Artikel Neue Software zur Überwachung „nicht intelligenter“ Anlagenteile – Teil 1

Der Begriff „Plant Asset Management" (PAM) ist seit über zehn Jahren in aller Munde. Dennoch bleibt das Thema aufgrund seiner Vielschichtigkeit häufig abstrakt und kaum zu fassen. Im Unterschied zum Asset Management fokussiert das PAM auf die längste und kostenintensivste Phase des Anlagen-Lebenszyklus, die Betriebsphase. Betrachtet werden alle technischen Produktionsmittel einer modernen Anlage: vom Feldgerät, über die Automatisierungsausrüstung, Apparate, Maschinen bis hin zur Überwachung ganzer Anlagenteile bzw. Teilanlagen als eigenständige Objekte. Dabei verfolgt PAM drei wesentliche Ziele [1]:

• die Overall Equipment Effectivness  (z.B. Verfügbarkeit, Performance, Produktqualität) zu steigern sowie die Total Cost of Ownership zu senken,
• die Instandhaltungs- bzw. Betriebskosten (z.B. Energieverbrauch) zu reduzieren,
• das Anlage- bzw. Umlaufvermögen zu reduzieren (z.B. Einsparung redundanter Geräte).

Um diese Ziele zu erreichen,  kommt der Bewertung der Asset-Gesundheit eine Schlüsselrolle zu. Somit ist es für den Nutzer einer Überwachungslösung von entscheidender Bedeutung, rechtzeitig und kontextrichtig informiert zu werden. Das nachfolgend beschriebene Software-Tool ist konzeptionell derart angelegt, dass es diese Aufgabe unter Nutzung der Informationen aus der bereits vorhandenen Feldinstrumentierung erfüllen kann. Dabei geht es im Kern darum, Prozessparameter-Informationen intelligent zu verknüpfen, um auf diese Weise frühzeitig neue Erkenntnisse über den Status eines Anlagenteils und sich anbahnende Verschlechterungen zu gewinnen.  
Das Prinzip der intelligenten Auswertung von zunächst unzusammenhängend erscheinenden Daten kennt man bereits aus anderen Feldern. So setzt beispielsweise in Großbritannien und den USA schon heute eine wachsende Zahl von Städten zur Kriminalitätsbekämpfung auf Prognose-Software („predicitve analytics software") zur Mustererkennung. Dazu kombiniert z.B. ein von der Firma IBM entwickelter Algorithmus Daten aus bisherigen Straftaten mit Wetterberichten, ökonomischen Indikatoren und Informationen über öffentliche Ereignisse wie Konzerte oder auch Zahltage. Tatsächlich konnten durch präventive Maßnahmen - Polizeibehörden zufolge - die Zahl der Straftaten um bis zu 30 Prozent reduziert werden.
Derartige Beispiele belegen das immense Potenzial, welches sich aus dem Berücksichtigen von kontextbezogenen Informationen ergibt. Ganz konkret bedeutet dies etwa für die Überwachung eines Wärmeübertragers, die über die Betrachtung des Wärmedurchgangskoeffizienten (k-Wert) hinausgeht, dass nicht nur Prozessparameter wie Temperaturen und Massenströme relevant sind, sondern auch noch weitere Informationen aus der Peripherie des Wärmeübertragers, wie etwa die aus dem Bereich einer angeschlossenenen Pumpe. Auf diese Weise wird ein zu überwachender  Wärmeübertrager nicht mehr nur als isoliertes Asset, sondern als integrierter Bestandteil eines Anlagenteils bzw. einer Teilanlage begriffen. In Folge 2 in CT 12 wird ein entsprechendes Praxisbeispiel dazu ausgeführt. Die rechnergestützte und damit echtzeitfähige Verarbeitung von Statusinformationen unterschiedlichster Quellen wird damit zum Ausgangspunkt vielfältiger und unterschiedlicher, für den Geschäftserfolg wesentlicher Unternehmensentscheidungen.

