Suchen

Anlagenverfügbarkeit

Höhere Zuverlässigkeit im Anlagenbetrieb durch vorausschauende Wartung

| Autor/ Redakteur: Richard Irwin / Anke Geipel-Kern

Maschinelles Lernen kann die Basis für eine höhere Anlagenverfügbarkeit schaffen. Doch die Implementierung entsprechender Systeme muss gut vorbereitet sein. Erst dann entsteht echter Mehrwert.

Firmen zum Thema

Richard Irwin ist Senior Product Marketer for AssetWise Operational Analytics bei Bentley.
Richard Irwin ist Senior Product Marketer for AssetWise Operational Analytics bei Bentley.
(Bild: Bentley)

Anlagen, die zuverlässig, möglichst rund um die Uhr zur Verfügung stehen, sind der Wunsch jedes Betreibers. Doch wie hoch ist das Ausfallrisiko und welche Aggregate sind besonders anfällig?

Methoden und Strategien, die auf maschinellem Lernen beruhen, sind geeignet, proaktive zustands­orientierte Instandhaltungsprogramme zu entwickeln und frühzeitig vor Anlagenausfällen zu warnen. Maschinelles Lernen ebnet den Weg für intelligentere und schnellere Methoden, um datengesteuerte Entscheidungen zu treffen und vorausschauende Wartung zu ermöglichen.

Aus Daten lernen

Maschinelles Lernen, als Teilgebiet der künstlichen Intelligenz (KI), wird bereits seit Jahrzehnten erforscht, doch die Zahl der KI-Anwendungen in Industrieanlagen und im Infrastrukturbereich wird immer größer und erhöht sich mit großem Tempo weiter. Das liegt an mehreren Faktoren:

  • Es entstehen immer mehr Daten, die aus unterschiedlichsten Quellen stammen.
  • Der Bedarf an prädiktiven und präskriptiven Funktionen, die zur Steuerung der heutigen komplexen Anlagen erforderlich sind, steigt.
  • IoT-Systeme werden immer häufiger eingesetzt.
  • Rechenleistungen sind extrem gestiegen.

Während maschinelles Lernen bisher vor allem in Branchen wie Transport- und Bankwesen eingesetzt wurde (man denke an selbstfahrende Autos bzw. Betrugsüberwachung), gibt es innerhalb des industriellen Sektors viele Einsatzmöglichkeiten für die neue Technologie und die vorausschauende Instandhaltung. Dieser Artikel konzentriert sich auf einige Prinzipien des maschinellen Lernens und die Branchen, die davon profitieren können.

Vorab ist es wichtig, darauf hinzuweisen, dass es viele Optionen und Techniken gibt, um mehr Erkenntnisse zu gewinnen und bessere Entscheidungen im Hinblick auf die Leistung von Anlagen und Betrieben zu treffen. Dabei kommt es darauf an, welches die beste Lösung für eine Betreiber-Anforderung ist und welche Art von Daten verwendet werden. Daten liegen in vielen Formen und Umfängen vor.

Sie können aus Zeitreihen bestehen sowie gekennzeichnet, zufällig, intermittierend, unstrukturiert und vieles mehr sein. Alle Daten enthalten Informationen. Es geht nur darum, den richtigen Ansatz zu wählen, um sie zu entschlüsseln. Hier helfen die Algorithmen des maschinellen Lernens den Entscheidungsträgern.

Die folgenden sechs Fragen sollten vor der Investition in maschinelles Lernen beantwortet werden. Bevor Sie eine Entscheidung treffen, was für Sie und Ihr Unternehmen geeignet ist, ist es wichtig, die Komplexität des maschinellen Lernens zu verstehen. Folgende Überlegungen sollten Nutzer vor der Implementierung von ML-Lösungen anstellen.

Die richtigen Fragen stellen

  • 1. 1. Hinterfragen Sie Ihre Daten: Was müssen Sie wissen, wonach suchen Sie genau? Welche Informationen sollen Ihnen Ihre Daten liefern? Welche Ihrer Erwartungen werden nicht erfüllt?
  • 2. 2. Sind Ihre Daten einwandfrei? – Vergewissern Sie sich, dass Ihre Daten verfügbar, bereit und validiert sind. Je mehr Daten, desto besser und genauer werden die Ergebnisse sein.
  • 3. 3. Liegen Ihnen genügend Daten vor? – Für genaue Vorhersagen benötigt das maschinelle Lernen viele Verlaufsdaten, mit denen das System trainiert werden kann. Dann kann es in Echtzeit auf die Daten angewendet werden.
  • 4. 4. Welche ML-Plattform ist die richtige? – Berücksichtigen Sie bei der Auswahl der ML-Plattform die Interoperabilität.
  • 5. 5. Sollte ich einen Informatiker einstellen und wie erfolgt die Integration in meine Betriebsabläufe? – Beim maschinellen Lernen benötigen Sie möglicherweise einen Informatiker oder Analysten, aber dieser Mitarbeiter sollte nicht isoliert vom Rest Ihres Unternehmens arbeiten.
  • 6. 6. Kann ich die Datenausgabe für andere freigeben? – Das durch maschinelles Lernen erworbene Wissen sollte nicht nur auf jeweils ein Projekt angewendet werden. Dank der Skalierbarkeit kann und sollte es im gesamten Unternehmen integriert werden und Einblicke in jeden datenreichen Bereich liefern. Berücksichtigen Sie bei der Planung, dass Sie das Optimum aus maschinellem Lernen herausholen möchten.

