Die Reise geht weiter: Asset Performance Management 2.0 verknüpft Informationen aus unterschiedlichen Systemen und ermöglicht einen Blick aus der Instandhaltungs-, Anlagen- und Prozessperspektive.

Bild: iStock, MarsYu

Data Science und maschinelles Lernen Nächster Halt APM 2.0

06.03.2019

Auch in der Prozessindustrie gelten Machine Learning und Predictive Maintenance zu den technologischen Hoffnungsträgern. Ziel ist es, Betriebsstörungen zu erkennen, noch ehe sie auftreten und damit die Anlagenperformance weiter zu optimieren. Neue Lösungen für das Asset Performance Management (APM) stellen dabei eine proaktive und vorausschauende Planung sicher.

20 Milliarden US-Dollar – so hoch ist nach Einschätzung der ARC Advisory Group der Verlust der in der Prozessindustrie jährlich durch ungeplante Ausfallzeiten entsteht. Gängige Instandhaltungspraktiken können das Problem nicht lösen, da rund 82 Prozent aller Störungen prozessbedingt auftreten.

Die Mehrzahl der Schäden und Ausfälle sind damit nicht mehr auf normal bedingten Verschleiß beziehungsweise Abnutzung zurückzuführen oder werden durch einen Betrieb hervorgerufen, der jenseits regulärer Sicherheits- und Auslegungsgrenzen liegt. Vielmehr weisen die Maschinen- und Anlagenausfälle ein zufälliges Ausfallmuster auf und werden durch prozessbedingte Faktoren verursacht – unabhängig davon, wie oft die Betreiber Wartungsmaßnahmen oder Inspektionen durchführen. Die Beispiele reichen von einer Kavitation bei Pumpen, dem Flüssigkeitseintrag in Kompressoren bis zum Trockenlaufen von Pumpen und verschmutzter Rohstoffe.

Im Klartext heißt das: Wer auf gängige Wartungs- und Instandhaltungsmethoden setzt, deckt gerade einmal 20 Prozent der Ausfälle ab. Bei den Ursachen für die häufigsten Störungsszenarien tappen die Anlagenbetreiber jedoch im Dunkeln. Auch über Reliability-Centered-Maintenance (RCM) lassen sich mechanische Assets in Prozessanlagen realistisch gesehen nur zu 15 bis 20 Prozent überwachen. Für eine solche risikobasierte Strategie ist der Arbeits- und Zeitaufwand jedoch zu hoch.

Vorausschauende Instandhaltung in Destillationskolonnen

Bei der Instandhaltung geht es daher längst nicht mehr nur um das Vermeiden von Ausfällen. Neue Asset-Performance-Management-Strategien (APM-Strategien) richten den Blick in die Zukunft, nutzen historische sowie Echtzeit-Daten und binden Analytik und Machine-Learning-Techniken ein. Damit wird eine vorausschauende Instandhaltung möglich, die mögliche Störungen vorhersagt und damit Zuverlässigkeit, Performance und Betriebslaufzeit von Assets weiter in die Höhe schraubt. Betreiber gewinnen völlig neue Einblicke in die Leistungsfähigkeit ihrer Anlage – angefangen beim allgemeinen Zustand einzelner Systeme über deren Wechselwirkung auf die gesamte Anlage bis hin zu prozessbedingten Abläufen innerhalb der Assets.

Destillationskolonnen sind hier ein gutes Beispiel. Immer wieder kann es dort zu Beeinträchtigungen kommen: Steigen die Flüssigkeitsstände in der Kolonne zu stark an und beeinträchtigen den Wirkungsgrad der Trennung, spricht man von Flooding (Überlaufen). Beim Weeping (Leerlaufen) hingegen sinkt der Dampfdruck in der Kolonne auf einen so niedrigen Stand, dass Flüssigkeit die Kolonnenböden passiert und schließlich durch die Löcher in den Böden nach unten „tropft“. Beide Phänomene lassen sich von Betreibern gewöhnlich nicht im Vorfeld ermitteln.

In Olefinanlagen, in denen für den weltweiten Bedarf produziert wird, können derartige Störungen oftmals Verluste von mehreren Millionen Euro jährlich bedeuten. Ein smartes, datengestütztes APM hingegen erlaubt einen tieferen Einblick in den Prozess, sodass die Kolonne optimal ausgeschöpft und möglicherweise näher am tatsächlichen Grenzwert für das Überlaufen betrieben werden kann.

