Betriebsbewährtheit von Feldgeräten Datenanalyse mit System: Wie KI und Text Mining das Leben von Feldgeräten verlängern

Anbieter zum Thema

Haus der Technik e.V.

Werkzeugmaschinenlabor WZL der RWTH Aachen

Aus Fehlern wird man klug – dieses Sprichwort trifft auch auf die Instandhaltung zu. Im Lebenszyklus von PLT-Feldgeräten sammeln sich große Mengen an Fehlermeldungen und -daten an, die kaum systematisch ausgewertet werden. Dabei liegt darin ein großes Potenzial, Feldgeräte sicherer zu machen und die Lebensdauer zu verlängern. Ein Expertenteam untersucht momentan, wie KI und Text Mining-Methoden die Betriebsbewährtheit von PLT-Feldgeräten verbessern können.

Ein Bericht der Kommission für Anlagensicherheit von Juni 2019 belegt: Die Sachverständigen haben bei 56 Prozent aller PLT-Feldgeräteprüfungen im Sinne des §29aBlmSchG bedeutsame Mängel in den betrachteten Anlagen festgestellt. Die wesentlichen Schwerpunkte der Mängel lagen in den Bereichen Prüfung, vorbeugender Explosionsschutz und Betriebsorganisation sowie bei der Einstufung von PLT-Einrichtung nach gültigem Regelwerk, der Ausführung von PLT-Einrichtungen sowie bei Wartungs- und Reparaturarbeiten.

Besonders bei der Einstufung von PLT-Einrichtungen zeigte sich zwischen 2017 und 2019 ein deutlicher Mängelanstieg, den die Behörde auf die unvollständige Auslegung nach DIN EN 61511 (Funktionale Sicherheit) zurückführte [1]. Der Unfall im Chempark Leverkusen im Juli 2021 zeugt von den potenziellen Auswirkungen fehlerhafter Sicherheitseinrichtungen [2].

Bildergalerie

Die DIN EN 61511 wird in der VDE 2180 sowie den Namur-Empfehlungen NE95 und NE130 spezifiziert. Eine Namur-Studie ergab eine Durchfallquote von über 21 Prozent der Geräte durch die Typprüfung nach NE95 [3]. Verglichen mit Fehlerraten anderer Industriebranchen, in denen mehr als 99,99 Prozent der Teile in Ordnung sein müssen, um als sichere und qualitativ hochwertige Produkte zu gelten, liegt die Grenze bei der Einstufung von PLT-Einrichtungen sehr niedrig.

Die Auslegung der eingesetzten Geräte gemäß NE95 ist jedoch Grundlage für das Verfahren zur Betriebsbewährtheit gemäß NE130. Um die Geräte dennoch in Sicherheitseinrichtungen einsetzen zu können, sind alternative Nachweise zu führen, dass die Komponente für den Einsatz in einem sicherheitstechnischen System geeignet ist. Besonders bei älteren Sicherheitseinrichtungen, welche auf dem Bestandsschutz nach NE126 beruhen, ist dies aufgrund der Dokumentationslage (z.B. fehlende Betriebsanleitung) sowie Soft- und Hardwareänderungen problematisch.

Die NE126 zeigt auf, dass PLT-Sicherheitseinrichtungen bei der Überarbeitung des Stands der Technik, d.h. einer Novellierung der Normen und technischen Regeln, nicht neu betrachtet werden müssen, wenn sie in Übereinstimmung mit den bisher gültigen Regelwerken geplant, errichtet und betrieben werden. Durch die vollständige Dokumentation kann die Eignung der Einrichtung für die gewünschte Schutzaufgabe nachgewiesen werden. Die Vollständigkeit der Dokumentation ist dabei notwendig und nicht zu substituieren. Abbildung 1 zeigt die aktuelle Problemstellung auf Basis des Stands der Technik sowie von Studien auf.

Betriebsbewährtheit wird zunehmend relevanter

Historisch betrachtet liegt der Schwerpunkt des Sicherheitslebenszyklus von PLT-Feldeinrichtungen auf dem Design der PLT-Feldgeräte nach DIN EN 61508. Dabei wurden vor allem die für SIL relevanten PFD-, HFT- und SFF-Werte betrachtet. Diese beschreiben die Wahrscheinlichkeit einer Fehlfunktion im Anforderungsfall (Propability Failure on Demand), die verkraftbare Fehlertoleranz (Hardware Fault Tolerance) sowie den Anteil der ungefährlichen Ausfälle eines Systems (Safe Failure Fraction).

