Neuer Ansatz für Predictive Maintenance in Prozessanlagen

Vorausschauende Wartung ist als eines der ersten Geschäftsmodelle der Industrie 4.0 in aller Munde. Doch bislang erstrecken sich Predictive Maintenance-Maßnahmen in der Prozessindustrie meist auf die Online-Überwachung einzelner Maschinen und Anlagenkomponenten. Die systematische Überwachung ganzer Anlagen für die vorausschauende Wartung erforderte bislang eine aufwendige Modellbildung, die nicht nur aktuelle Betriebsdaten berücksichtigt, sondern auch verfahrenstechnische Zusammenhänge. Wenn überhaupt, wurden solche Aufgabenstellungen in der Vergangenheit durch die Installation zusätzlicher Sensoren und mit speziellen Prognosesystemen gelöst.

Ganze Anlagen vorausschauend warten

Um ganze Anlagen im Sinne von Predictive Maintenance zu erfassen, müssen sehr viele Feldinstrumente, sogenannte Tags, überwacht werden. Durch den Vergleich mit historischen Daten lassen sich so Abweichungen erkennen. Was einfach klingt, ist alles andere als trivial. Denn Abweichungen können auch geplante Stillstände, gewollte Änderungen an der Fahrweise oder am Prozess sein. Und Fehlalarme untergraben in der Praxis die Akzeptanz von Diagnosesystemen.

Chen Linchevski ist CEO von Visual Process. "Unser Ziel ist es, den Anlagenbetreibern wenige, aber umsetzbare Warnmeldungen zu liefern."

Doch wie können Expertenwissen und der verfahrenstechnische Kontext einer Anlage bei der vorausschauenden Wartung berücksichtigt werden? Dazu kombiniert das System Precognize maschinelles Lernen und ein Asset- und Prozessmodell mit Informationen über den Ursache-Wirkungs-Zusammenhang zwischen Variablen. „Maschinelles Lernen“ meint dabei, dass ein KI-System (künstliche Intelligenz) aus Beispielen lernt und diese nach Beendigung der Lernphase verallgemeinern kann. „Unser Ziel ist es, den Anlagenbetreibern wenige, aber umsetzbare Warnmeldungen zu liefern“, sagt Chen Linchevski, CEO von Visual Process: „Denn jedes kleine Problem, das rechtzeitig behoben wird, kann ein großes Problem verhindern, das später auftreten würde.“ Die Kunst besteht darin, Wichtiges von Unwichtigem zu unterscheiden. Kernaufgabe des Systems ist es, normale und abnormale Datenpunkte zu unterscheiden.

Ausgangspunkt dafür ist die Analyse und das maschinelle Lernen aus den Betriebsdaten eines Jahres. So entsteht die sogenannte „baseline“, ein statistisches Modell, auf dessen Grundlage künftig neue Daten in Echtzeit untersucht werden. Ob Änderungen an einem Messwert oder sonstigen Tag normale Abweichungen oder die Folge einer sich ankündigenden Störung sind, erschließt sich in dem multivarianten Modell aus dem Verhältnis zu den Werten anderer Tags. Um Fehlalarme zu vermeiden, nutzt das System ein zweites Modell, das die Erkenntnisse des statistischen Modells als kausale Zusammenhänge darstellt.

Anlage wird ohne Modellierungs-Kenntnisse beschrieben

Über das Drag-and-drop-Interface des Systems können Experten des Betreibers ohne Kenntnisse in Modellierung ihre Anlage beschreiben. Dadurch werden die Zusammenhänge zwischen den Eigenschaften der Anlagenkomponenten und den Prozessvariablen identifiziert und physische Zusammenhänge abgebildet. „Das Betriebsteam hat den größten Einfluss auf die Qualität des Modells“, erklärt Linchevski. Abhängig von der Zahl der Tags einer Anlage erstellt die Software aus den Vorgaben in einigen Tagen bis wenigen Wochen ein komplettes Modell der Anlage. Dieses wird in Graphen umgesetzt. Abnormale Datenpunkte werden per Graphenanalyse verglichen, um zu erkennen, wo die Ursache für ein Problem liegt. Das Ergebnis ist eine in ihrer Relevanz bewertete Abweichung, für die das System eine mögliche Hauptursache nennt und Abhilfemaßnahmen vorschlägt. Und mit jeder erkannten Abweichung wird das System treffsicherer: beispielsweise dann, wenn die Nutzer dieses nachträglich mit den Ursachen für aufgetretene Probleme füttern.