Viele Komponenten noch ohne
Überwachungslösung
Statusinformationen auf der Ebene der Feldgeräte (Sensoren und Aktoren) sind aufgrund der inzwischen weit verbreiteten sogenannten „intelligenten Feldgeräte" (Feldgeräte mit einem gewissen Grad an Eigendiagnose) und der Feldbussysteme in vielen Fällen bereits vorhanden. Häufig werden solche Statusinformationen allerdings nicht genutzt, da kein Verdichtungsprozess stattfindet, mit dem auf die entscheidenden Aspekte fokussiert wird und der wichtige Informationen zeitnah den richtigen Personengruppen (Anlagenfahrer, Instandhalter usw.) zuführt.
Für rotierende Apparate wie Pumpen, Zentrifugen oder Motoren, aber auch für Ventile sind individuelle Überwachungslösungen auf dem Markt. Auch hier müssen die Datenströme an das PAM angebunden und die Informationen verdichtet werden.
Anders ist die Situation im Bereich vieler weiterer, nicht mit einer Eigendiagnose ausgerüsteter Anlagenkomponenten, etwa Kesseln und Rohrleitungen, Wärmeübertragern und Destillationskolonnen. Hier stehen zwar ebenfalls eine Vielzahl von Daten, Mess- und auch Stellgrößen prinzipiell zur Verfügung. Diese Daten werden dem Prozessleitsystem (PLS) zugeleitet bzw. von diesem ermittelt und sind in der Regel auch archiviert verfügbar. Eine automatisierte Verdichtung solcher Daten zu Zustandsinformationen und deren Korrelation mit dem aktuellen Betriebszustand der Anlage findet allerdings in der Regel nicht statt. Sie ist allenfalls eine empirische Leistung besonders erfahrener Anlagenfahrer, die einige wenige Parameter intuitiv bewerten und daraus Rückschlüsse auf den Gesamtzustand der Anlage bzw. des Prozesses ableiten.
Genau an dieser Stelle setzt das neue Softwarewerkzeug PUMon an, das gemeinsam von Bayer Technology Services und dem Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung (IOSB) entwickelt wurde [2].

Statusinformationen für Anlagenteile
Die Softwarelösung für das Überwachen von Anlagenteilen  beruht auf einem eigenen Algorithmus, der zuvor bereits erfolgreich im Rahmen eines Diagnosekonzepts für feldbusbasierte Automatisierungsanlagen genutzt worden ist [3]. Nach einer vorgeschalteten Lernphase kann die Monitoring-Lösung ohne vorausgegangene Gesamtanalyse der Anlage eingesetzt werden. Basis dafür ist ein neuronales Netz, dem zur automatischen Modellerstellung vom Anwender ausgewählte Lern- oder Referenzdatensätze zugeführt werden. Das Netz erlernt auf diese Weise das Zusammenspiel voneinander abhängiger Prozessvariablen. Dies funktioniert unabhängig vom spezifischen physikalischen bzw. chemischen Geschehen in der überwachten Process Unit. Der Process-Unit-Monitor ist damit ohne spezifische Adaptation an eine bestimmte Prozessumgebung gleichermaßen geeignet, um z. B. den Status eines Wärmeübertragers, eines Rührkesselreaktors oder einer Destillationskolonne zu ermitteln. In dieser Hinsicht unterscheidet sich das Überwachungswerkzeug von modellbasierten Ansätzen. Diese müssen jeweils fallspezifisch generiert werden [4], was einen höheren Erstellungsaufwand bedingt und ein detailliertes Prozessverständnis erfordert. Solche Modelle erlauben dann zwar eine recht zuverlässige Extrapolation, liefern allerdings in der Regel ebenfalls nur qualitativ richtige Ergebnisse.
Der Process-Unit-Monitor zeichnet sich dadurch aus, dass nicht jeder einzelne Prozesswert auf das Einhalten eines jeweils für ihn gültigen Wertebereichs hin überprüft wird. Vielmehr korreliert das System beliebige Parametersätze und erfasst auf diese Weise das Zusammenspiel der einzelnen Komponenten der zu überwachenden Unit. Es erlernt und überprüft dabei deren Abhängigkeiten und leitet daraus summarische Statusaussagen ab, etwa im Sinne eines Ampelschemas, bei dem zwischen Gutzustand („grün"), sich abzeichnendem Handlungsbedarf („gelb") und Fehlfunktion („rot") unterschieden wird. Die Korrelation mit den Ampelphasen nimmt das System dabei letztlich interpolierend vor.

