CPG 发生压缩资产故障，导致服务中断，并有可能引起客户不满。

施耐德电气位于法国的勒沃德勒伊工厂被世界经济论坛公认为世界九大最先进的“灯塔”工厂之一，大规模应用了第四次工业革命技术。它在制造过程中的关键机器上遇到机器健康和计划外停机问题。他们正在寻找一种能够轻松利用现有机器数据源、机器操作员无需复杂设置或大量培训即可使用且投资回报快的解决方案。

一家大型建筑骨料厂运行 10 台大马力二级破碎机驱动电机和相关传送带，每小时生产 600 吨产品。所有重型设备都需要维护，但在必要的维护是计划外和计划外的任何时候，总生产商的成本都会大大增加。产品必须在紧迫的时间内供应给客户，以履行合同、避免处罚并防止未来业务的损失。此外，其中一个驱动电机的突然故障会导致岩石堆积在不需要的位置，从而延长停机时间并增加成本。显然，预防性维护比意外故障更可取。因此，该公司每年两次聘请外部供应商在电机上安装传感器、进行振动研究、测量轴承温度并尝试评估电机的健康状况。但这还不够。意外的故障继续发生。骨料生产商决定升级到基于状态的监控 (CBM) 传感器系统，该系统可以持续实时监控电机，应用数据分析来检测电机行为的变化，然后再发展为重大问题，并通过电子邮件或文本提醒维护人员，他们碰巧在哪里。有线传感器网络成本过高。聚合工厂有许多重型车辆在移动，因此必须保护任何电缆。但该工厂占地 400 英亩，电缆必须挖沟到许多地方。电缆无法正常工作。骨料生产商需要无线解决方案。

鉴于油价长期低迷，世界上最大的勘探和生产公司之一正在尽可能精简运营。因此，操作参数没有得到有效监控，机器中的设备故障也没有被注意到。

预测由于结垢导致的热交换器的循环结束 (EOC) 是炼油厂面临的一个持续挑战。主动预测何时需要清洁换热器可以实现基于风险的维护计划和优化处理速率、运营成本和维护成本。在使用 Seeq 之前，工程师必须在电子表格中手动合并数据条目，并在必要时（例如设备停止服务时）花费数小时/天来格式化和过滤内容或删除不相关的数据。

如果活动现场的卡车出现泵故障，贝克休斯必须立即更换卡车以确保连续运行。向每个站点发送备用卡车会使公司损失数千万美元的收入，如果这些卡车在另一个站点积极使用，这些卡车可能会产生这些收入。无法准确预测阀门和泵何时需要维护是其他成本的基础。过于频繁的维护会浪费精力，并导致零件在仍然可用时被更换，而过于不频繁的维护可能会损坏泵而无法修复。

在整个春末、夏季和初秋的几个月中，多机组发电厂没有计划外停电，这在德克萨斯州炎热的天气中具有挑战性。这几个月的意外停电可能意味着必须以现货市场价格购买替代电力，而这可能会在停电期间飙升。了解电厂设备过载的时间和时间是运营策略的重要组成部分。操作员需要准确估计电机驱动泵和风扇的负载水平以确定操作限制。

扩大风电商业化涉及的问题2015 年，全球可再生能源设施的容量超过了燃煤发电。*1 为了创建低碳社会，日本于 2012 年 7 月实施了可再生能源上网电价计划，刺激了太阳能和风力发电场的建设。 2016年，电力零售业务全面放开，越来越多的公司计划进入发电领域或扩大业务。在这些市场条件下，需要针对日本的环境条件进行优化的风力涡轮机的开发、设计、制造和销售。考虑进入风电领域的公用事业公司也在精简维护和其他此类业务运营方面寻求帮助。

为了提高效率、开发新服务并在整个组织中传播数字文化，Enel 正在执行企业范围的数字化战略。实现财富 100 强公司目标的核心是大规模部署 C3 AI 套件和应用程序。 Enel 运营着世界上最大的企业物联网系统，在意大利和西班牙拥有 2000 万个智能电表。

Waterford Township 面临着大量 DPW 员工退休的问题，其中一些员工拥有超过 3 年的水和废水知识。该公司开始寻找一种解决方案，该解决方案希望从其 SCADA 系统到其 CMMS 和 DMS 的实时操作数据，以便在定义的工作流程程序中满足条件时自动创建标准操作程序和工作指令。该项目的一个关键方面是使操作程序标准化，并采用一种格式，使可能不熟悉该系统的现场工作人员可以遵循必要的步骤来纠正问题。

冷凝冷却水 (CCW) 泵是维持稳态运行的关键泵之一，它是一种卧式叶片泵，运行速度高达 1650 m3/hr，排放压力为 9 MPa (62 psi)，转速为 986 rpm。该泵每天离线都会使工厂损失 250,000 美元的收入，并且每次故障都要花费数万美元来执行计划外的维修。因此，Larsen & Toubro (L&T) 确实需要一种预测性维护解决方案来及早发现故障并提供可靠的剩余使用寿命 (RUL) 预测

为了配合其为期 6 年的智能电表推出计划，Con Edison 寻求在综合企业数据分析平台之上实施高级计量基础设施 (AMI) 运营，以提高其超过 400 万客户的运营洞察力和客户服务.为了改善整个地区的客户服务和运营，美国最大的集成公用事业公司之一在 AWS 上推出了 C3 AI Suite 和 C3 AMI Operations 应用程序。 Con Edison 的项目目标是兑现公用事业公司提供客户数据的承诺，在 500 万个智能电表上建立 AMI 运营以确保运营健康，并为分析能力构建联合数据图像平台。该公用事业公司的智能电表部署每年将产生 100 TB 到 1 PB 的数据，因此选择一个可以扩展并继续对越来越大的数据集执行分析的平台至关重要。