In den letzten Jahren ist jedoch auch der eigentliche Prozess, bspw. Dokumentationen und Abläufe, der PLT-Feldeinrichtungen näher in den Fokus gerückt. Damit erhöht sich ebenso die Relevanz, Betriebserfahrungen näher zu betrachten und die Betriebsbewährtheit gemäß NE130 nachzuweisen. Dabei ist zweierlei wichtig: PLT-Geräte müssen frei von systematischen Fehlern sein und zufällige Fehler quantifiziert werden.

Dazu werden, neben der betriebseigenen Erfassungen, gerätespezifische Zuverlässigkeitsdaten zentral in der Namur-Smart-Datenbank erfasst. Das Ziel ist die Erfassung möglichst vieler typenbezogener Daten in unterschiedlichen Einsatzbedingungen und die daraus folgende Nutzung von Synergieeffekten [4].

Auch wenn die Voraussetzung einer SIL-Berechnung gegeben sind, wird im Rahmen der DIN VDE 2180 Blatt 3 die Betriebsbewährtheit der betrachteten Gerätekombination gefordert. Dies gilt außerdem bei der Verwendung von Standardwerten aus der Namur-Datenbank. Ebenso bei präzisieren Berechnungen mit eigenen Erfahrungswerten müssen die Geräte (-kombinationen) betriebsbewährt sein.

Im Fokus: Schürfen dezentraler Datenvorkommen

Um Zuverlässigkeitsdaten aus prozessualer Sicht zentral auswerten zu können, ist es notwendig, genügend Datenquellen zur Verfügung zu haben, aus denen Wissen extrahiert werden kann. Die Kombination aus hoher Lebensdauer der PLT-Geräte sowie gesetzlicher Vorgaben bietet hinsichtlich der Dokumentationspflicht im Rahmen des Betriebes eine große Menge heterogener Daten, die messstellenbezogen erfasst werden (müssten).

Hierzu zählen zum einen eine Vielzahl von Prüfberichten, die i.d.R. in unterschiedlicher Beschaffenheit vorliegen. Zum anderen existieren eine Menge Wartungsmeldungen aus ERP-Systemen, die betriebsspezifisch oftmals in Freitextform verfasst sind. Bei einer nicht unüblichen Stückzahl von mehreren tausend Geräten pro Anlage sammelt somit ein erhebliches Datenpotenzial an, welches die zentralen Statistiken durch individuelle Erkenntnisse anreichern kann.

Expertenwissen aus Freitexten

„Das Ventil Y120 funktioniert nicht“; „Das Ventil Y120 hakt beim Schließvorgang“ oder „Y120 defekt“ – vergleichbare Fehlerkommentare mit gleichem Inhalt, jedoch unterschiedlicher Beschreibung finden sich in diversen Wartungsdokumenten. Diese Fehlerinformationen werden aktuell nur zur Behebung einzelner Fehler genutzt, jedoch nicht zur ganzheitlichen Auswertung oder Verknüpfung der verschiedenen Fehlerinformationen miteinander.

Dadurch gehen Synergieeffekte verloren und relevante Zusammenhänge werden zwischen auftretenden Fehlern nicht erkannt. Einer der Gründe hierfür ist die fehlende Kompetenz vieler Unternehmen beim Umgang mit der Analyse von Fehlerdaten. Zusätzlich fehlt vielen Unternehmen die Zeit, sich intensiv mit ihren Fehlerdaten auseinander zu setzen [5, 6].

Abhilfe kann hier der Einsatz der KI mit seinen Subdisziplinen Data Mining und Text Mining schaffen, die sich mit der automatisierten Ableitung von nicht offensichtlichem, aber statistisch gestütztem Wissen aus numerischen Daten und Textdaten beschäftigt. Während der Bereich des strukturierten Data Mining mittlerweile einen hohen Reifegrad erreicht und von vielen Unternehmen aktiv ausgeführt wird, ist der Bereich des Text Mining erst vor wenigen Jahren entstanden. Dennoch hat der Einsatz von Text Mining-Technologien in letzter Zeit stetig zugenommen [7].

Neben den sich hieraus ergebenden Chancen steht die Technologie ebenso vor entscheidenden Herausforderungen, auch in Bezug auf die Analyse von qualitätsrelevanten reaktiven Textdaten [8]. Zum einen ist die Aufgabe, Informationen über Produktfehler in großen Mengen unstrukturierter Texte zu entdecken und zu quantifizieren, aktuell noch nicht trivial. Zum anderen ist es, aufgrund der fehlenden direkten Beziehung zwischen verschiedenen Dokumenten, zurzeit noch schwierig, diese einheitlich in heterogene Formate zu überführen, um bekannte Analysemethoden anzuwenden. Zusätzlich stellt die Mehrdeutigkeit der natürlichen Sprache sowie falsch geschriebene oder unbekannte Wörtern in Freitexten ein andauerndes Problem dar [7].