Implementierung und Handhabung
Der Process-Unit-Monitor kann unter allen aktuellen Windows-Betriebssystemen auf einem etwas leistungsfähigeren handelsüblichen PC installiert werden. Die Prozessanbindung erfolgt über eine OPC-Schnittstelle. Optional steht eine SQL-Schnittstelle für die Datenakquise zu Verfügung. Die Bedienung der Software ist einfach. Der Prozessexperte selektiert auf Basis historischer Prozessdaten (Ist-, Stell-, und Sollwerte) mittels Prozessdaten-Selektor Lerndatendatenabschnitte, in denen die zu überwachende Process Unit den Anforderungen entsprechend betrieben wurde. Die so definierten Informationen dienen als Referenz für die datengetriebene Modellerstellung. Damit nutzt die Software für die Überwachungsaufgabe gezielt gleich zwei in den Betrieben bereits vorhandene Potenziale, um die Anlagenassets bestmöglich zu betreiben: zum einen das detaillierte Wissen der Prozessexperten über den optimalen Prozess (meist durch Fokussierung auf einige wenige Schlüsselparameter) und zum anderen die in den Prozessdaten verborgenden Informationen über den optimalen Betriebszustand der Produktionsmittel.
Über die eigentliche Kernfunktionalität des Process-Unit-Monitors hinaus lassen sich weiterhin bestimmte Prozessvariable als Schlüsselparameter definieren. Mit ihnen können gezielt ganz bestimmte Fahrzustände (Produkte, Lasten, Qualitäten) mit ein und demselben Modell überwacht werden. Für den Anwender bedeutet dies, dass sich die ohnehin überschaubaren Wartungsaufwände nochmals reduzieren. Ferner führen nicht trainierte Anlagenzustände automatisch zur Deaktivierung der Überwachung. Auch die Empfindlichkeit der Ampel lässt sich individuell einstellen. Auf diese Weise lassen sich Fehlalarme vermeiden, und die Akzeptanz der Überwachungslösung bleibt bei den potenziellen Nutzern langfristig gewährleistet.
Die Monitoring-Lösung stellt für jede überwachte Process Unit einen aggregierten Statuswert in Form einer Ampel zur Verfügung. Via OPC-Schnittstelle können die einzelnen Ampeln auf den Bedienbildern des PLS visualisiert werden. Bei „gelb" oder „rot" werden dem Nutzer die Prozesswerte nach Kritikalität, d.h. gemäß ihrem Beitrag an der Abweichung vom Referenzverhalten, in Form einer Top-Ten-Darstellung präsentiert. Das Tool kann nicht nur zur Echtzeit­überwachung, sondern auch zur Offline-Analyse verwendet werden. Auf diese Weise können aktuelle oder auch weit zurückliegende Ereignisse noch einmal gezielt analysiert werden. Dabei arbeitet das Offline-Analyse Werkzeug auch parallel zur Echtzeitüberwachung, Unterbrechungen in der Überwachung werden vermieden.
 
In Teil 2 des Beitrags, der in CT 12/2011 erscheinen wird, werden praktische Einsatzbeispiele und Erfahrungen mit der Software vorgestellt.

Entscheider-facts
Für Prozessbetreiber

• Das Überwachungstool PUMon nutzt die in den Betrieben
• bereits vorhandene Instrumentierung zur Überwachung.
• Kein aufwendges Engineering erforderlich. Die Software wird über Standardschnittstellen (OPC) an den Prozess angebunden und stellt Statusinformationen über die gleichen Standardschnittstellen zur Verfügung.
• Keine aufwendige Modellierung notwendig. Die bereits vorhandenen Potenziale, wie die Expertise des Prozessexperten sowie die in den Prozessdaten gespeicherten Informationen werden genutzt. Modelle werden automatisch erstellt.
• Statusinformationen werden sinnvoll aggregiert und pro
• Anlagenteil  bzw. Teilanlage ausgegeben.
• Das Werkzeug kann sowohl zur Online-Überwachung als auch zur Offline-Analyse von Anlagenteilen bzw. Teilanlagen eingesetzt werden.

Anhang
Referenzen/Literaturverzeichnis

[1]  Namur-Empfehlung NE129: Plant Asset Management. 12.10.2009; VDI/VDE-Richtlinie 2651, Blatt 1: Plant Asset Management (PAM) in der Prozessindustrie – Definition, Modell, Aufgabe, Nutzen. Ausgabe 09-2009.

[2]  Hotop, R, Ochs, S; Ross, T.: Überwachung von Anlagenteilen, atp edition, 06/2010
[3] Frey, C. W. : Prozessdiagnose und Monitoring feldbusbasierter Automatisierungs_­anlagen mittels selbstorganisierender Karten und Watershed-Transformation, at-Automatisierungstechnik 56 (2008) Nr. 7, S. 374-380.
[4] Dünnebier, G., v. Felde, M.: Performance Monitoring – Ein entscheidender Beitrag zur Betriebsführung, Chemie Ingenieur Technik 75 (2003) S. 528-533