Умная платформа

План доклада:

1. Искусственный интеллект в нефтепромышленности.
2. Опыт «Лукойла».
2.1. Правильно подобранная команда и создание фундамента для
командной работы.
2.2. Сбор данных – задача долгая и трудоемкая.
2.3. Полигон с историей.
2.4. Универсальных решений не существует.
2.5. Управлять изменениями еще важнее, чем думается.

1.ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В НЕФТЕПРОМЫШЛЕННОСТИ
Промысловая платформа – это сложная и дорогая конструкция. Отказы
оборудования приводят к остановке всего процесса добычи, а это выливается
в убытки, нередко исчисляющиеся десятками миллионов долларов в год.
Поэтому, с точки зрения оператора, техническое обслуживание по
состоянию, то есть возможность выявить и предотвратить проблему до того,
как она произойдет, – настоящий подарок. Однако это лишь малая часть тех
преимуществ, которые предлагает искусственный интеллект (ИИ).
ИИ открывает возможности оптимизации сразу по двум направлениям:
- во-первых, техническое обслуживание выполняется не слишком рано,
как это бывает, когда компания строго следует рекомендованным
регламентам поставщика, составленным на основе усредненных, а не

2

фактических условий эксплуатации, и не слишком поздно – когда ремонты
уже обходятся слишком дорого и отнимают слишком много времени;
- во-вторых, у компании появляется возможность выжать из своей
инфраструктуры в буквальном смысле все до последней капли. 
Все это выглядит очень привлекательно. Так почему же тогда
подобные решения на базе ИИ до сих не установлены на всех нефтяных
платформах – да что там, на всех сложных производственных активах?
Если коротко: потому что это сложная задача. Использование ИИ для
поддержки, повышения эффективности и оптимизации производственных
процессов требует больших вложений – не только финансовых, но и в плане
необходимого сотрудничества и трудозатрат. Готовые алгоритмы не
подходят. Нужны кастомизированные решения, а список задач, которые
необходимо выполнить, занимает не одну страницу. 

2. ОПЫТ «ЛУКОЙЛА» 
Однако в «Лукойле» решили, что два столь серьезных преимущества
ИИ просто нельзя упустить. Был запущен проект по созданию «умной
платформы» – нефтедобывающего комплекса, где самообучающиеся
системы обработки данных будут выявлять и предсказывать отклонения в
работе оборудования: сейчас, через полчаса и через много дней.
Сегодня проект «Лукойла» Digital ASTRA не просто опытный образец,
а полностью функциональный продукт, развернутый и работающий на
реальной нефтяной платформе в Каспийском море. 
Разработка проекта началась в 2018, а запуск системы состоялся в 2019
году. Главная задача данного продукта - создание модели, способной по
информации, поступающей с оборудования в режиме реального времени,
определять его техническое состояние и предсказать возможные поломки
узлов и отказы в ближайшем будущем.
Для обучения модели в стадии разработки использованы данные с
морской ледостойкой стационарной платформы, которая ведет добычу на

3

месторождении имени Юрия Корчагина с 2010 года, за время эксплуатации
которой накоплены терабайты информации, полученной с датчиков
оборудования и зафиксировавшей, в частности, ряд технологических
сложностей.
По оценкам экспертов, прогноз оптимизации затрат при
использовании технологий предиктивной аналитики составляет 15-20%
численности штата ремонтных бригад и уменьшения времени простоя
оборудования во время ремонтов.
На основе опыта работы этого проекта сделаны важные выводы,
которые будут освещены в подпунктах.