Tieferes Verständnis

Maschinelles Lernen erleichtert das Verständnis komplexer Prozesse und Daten und ist ideal für Asset-intensive Branchen, wie die Prozessindustrie, die über viele Daten verfügt. In dieser Branche ist die Fähigkeit, Maschinenausfälle zu erkennen und ungeplan- te Ausfallzeiten, Reparaturkosten und mögliche Umweltschäden zu vermeiden, entscheidend für den Erfolg.

Deshalb wird in den produzierenden Industrien vorausschauende Instandhaltung einer der Bereiche sein, in denen maschinelles Lernen am besten eingesetzt werden kann. Die vorausschauende Instandhaltung ist die Ausfall- und Prüfstrategie, die Daten und Modelle verwendet, um den Zeitpunkt vorherzusagen, an dem eine Anlage oder eine Maschine ausfallen wird, sodass vorbeugende Korrekturmaßnahmen rechtzeitig geplant werden können.

Dabei wird ein großer Themenbereich abgedeckt, von der Störungsvorhersage, der Fehlerdiagnose bis hin zur Empfehlung von Schadensbegrenzungs- oder Wartungsmaßnahmen nach einer Störung. Die positiven Ergebnisse und die Reduktion von Kosten, Ausfallzeiten und Risiken rechtfertigen die Investition in ML-Technologien.

Welche Chancen die Technologie bietet, sollen einige Beispiele produzierender Industrien und Anlagen-intensiver Branchen illustrieren, die bei der digitalen Transformation führend sind.

Öl und Gas

In der Öl- und Gasindustrie sind der Anlagenzustand ebenso wie die Erschließung von Bohrlöchern, die Bohrstrategie und die anschließende Verarbeitung erfolgskritische Faktoren. Anlagenausfälle und ungeplante Ausfallzeiten, Reparaturkosten und potenzielle Umweltschäden kosten viel Geld und schädigen das Image. Machine-­Learning-Verfahren können durch eine Vorhersage von Maschinenausfällen durch maschinelles Lernen eine wichtige Rolle in der Instandhaltung spielen und rechtfertigen unter Umständen eine Investition in entsprechende Techno- logien.

Die vorausschauende Instandhaltung ist die Ausfall- und Prüfstrategie, die Daten und Modelle verwendet, um vorherzusagen, wann eine Anlage oder eine Maschine ausfallen wird. Auf dieser Basis können Instandhaltungsmaßnahmen rechtzeitig geplant werden, um Betriebsunterbrechungen auf ein Mindestmaß zu begrenzen. Bei der Kombination aus maschinellem Lernen und Wartungsanwendungen, die IIoT-­Daten nutzen, um genauere Schätzungen von Maschinenausfällen zu liefern, sind die Vielzahl der positiven Ergebnisse und die Reduzierung von Ausfallzeiten und den damit verbundenen Kosten die Investition wert.

Energieversorgung

Energieversorgungsunternehmen klagen über veraltete Anlagen, steigenden Energiebedarf und höhere Kosten. Daher ist die Fähigkeit, Maschinenausfälle zu erkennen und ungeplante Ausfallzeiten, Reparaturkosten und potenzielle Umweltschäden zu vermeiden, in allen Geschäftsbereichen erfolgskritisch.

Maschinelles Lernen erweitert das intelligente Stromnetz, um die Nutzung des IoT zu verbessern und Erkenntnisse aus dem IoT zu gewinnen, und zwar mit einer enormen Anzahl von vernetzten Ressourcen, die über ein großes Netzwerk verteilt sind. Transformatoren, Strommasten, Kabel, Turbinen, Speichereinheiten und mehr – das Potenzial für Maschinenausfälle ist hoch und nicht ohne Risiko, sodass die Vorhersage von Ausfällen mit Daten und Modellen die neue Antwort ist, um den reibungslosen Betrieb des Netzes sicherzustellen.

* Der Autor ist Senior Product Marketer for AssetWise Operational Analytics.Kontakt zu Bentley Gemany: Tel. +49-800-181-8565

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de (ID: 45997839)