Fehlerinformationen mit erklärbarer KI analysieren

Um diesen Herausforderungen gerecht zu werden, haben sich Experten aus verschiedenen Bereichen zusammengetan und erforschen, wie der Einsatz von KI eine höhere Sicherheit und längere Lebensdauer von PLT-Feldgeräten gewährleisten kann. Die Führungsrolle nimmt hierbei die „TUEG Schillings GmbH“, die sich seit über 30 Jahren mit den Themengebieten Anlagensicherheit, Arbeitssicherheit und Betriebsbewährtheit auseinandersetzt. Unterstützt wird die Tueg dabei von der PRS Technologie GmbH und der „Sprungwerk GmbH“, die sich u.a. mit der KI-gestützten Extraktion von Informationen aus strukturierten und unstrukturierten Daten sowie der Programmierung von Softwarelösungen beschäftigen. Wissenschaftlich unterstützt werden die genannten Unternehmen dabei vom Deutschen Forschungszentrum für Künstliche Intelligenz (DFKI) sowie dem Werkzeugmaschinenlabor WZL der RWTH Aachen University. Die gewonnenen Forschungsergebnisse sollen abschließend durch die „Dekra Digital GmbH“ als Vertreter einer zugelassenen Überwachungsstelle geprüft und in die praktische Anwendung deutscher Anlagenbetreiber überführt werden. Durch diese Zusammenarbeit sollen Datenpotenziale erschlossen und nutzbar gemacht werden, um präzise verifizierbare Aussagen hinsichtlich der individuellen Betriebsbewährtheit von Geräten zu treffen.

Notwendige Voraussetzung für die Anwendbarkeit von KI-Lösungen bei der Betriebsbewährtheit ist eine ausreichend hohe Datenqualität der Fehlerinformationen in den zuvor genannten Dokumenten. Dabei setzt sich die Datenqualität aus den verschiedenen Dimensionen der Verfügbarkeit, Korrektheit, Relevanz, Vollständigkeit, Aktualität, Konsistenz und Verständlichkeit zusammen [9]. Eine geringe Datenqualität kann im Zuge einer entsprechenden Datenvorverarbeitung verbessert werden. Besonders im Falle unvollständiger, aber strukturierter Daten, besteht die Möglichkeit diese mit Data Enrichment anzureichern und zu vervollständigen.

Wissensgraphen verknüpfen Informationen

Ist eine ausreichend hohe Datenqualität gewährleistet, kann mit der Datenanalyse begonnen werden. Durch den Einsatz sogenannter Wissensgraphen, lassen sich die heterogenen Informationen innerhalb der Prüfdokumentationen miteinander verknüpfen und analysieren. Wissensgraphen sind strukturierte Repositorien, die Wissen in Form von Tripeln [Subjekt, Prädikat, Objekt] enthalten.

Buchtipp KI

Wie KMU künstliche Intelligenz einsetzen können

Mithilfe verschiedener Methoden, z.B. aus dem Bereich des Deep Learnings, können Einbettungen in die Wissensgraphen aus strukturierten und unstrukturierten Daten erlernt und somit verschiedene Informationen aus mehreren Dokumenten miteinander in Beziehung gesetzt werden [10]. Erklärbare KI sorgt anschließend dafür, dass dem Anwender verständlich erläutert wird, wie die KI-Modelle gearbeitet haben, um die Glaubwürdigkeit der Ergebnisse zu steigern. Es werden dafür verschiedene KI-Methoden in die zuvor erstellen Wissensgraphen integriert und exploriert [11].

Mithilfe einer KI-gestützten Betriebsbewährtheit ist es möglich, eine große Menge von Wissen aus verschiedensten Dokumenten automatisiert zu extrahierend und die gewonnenen Erkenntnisse zur Diagnose von Anlagerisiken zu nutzen, um eine Empfehlung hinsichtlich der Betriebsbewährtheit der Anlage geben zu können. Durch den erklärbaren KI-Ansatz kann die gesetzlich vorgeschriebene Abnahme der Anlage durch eine zugelassene Überwachungsstelle (ZÜS) ermöglicht werden.

Hierdurch sparen Unternehmen vor allem Zeit bei der Beurteilung der Betriebsbewährtheit und sorgen für qualitativ hochwertigere Ergebnisse. Abbildung 2 fasst die wesentlichen Schritte zur Erforschung und Entwicklung zur KI-gestützten Beurteilung der Betriebsbewährtheit zusammen. Neben den bereits genannten Schritten und Methoden zur Verknüpfung strukturierter und unstrukturierter Daten sowie zur Analyse der Daten mittels Wissensgraphen und erklärbarer KI, soll die Bewertung anhand eines modellbasierten Dashboards in Form einer Softwarelösung erstellt werden. Das Dashboard ist als graphische Unterstützungshilfe für die Darstellung der Analyseergebnisse zur Beurteilung der Betriebsbewährtheit gedacht.

