PENDEKATAN HIERARCHICAL MULTVARIATE TIME SERIES CLASSIFICATION PADA PEMELIHARAAN PREDIKTIF ELECTRICAL SUBMERSIBLE PUMP

• Main Author: Putra Pratama Zainuri, Adam
• Format: Final Project
• Language: Indonesia
• Subjects: Pertambangan dan operasi berkaitan
• Online Access: https://digilib.itb.ac.id/gdl/view/82045
• Institution: Institut Teknologi Bandung

Electrical Submersible Pump (ESP) merupakan salah satu metode pengangkatan buatan yang umum digunakan dalam industri perminyakan. Dalam prosesnya, ESP memerlukan pemantauan rutin. Hal ini bertujuan untuk mencegah hal-hal yang tidak diinginkan selama proses pengangkatan oleh ESP, sebagaimana dijelaskan pada metode Artificial Lift yang umum digunakan dalam industri perminyakan. Seperti metode pengangkatan buatan lainnya, ESP akan mengalami kegagalan pada suatu waktu selama masa pakainya. Sebelum mengalami kegagalan, ESP akan masuk ke dalam kondisi yang disebut sebagai trip. Oleh karena itu, diperlukan suatu proses yang disebut troubleshooting. Fokus dari troubleshooting adalah mengidentifikasi dan menyelesaikan masalah yang menyebabkan trip pada ESP. Proses identifikasi dan penyelesaian ini memerlukan monitoring terhadap ESP dan interpretasi sensor yang dipasang pada ESP. Jika troubleshooting gagal, maka ESP dianggap mengalami Downhole Problem (DHP). Untuk menggantikan desain lama ESP, penyebab utama kegagalan ESP harus diidentifikasi terlebih dahulu. Sebuah proses yang disebut Dismantle Inspection and Failure Analysis (DIFA) dilakukan untuk menyelesaikan masalah ini. DIFA melibatkan proses pembongkaran instalasi ESP dan pengujian bagian ESP. Dibandingkan dengan proses troubleshooting, DIFA adalah proses yang jauh lebih rumit. DIFA membutuhkan banyak waktu dan sumber daya. Sebagai alternatif, penggunaan Machine Learning (ML) bisa menjadi pendekatan yang efektif dan efisien dalam memprediksi berbagai informasi kegagalan dari suatu instalasi ESP dengan membaca dan menginterpretasikan data sensor secara real-time. Hal ini dapat membantu proses troubleshooting serta berpotensi mengurangi jumlah DIFA yang perlu dilakukan. Model ML yang akan digunakan dalam metode ini adalah model klasifikasi yang mampu membaca data sensor secara real-time dan memprediksi berbagai informasi kegagalan mengenai suatu instalasi ESP. Model akan mengklasifikasikan 4 hasil prediksi dari suatu instalasi ESP dengan sistem hierarki, dimulai dari kategori yang luas, yaitu jenis kegagalan, hingga kategori yang lebih spesifik, yaitu bagian kegagalan, bagian kegagalan spesifik, dan deskripsi kegagalan rinci. Proses pengembangan model meliputi pengolahan data, splitting data, normalisasi data, dimensionality reduction, pemilihan model, dan hyperparameter tuning. Dengan menggunakan alur kerja yang sistematis, dibuatlah suatu pipeline ML yang dapat memprediksi berbagai informasi kegagalan suatu instalasi ESP menggunakan data sensor yang diambil 1 minggu sebelum kegagalan terjadi. Metode ini terbukti mampu memprediksi dengan tingkat akurasi yang cukup. Metode ini dapat dianggap sebagai suatu tindakan pencegahan yang berpotensi lebih efektif dari metode konvensional yang sudah ada.