Die Mustererkennung – so die Erkenntnis der Anwender – trägt dazu bei, in der betrieblichen Praxis intensive Diskussionen zu kausalen Zusammenhängen und zum Systemverhalten anzustoßen. Dadurch steigt die Qualität der Diskussion innerhalb der Betreiberteams.

Mustererkennung hilft, teure Havarien zu vermeiden

In der Praxis hat sich das System bereits bewährt: So detektierte die Mustererkennung in einer Gasanlage mit rund 2.500 Sensoren einen leckgeschlagenen Wärmeübertrager, wodurch eine teure Havarie vermieden werden konnte. Grundlage der Problemanalyse ist der Zusammenhang zwischen kleinen Temperaturänderungen an den Zu- und Auslassleitungen und der Stellung von Ventilen. In einer anderen petrochemischen Anlage erkannte das System eine schleichende Verschlechterung des Zustands eines Reaktorventils. Dieses konnte ohne Anlagenstillstand ausgewechselt werden. Ein Ausfall hätte dazu geführt, dass große Mengen des gasförmigen Rohstoffs über eine Fackel hätten entsorgt werden müssen.

„In Anlagen, in denen Precognize implementiert ist, erhalten die Anlagenfahrer frühzeitig Warnungen zu defekten Sensoren, Leckagen und dem Versagen von Anlagenkomponenten“, erklärt Linchevski. In einer gut gewarteten Anlage, so der Experte, werden jeden Monat fünf bis zehn Sensorfehler identifiziert, die sonst unentdeckt bleiben würden. Dazu kommen noch einmal fünf bis zehn Anlagenkomponenten, die bereits ein bis 14 Tage vor ihrem Ausfall erkannt werden. Je nach Anlage lassen sich so zum Teil sehr teure Stillstände vermeiden.

Dem System wird erhebliches Potenzial zugetraut: Im Juni zeichnete das Weltwirtschaftsforum den Anbieter als „Technologiepionier“ aus. In der Begründung heißt es: „Die hoch entwickelten Technologien, die Precognize einsetzt, entstammen Bereichen, die sonst kaum zusammenhängen: maschinengestütztes Lernen, Algorithmen zur Graphenanalyse und konzeptionelle Systementwicklungsverfahren.“

Vom Ventilhersteller zum Anbieter von Prozessintelligenz

Beim Regelventilhersteller Samson bildet das System inzwischen die Grundlage für das eigene prädiktive Überwachungs- und Diagnosesystem SAM Guard. Dieses dient zur vorausschauenden Wartung von mehreren Tausend Ventilen und weiteren Feldgeräten im Betrieb von Prozessanlagen. Im Juni hat Samson Visual Process übernommen, allerdings soll Precognize weiterhin auch unabhängig angeboten werden. „Mit der Übernahme rücken wir unserem Ziel näher, Markt- und Innovationsführer für intelligente, vernetzte Ventiltechnik in der Prozessautomatisierung zu werden“, begründet Dr. Andreas Widl, CEO von Samson, die Übernahme.

Das Überwachungs- und Diagnosesystem ist Teil der Digitalisierungsstrategie des Regelventilherstellers, die dieser in der Produktlinie SAM Digital bündelt. Das Akronym SAM steht dabei für „Samson Asset Management“. Dort will der Hersteller sein Prozessverständnis mit neuen Technologien und Informationen kombinieren und mit den Systemen der Prozessautomation vernetzen. Widl: „Damit unterstreichen wir die Entwicklung von Samson vom reinen Ventil- und Reglerproduzenten hin zu einem Anbieter von Prozessintelligenz“. _^1810ct904