Machine Learning

Keine Angst vor Machine Learning-Tools

Seite: 2/2

Firmen zum Thema

2. Zustandsbasierte Überwachung (CBM)

Die zuverlässige Datenerfassung und -aufbereitung ist die Grundlage für das Condition Based Monitoring (CBM). Dabei wird der Zustand einer Anlage permanent während des Betriebs mit Hilfe von Sensoren überwacht. Deuten die gesammelten Daten auf einen Leistungsabfall oder ein baldigen Ausfall hin, schlagen die CBM-Systeme Alarm. In der Realität ändert sich der Anlagenzustand jedoch laufend und ist u. a. abhängig von der Betriebsleistung einzelner Assets, Qualitätsschwankungen von Rohmaterialien, Wetterbedingungen, Zeitvorgaben bei der Produktion sowie Bedarfsänderungen.

Zudem konzentriert sich die zustandsbasierte Überwachung lediglich auf das Betriebsverhalten einzelner Anlagen-Assets und kann so nur einen Teil der tatsächlichen Probleme erfassen, die zu Leistungsverlusten und Störungen führen. Prozessbedingte Vorgänge, die für die Mehrheit von Ausfällen verantwortlich sind, lassen sich nicht erkennen. Auch hier sind smarte APM-Lösungen gefragt, die eine umfassende Überwachung aller Anlagenzustände sowie der Zustände vor- und nachgelagerter Prozesse ermöglichen.

Bildergalerie

3. Historie des Arbeitsmanagements

Die Dokumentation von bisher durchgeführten Methoden und Verfahren ermöglicht es Betreibern, frühere Lösungsansätze einzusehen und so Störungen zu vermeiden oder entsprechende Remediation-Maßnahmen einzuleiten. Das Identifizieren eines Problems, seine Codierung sowie Standardkonzepte zur Problembehebung bilden eine wichtige Ausgangsbasis, um die Fehlerstelle innerhalb des Lebenszyklus eines Anlagen-Assets genau bestimmen zu können.

OEM-Daten aus Big-Data-Lösungen erlauben darüber hinaus Einblick in Prozessprobleme sowie in Ausreißer, die bei der Konfiguration und der technischen Auslegung des Anlagenprozesses auftreten. Diese Daten sind enorm wichtig und sollten in modernen APM-Lösungen berücksichtigt werden. Sie tragen wesentlich dazu bei, exakte Vorhersagen über Produktionsabfälle und Beeinträchtigungen zu treffen.

4. Predictive und Prescriptive Analytics

Statistische Modelle, für deren Berechnung zunächst zu erwartende Messwerte und anschließend eventuelle Abweichungen zu den Istwerten herangezogen werden, liefern in der Regel nur fehlerbehaftete und falsche Ergebnisse. Sinnvoller ist es auf eine Inline- und Echtzeit-Analyse zu vertrauen, die Verhaltensmuster von Prozessanlagen und Maschinen sowohl bei Normalbetrieb als auch bei Störungen erfasst. Hier setzt Predictive Analytics an, die sich auf eine Vielzahl von Daten stützt, um zukünftige Ereignisse vorherzusagen.

Richtig eingesetzt liefert Predictive Analytics ein exaktes Abbild der Anlagenlebensdauer und -zuverlässigkeit und erkennt die grundlegende Ursache von Störungen frühzeitig, anstatt die Schäden lediglich im Nachhinein zu melden. Die sorgfältige mehrdimensionale und zeitliche Analyse von Verhaltensmustern liefert den Betreibern exakte und wichtige Vorlaufzeiten. Dadurch bleibt genügend Zeit, um Entscheidungen zu treffen, Instandhaltungsmaßnahmen zu bestimmen und Vorbereitungen zu treffen, um beispielsweise die Reparaturdauer zu verkürzen oder die Folgen eventueller Stillstandszeiten abzufangen.

Neben Predictive Analytics, zur Erstellung von Prognosen, bieten neue APM-Lösungen zudem Prescriptive Analytics. Es geht nicht mehr nur darum, Störungen oder Ausfälle vorherzusagen, sondern Verfahren und Maßnahmen zu identifizieren, um diese zu verhindern. Prescriptive Analytics basiert auf einer grundlegenden Ursachenanalysen (Root Cause Analytics, RCA) und stellt Betreibern umfassende Informationen und Handlungsempfehlungen zur Verfügung, um sie bei der Entscheidungsfindung zu unterstützen.

Beide Verfahren – Predictive wie Prescriptive – erlauben es, die Zuverlässigkeit des Anlagenlebenszyklus besser zu bestimmen. Betreiber können auf diese Weise den passenden Zeitpunkt abpassen, um die Produktion der Anlage zu maximieren ohne sie dabei Risiken auszusetzen. Zudem lassen sich die Echtzeitanalysen als Ausgangsbasis für die Planung von Instandhaltungsmaßnahmen und zur Anlagenoptimierung nutzen. Schließlich unterstützt die ganzheitliche Abbildung der Anlagen- und Standortkapazitäten auch die Geschäftsführung bei der Erarbeitung von Risikoanalysen und Prognosen.

5. Pool- und Fleet-Analyse

Auf der nächsten Analytics-Stufe lassen sich Muster, die bei einem einzelnen Anlagen-Asset festgestellt wurden, auf einen Anlagenpool oder eine Reihe von Anlagen übertragen. Damit wird automatisch die Sicherheit über mehrere Assets erhöht und ein einheitlicher Abschaltschutz wirksam. Die Lösung lässt sich dabei nicht nur auf die komplette Anlage, sondern auch auf mehrere Standorte und sogar auf den gesamten Konzern anwenden. Indem die Informationen aus lokalen Systemen unterschiedlicher Standorte in ein größeres Modell zusammengeführt werden, sind auch Vergleiche möglich, um standortübergreifend Bereiche mit einem Verbesserungspotential zu identifizieren.

Unterm Strich bieten smarte APM-Lösungen mit Machine Learning Technologien also zwei wesentliche Vorteile: Anlagenbetreiber können Probleme nicht nur schneller identifizieren, sondern auch schneller Entscheidungen bezüglich der Behebung der Probleme treffen. Zeit ist der Dreh- und Angelpunkt beim Asset Performance Management. In der Prozessindustrie, in der die Unternehmen unter einem enormen wirtschaftlichen Druck stehen, kann dieser Zeitgewinn wesentlich zu einer besseren Anlagenperformance beitragen – und damit zu einem nachhaltigen Wachstum.

* Der Autor ist Business Consulting Director bei AspenTech

(ID:45497244)