Die richtige Kombination aus Data Science, Analytik und maschinellem Lernen ist die Voraussetzung für solche Vorhersagen. Sie schaffen die Grundlage für eine ganzheitliche Anlagenmodellierung und ermöglichen es, Vorboten beziehungsweise Indikatoren für Ausfälle zu ermitteln und Empfehlungen zur betrieblichen Anpassung eines Assets abzuleiten. Gleichzeitig lässt sich der optimale Zeitpunkt für solche Maßnahmen bestimmen, sodass der Anlagenbetrieb gar nicht oder nur geringfügig gestört werden muss.

Maschinelles Lernen zur Mustererkennung

Maschinelles Lernen nimmt in der Datenanalytik eine Schlüsselfunktion ein: Sensor- und Wartungsdaten werden über längere Zeiträume hinweg gesammelt und mithilfe von Algorithmen eigenständig ausgewertet. Sie erkennen in den Daten Muster, die ohne diese technische Unterstützung nur schwer zu erfassen sind. Die Algorithmen lernen dabei permanent – auf Basis des realen Anlagenverhaltens und unter unterschiedlichen Bedingungen, beispielsweise saisonal, bei Betriebskampagnen oder wechselnden Einschaltzeiten. Einmal erkannte und „erlernte“ Fehlersignaturen in Anlagen und Geräten lassen sich auf andere, ähnliche Maschinen übertragen, um zu verhindern, dass derselbe Fehler erneut auftritt. So lassen sich Tausende von einzelnen Systemen besser schützen beziehungsweise „impfen“.

Maschinelles Lernen bietet Betreibern eine zuverlässige und datengestützte Entscheidungsgrundlage, um anfällige Assets in Anlagen sowie Fehlerursachen zu identifizieren und schließlich zielgerichtet und schnell zu handeln. Das Resultat ist eine ganzheitlich und vollständige Sichtweise und Analyse der zentralen Prozesse in einer Anlage, die zeigt, wie sich der Betrieb eines Assets auf die systemweite Anlagenperformance auswirkt. Die nächste Generation von APM-Lösungen – APM 2.0 – verknüpft darüber hinaus Informationen aus unterschiedlichen Systemen wie MES und EAM und ermöglicht einen Blick aus der Instandhaltungs-, Anlagen- und Prozessperspektive.

Verbesserungspotenziale identifizieren und nutzen

Maschinelles Lernen und Datenanalytik im Rahmen von Asset Performance Management lassen sich jedoch nicht per Knopfdruck realisieren. Die Technologie ist komplex und erfordert Zeit und Aufwand, um sinnvolle und skalierbare Lösungen zu entwickeln. Für den zweckmäßigen Einsatz von APM in Produktionsanlagen sind zudem fachspezifische Kenntnisse der chemischen Prozesse, der mechanischen Anlagen und der Instandhaltungsmethoden gefragt.

Teams sollten zunächst einen genauen und kritischen Blick auf die Performance eines jeden einzelnen Anlagen-Assets werfen und diese mit den definierten Zuverlässigkeitszielen abgleichen. Auf Basis dieser Performance-Review lässt sich feststellen, wo Probleme im Gesamtprozess auftreten und auf welche Ursachen diese zurückzuführen sind. Gemeinsam lassen sich dann entsprechende Lösungen erarbeiten. Dabei gilt es gegenüber individuellen Ansätzen, neuen Ideen offen zu bleiben und der oft langjährigen Expertise der Ingenieure zu vertrauen. Denn Datenanalytik und smarte Technologien sind nur dann von echtem Nutzen, wenn sie den Ausgangspunkt für intelligente und mutige Entscheidungen bilden.

Ein Großteil zögert noch

In den meisten Fällen steckt die vorausschauende Instandhaltung daher auch noch in den Anfängen und wird mehr diskutiert als anlagenübergreifend implementiert. Eine Befragung von 74 Unternehmen aus den Bereichen Maschinenbau, Chemie/Pharma und Automotive ergab, dass sich zwar 84 Prozent mit dem Thema vorausschauende Instandhaltung beschäftigen. Nur jedes vierte Unternehmen kann jedoch auf ein tatsächlich durchgeführtes Projekt verweisen oder plant ein solches in naher Zukunft.

Wer jedoch zögert, in Richtung APM 2.0 aufzubrechen, riskiert es, den Anschluss zu verlieren und langfristig an Wettbewerbsfähigkeit einzubüßen. Die Technologien rund um Datenanalytik sind zumindest so weit ausgereift und verfügbar, um den digitalen Sprung in der Prozessindustrie zu wagen.

Bildergalerie

  • Machine Learning: Einmal erkannte Fehlersignaturen werden anlagenübergreifend angewendet.

    Bild: AspenTech

  • Eine ganzheitliche Sichtweise ist wichtig, um Performance und Betriebslaufzeit von Assets in der gesamten Anlage zu optimieren.

    Bild: AspenTech

Firmen zu diesem Artikel
Verwandte Artikel