为了提取页岩油和天然气，使用专用设备通过称为水力压裂（或“压裂”）的过程来压裂岩石。为了有效地做到这一点，用户必须知道他们的设备何时需要维护。如果设备在井中停止工作，则会因停机和物流损失数百万美元。此外，我们的客户，一家大型油田设备公司，需要一种方法让他们的产品脱颖而出。他们想通过提供石油和天然气软件解决方案来实现这一目标，但不知道如何在云中开发和交付软件。

运营水轮机的公用事业公司在执行定期维护以防止意外故障方面具有既得利益。大多数维护都是在计划的基础上进行的，如果需要，资产会离线、检查和主动维修。水轮机机组非常可靠，这意味着很少有计划外停机的例子。然而，这些故障对他们的运营商来说是非常昂贵的。鉴于运营商对计划外停机时间的敏感性，许多运营商已经为涡轮机和发电机配备了传感器和平台，以实时收集有价值的性能信息。但是由于历史上的水电故障很少可以比较，丰富的流数据和基于传统统计的分析在预测真正的故障事件方面并不是很准确。事实上，他们经常通过良性误报使监控团队超载而产生更多问题，从而导致不必要的停机时间进行评估。这就引出了一个问题：人工智能能否帮助维护团队从数据中提取更多价值？

挑战在于收集和筛选这些数据，识别表明资产故障可能性很高的模式，识别最紧迫的问题，并为工程师提供正确的信息，并有足够的准备时间让他们采取有效的行动。 “以前，我们只使用了我们收集的运营数据的 10% 到 12%，这是行业平均水平，”Benn 评论道。 “当我们搜索、整理并将正确的信息转发给正确的人时，我们可能响应太晚以避免影响运营，或者不得不在最后一刻更改我们的维护计划，这会降低效率。我们的挑战是主动提供及时、可操作、有效的信息，而不是被动或回顾性评估。” “我们想要的是一种识别传感器数据模式的方法，这将为我们提供资产故障的早期预警。我们看到了使用分析技术从我们已经拥有的系统和数据中提取更大价值的机会，这将帮助我们避免例如可预防的故障并可能节省数百万美元。

Sean Simon 是 CIG Logistics 的运营高级副总裁，负责为石油和天然气行业的第三方转运和储存沙子。在研究 CMMS 解决方案之前，他的团队花了三年时间尝试使用基于纸质的系统来管理他们的维护操作，这给他们留下了无法收集或访问数据的主要问题。 “没有办法开采纸张。没有每日摘要，无法将评论或关键词联系在一起。”因此，试图跟踪和安排预防性维护几乎是不可能的。 “这就像在 1950 年代拥有一辆汽车。你必须试着记住你上次做某事的时间，并猜测未来需要做的维护”。

2015 年末，一台已部署的燃气轮机出现两排叶片故障，这对压缩机造成了巨大的二次损坏，导致近两个月的停机时间和高达 3000 万美元的维修成本和机会损失。这种失败虽然很少见，但代表了很难捕捉到的典型灾难性事件。尽管现场工厂运营团队一直在监控资产，但这种特定的故障模式以前是未知的且非常细微，现有的警报没有足够的信息让中小企业及时正确诊断。 OEM 决定评估 SparkCognition 的预测分析解决方案 SparkPredict®，其目标如下： 1. 展示根据涡轮机提供的盲数据检测和区分运行和异常在线稳态条件的能力。 2. 提供有关导致潜在异常的关键因素的更多见解。 3. 提供一个与资产中的实时流数据接口的 UI。

夏威夷的一家大型电力公司正在寻求对其设备平衡 (BOP) 发电资产进行更频繁的状态监测。他们在预定的季度周游状态监测路线之间经历了重大的设备故障。

2016 年，Arizona Public Service (APS) 决定进入加州 ISO (CAISO) 市场，这使得他们可以向加州市场出售电力。他们的关键资产之一是位于凤凰城外 50 英里处的 420 兆瓦无人调峰电厂圣丹斯。进入 CA 能源市场意味着工厂的启动时间增加了两倍，运行时间几乎立即增加了一倍。他们开始寻找无线预测性维护 (PdM) 系统，因为运行时间通常是没有人在现场，这意味着传统形式的 PdM 是不可能的。通常情况下，专家会收集设备的振动和其他状态数据，但必须在操作过程中获取，并且很难将人员派往现场。 “可靠性是我们最关心的问题，”设备可靠性工程主管 Don Lamontagne 评论道。 “如果我们无法在需要时发电，我们将面临巨大的潜在收入损失以及罚款。”

在资本密集型石油和天然气行业，企业严重依赖部署在恶劣环境条件下的昂贵资产。从海上的一个钻井点到沙漠中的一个中间站，长线沿线每个点的动态环境条件都会影响沿线部署的资产的性能。用于支持这些关键任务资产的系统还必须高度可靠、响应迅速且安全。一家运营长输天然气管道的公司在管道的整体效率方面遇到了许多挑战，从次优使用到自然资源浪费。即使使用最佳设备和设置，运行条件中的各种变量以及管道覆盖的绝对距离也使业务运营变得困难。在这种情况下，管道沿线有 22 个注入站，在非常不同的条件下以不同的效率运行。这使得很难确定这些注入站的相互依赖的有效性，尽管每个注入站的各种参数都有大量数据集。即使是单个故障实例也可能使公司损失数十万美元的收入以及必须进行的任何额外维修费用。该公司每年在每英里管道上花费 500 万美元进行纠正性维护。除此之外，由于未交付材料造成的收入损失估计为 2.5 亿美元。随着能源价格的下跌，收入的损失直接降低了公司的底线。随着时间的流逝和收入的下降，建立完善的效率提升模型成为当务之急。