vi kunne bruke, sier Stordal.

Selv uten ekte bilder av ødelagte kabler, har løsningen fungert overraskende godt når den ble testet i praksis. Forutsetningen er selvsagt at feilene er synlige, og løsningen begrenser seg da også til å finne feil på kabler der de står litt utsatt til.

– Problemet er der folk tråkker på kablene, ikke der de henger trygt innpakket, sier Stordal.

Det kan for eksempel være at de er montert et sted der noen tråkker på de.

Stordal forteller videre at de i starten slet litt med å skille mellom ødelagte kabler og kabler som bare vare skitne, men at det nå er løst etterhvert som maskinlæringsmodellen er oppdatert med mer nøyaktige algoritmer og flere bilder.

Et vanlig problem med denne form for maskinlæring, er at det er vanskelig å vite hvordan løsningen faktisk kom frem til hva som er en ødelagt kabel og hva som er en fullt ut virkende kabel. Dette har imidlertid Stordal og Cognite klart å håndtere ved hjelp av en attention-mekanisme.

– Du kan se modellen, og hvordan den predikerer. Den viser hvor problemet er, sier Stordal.

Normalt er kravet at hele plattformen skal inspiseres minst hver 12. måned. Det blir det ikke slutt på med denne løsningen. Den kommer i tillegg, og vil sørge for at problemene kan fantes opp mye tidligere.

Flere bruksområder

I dagens løsning ligger fokuset på strømkabler, men det er lett å se for seg flere anvendelser av løsningen.

– Rustinspeksjon er også et område med stort potensiale, sier Danielsen.

Han trekker også frem at automatisert videoovervåkning kan brukes til å sjekke om det er folk på steder de ikke bør være hvis det oppstår en farlig situasjon.

– Hvis du ikke kan gjøre rede for alle må du sende inn et redningsteam, sier Danielsen.

Han poengterer at dette ikke behøver å bety at man må overvåke hvor alle til enhver tid er. Det holder fint å avklare hvorvidt det befinner seg mennesker på et farlig sted i en farlig situasjon.

Trygve karper, Stein Danielsen, Que Tran og Cim Stordal i Cognite jobber for å gjøre oljeplattformene tryggere vedhjelp av maskinlæring.