2.1. ПРАВИЛЬНО ПОДОБРАННАЯ КОМАНДА И СОЗДАНИЕ
ФУНДАМЕНТА ДЛЯ КОМАНДНОЙ РАБОТЫ
Настроить алгоритмы для нефтяной платформы, да и для любого
другого сложного производственного комплекса, – задача для большой
команды. 
Разработчики должны разобраться в процессах и ознакомиться с
оборудованием на площадке. Им нужен доступ к массивам данных с активов,
куда посторонних обычно не пускают. 
Они должны одинаково хорошо понимать и разговаривать и «по-
инженерному», и «на менеджерском», так как им придется иметь дело и с
операторами, и с руководством. Причем выполнять все эти задачи нужно
будет одновременно и не мешая штатной работе. 
Здесь потребуется уникальная и весьма разношерстная команда, – ведь
нужны будут технические знания, доверие и репутация среди представителей
отрасли, превосходные навыки проектного управления. 
Чтобы вести проект ИИ на своей нефтяной платформе, партнером
ЛУКОЙЛ стал ALMA Services Company — стар-тап, основанный выходцами
из нефтегазовой отрасли, у которого уже был опыт сотрудничества с
крупными компаниями. ALMA Services Company была задумана как

4

интеграционная площадка для сложных ИT-проектов в нефтегазовой
отрасли. В реализации проекта партнерами ALMA Services стала
консалтинговая компания BCG, причем особая роль отводилась
специалистам BCG Gamma (подразделение, специально созданное для
ведения ИИ-проектов). Дополнительно к проекту привлекли специалистов
Инжинирингового центра МФТИ по трудно извлекаемым полезным
ископаемым, а также нескольких отраслевых экспертов — людей,
профессионально разбирающихся в динамическом оборудовании и
разработке нефтегазовых месторождений. Всего в команде собрались 15
специалистов с самыми разными компетенциями.
Распределение ролей в команде разработчиков была следующей:
ALMA Services Company взяла на себя формулирование задачи в
целом, обоснование ее актуальности в компании ЛУКОЙЛ и взаимодействие
с производственными подразделениями нефтяной компании.
BCG Gamma занималась сбором, обработкой и анализом больших
данных и разработкой и обучением моделей предсказания поломок
оборудования на основе алгоритмов машинного обучения.
Cпециалисты из Инжинирингового центра МФТИ разрабатывали софт
и ИТ-архитектуру. Они же занимались интеграцией интеллектуального софта
Digital ASTRA c сервером заказчика, на который поступают данные с
платформы.
Дизайном пользовательского интерфейса, вопросами доступности и
удобства системы для пользователя озаботились соответствующие
специалисты — UI/UX дизайнеры из BCG. Чтобы взаимодействие с системой
было максимально комфортным, они продумывали интерфейс Digital ASTRA
в мельчайших деталях, проводили множество интервью с будущими
пользователями.
Консультанты BCG взяли на себя проработку общего подхода,
проанализировали технологические процессы и провели серию интервью,
чтобы выявить самые насущные потребности операторов платформы.

5

Консультанты занимались общей координацией процессов в команде,
направляя ее деятельность в общее русло и обеспечивая непрерывное
взаимодействие с заказчиком.
Отраслевые эксперты — люди, профессионально разбирающиеся в
вопросах нефтедобычи, геологии нефтяных месторождений, в тонкостях
эксплуатации и обслуживания нефтегазового оборудования,
консультировали прочих членов команды.

2.2. СБОР ДАННЫХ – ЗАДАЧА ДОЛГАЯ И ТРУДОЕМКАЯ
Срезать путь не получится. Успех или провал подобного проекта
целиком зависит от алгоритмов. Модели «Лукойла» должны были
диагностировать состояние оборудования в реальном времени и
предсказывать, как оно изменится в недалеком будущем. 
Чтобы построить такую модель, исходные алгоритмы необходимо
обучать. А это значит анализировать большие объемы данных за прошлые
периоды (показывающих, как менялось состояние оборудования с течением
времени), увязывать их с предыдущими отказами и ремонтами, а также
выявлять паттерны, свидетельствующие о том, что оборудование работает в
штатном режиме (система, которая «знает», что считать штатной работой,
может выявить самое незначительное отклонение и предупредить оператора
о возможной неполадке). 