Vision: Merkmale erkennen und verknüpfen

Da KI auch die Verknüpfung von Merkmalen ermöglicht können sich neben der Betriebsbewährtheit weitere Vorteile ergeben:

• Ein besonderer und unter wirtschaftlichen Aspekten interessanter Faktor ist die Verlängerung der Gebrauchsdauer von PLT-Feldgeräten gemäß NE131 auf Basis vollständiger Daten. Durch die Verwendung und Analyse einer Vielzahl von Eingangsinformationen besteht die Möglichkeit, die Störungsraten bzw. Alterserscheinungen in der Ausfallverteilung (Badewannenkurve) auf der Zeitachse aus einem späteren Zeitpunkt zu verschieben.

• Andererseits lassen sich Wartungsarbeiten mithilfe der gewonnenen Analyseergebnisse besser in die Produktionsplanung implementieren und erst dann durchführen, wenn sie wirklich notwendig sind.

• Auch eine Verlängerung von Prüfzyklen ist in diesem Kontext möglich, ebenso wie eine Reduktion, der eingangs genannten Fehlerrate von 21 Prozent.

Quellen:

[1] Kommission für Anlagensicherheit (KAS), „Bericht des Ausschusses Erfahrungsberichte - Auswertung der Erfahrungsberichte über Prüfungen der Sachverständigen im Sinne von §29aBImSchG und Veranstaltungen zum Meinungs- und Erfahrungsaustausch im Jahr 2019“ KAS-56, BMU, September 2021

[2] Westdeutscher Rundfunk Köln, „Ermittlungsverfahren nach Explosion im Chempark Leverkusen“, (19.10.2021) https://www1.wdr.de/nachrichten/rheinland/chempark-explosion-leverkusen-ermittlung-durchsuchung-100.html, Zuletzt aufgerufen am 14.01.2022

[3] T. Scherwietes, „Typprüfung – aktuell wie nie“, NAMUR Interessengemeinschaft Automatisierungstechnik der Prozessindustrie e.V., Leverkusen, November 2015

[4] D. Hablawetz, „NAMUR Stördatenerfassung im Spiegel der neuen IEC 61511“, VDE/DKE Tagung, März 2017

[5] M. Ruessmann et al., „Performance measurement of the complaint and failure management process“, Quality Management Journal, Jg. 27, Nr. 1, S. 2-20, 2020

[6] S. Beckschulte, R. Günther, L. Huebser, R. H. Schmitt, „Mit Predictive Quality in die Zukunft sehen“, Zeitschrift für wirtschaftlichen Fabrikbetrieb, Jg. 115, Nr. 10, S. 715-718, 2020

[7] H. Hassani et al., „Text Mining in Big Data Analytics”, Big Data and Cognitive Computing, Jg. 4, Nr. 1, S. 1-34, 2020

[8] S. Beckschulte, R. Günther, R. Kiesel, R. H. Schmitt, „Quality Improvement through Data Analysis - Qualification of Failure Management by Standardized Failure Recording in Manual Assembly”, WGP 2021, Springer, Cham, S. 574-582, 2021

[9] S. Papp et al., „Handbuch Data Science: Mit Datenanalyse und Machine Learning Wert aus Daten generieren“, Carl Hanser Verlag, München, 2019

[10] A. Schult, T. Klaeger; S. Carsch, L. Oehm, „Selbstlernende Bedienerassistenzsysteme in Verarbeitungsmaschinen“, VVD 2018 Verarbeitungsmaschinen und Verpackungstechnik, 9. Fachtagung, Dresden, Dezember 2018

[11] N. Mehdiyev et al., „Explainable Artificial Intelligence (XAI) Supporting Public Administration Processes – On the Potential of XAI in TAX Audit Processes”, International Conference on Wirtschaftsinformatik, 16. Fachtagung, Duisburg, März 2021●

* *N. Bennerscheid ist Geschäftsleiter bei der TUEG Schillings GmbH und Gastwissenschaftler am Werkzeugmaschinenlabor (WZL) der RWTH Aachen. S. Beckschulte und K. Wangerow sind wissenschaftliche Mitarbeiter am Werkzeugmaschinenlabor (WZL) der RWTH Aachen; R. H. Schmitt ist Direktor am WZL der RWTH Aachen sowie Mitglied des Direktoriums am Fraunhofer-Institut für Produktionstechnologie (IPT); Kontakt: nbennerscheid@tueg-schillings.de

(ID:47985009)