2.3. ПОЛИГОН С ИСТОРИЕЙ
В качестве «опытного полигона» были использованы данные с морской
ледостойкой стационарной платформы, которая ведет добычу на
месторождении имени Юрия Корчагина. Она функционирует с 2010 года и за
время ее эксплуатации были накоплены терабайты информации, полученной
с датчиков оборудования и зафиксировавшей, в частности, ряд
технологических сложностей. Эти данные были использованы для обучения
и тестирования моделей искусственного интеллекта, для выработки

6

основных гипотез по оптимизации техобслуживания и предотвращению
внеплановых остановок.
Данные с платформы на месторождении имени Юрия Корчагина были
получены весной 2018 года, и команда сразу приступила к их анализу. В
июле первые результаты показали заказчику. В ЛУКОЙЛ оценили объемы
недобора нефти из-за технических неполадок и неоптимального режима.
Появилось понимание того, что их можно снизить с помощью «подсказок» от
ИИ.
Ознакомившись с итогами первой фазы проекта, заказчик предложил
внедрять систему на другой, сравнительно молодой платформе, которая
ведет добычу на месторождении имени Владимира Филановского. Эта
платформа была введена в эксплуатацию в октябре 2016 года, а на проектную
мощность вышла во втором квартале 2018-го. С сентября 2018 года команда
приступила к работе на платформе месторождения имени Владимира
Филановского. Через три месяца команда разработала пробную версию и
поставила ее на сервер заказчика. Это был рабочий прототип, который
позволял анализировать поступающие данные и в тестовом режиме за 15—45
минут предупреждать оператора о возможных отклонениях — ситуациях,
когда показатели могут выйти за пределы нормативных.

2.4. УНИВЕРСАЛЬНЫХ РЕШЕНИЙ НЕ СУЩЕСТВУЕТ
Одна из особенностей разработанной для «Лукойла» системы ИИ
заключается в том, что с ней работают разные группы пользователей с
разными потребностями:
- операторы, в частности, могут увидеть краткосрочный прогноз по
состоянию оборудования, которым они управляют, и при необходимости
быстро перейти к конкретному датчику;
- специалистам по ТОиР интересен более долгосрочный прогноз,
который позволяет им оптимизировать графики техобслуживания;

7

- управленческому персоналу нужна возможность осуществлять
мониторинг и получать справки о состоянии платформы в целом. 
Смысл в том, чтобы каждая целевая группа пользователей получает
нужную ей информацию в наиболее удобном формате. Именно поэтому
дизайнеры пользовательского опыта и интерфейсов должны быть в команде с
самого первого дня. Они будут изучать предпочтения и поведение
пользователей и затем тестировать и корректировать дизайн в соответствии с
ними.

2.5. УПРАВЛЯТЬ ИЗМЕНЕНИЯМИ ЕЩЕ ВАЖНЕЕ, ЧЕМ
ДУМАЕТСЯ
Почему же готовые стандартные решения не подходят? Дело не только
в том, что необходимы в высшей степени кастомизированные системы, но
еще и в том, что эти системы нужно постоянно поддерживать – их нельзя
просто установить и забыть. 
ИИ должен учиться постоянно: например, капремонт какой-то одной
единицы оборудования изменит паттерн штатной работы всей системы. Это
значит, что компаниям нужно создавать у себя в организации новые роли и
наращивать новые компетенции, особенно в области исследования данных. 
Также необходимо сделать так, чтобы решением пользовались на всех
уровнях. 

В заключении, хотелось бы подвести итог, что внедрение систем
искусственного интеллекта — шаг к тому, чтобы передать компьютеру
сокровенные знания, уменьшить число людей, которые в тяжелейших
условиях трудятся на нефтяных платформах, и создать условия для появления
полностью безлюдных автоматических нефтяных платформ.