Gesponsert

Künstliche Intelligenz in der Prozessindustrie Wie Sie dank künstlicher Intelligenz Ihre Anlagen optimal betreiben

Gesponsert von

Lesen Sie, wie Sie mithilfe verfügbarer Daten und künstlicher Intelligenz (KI) Ihren Anlagenbetrieb effizienter machen. Lernen Sie ein Tool kennen, das nicht nur in der Lage ist, auf große Datenmengen zuzugreifen, um aktuelle und vergangene Anomalien zu erkennen und zu analysieren, sondern dem Bedienpersonal auch Lösungen aufzeigt, die funktionieren.

Um einen konsistenten und effizienten Betrieb sicherzustellen, können Anlagenbediener heute auf enorme Datenmengen zurückgreifen. Die Kombination dieser Daten mit Deep-Learning-Modellen eröffnet völlig neue Möglichkeiten.
Um einen konsistenten und effizienten Betrieb sicherzustellen, können Anlagenbediener heute auf enorme Datenmengen zurückgreifen. Die Kombination dieser Daten mit Deep-Learning-Modellen eröffnet völlig neue Möglichkeiten.
(Bild: ABB)

In der Prozessindustrie haben Eingriffe des Leitwartenpersonals einen bedeutenden und direkten Einfluss auf Anlagenverfügbarkeit, Produktqualität, Produktionsleistung und Sicherheit, aber auch auf alle anderen Aspekte der Anlagenperformance. Um einen konsistenten und effizienten Betrieb sicherzustellen, können Anlagenbediener heute auf enorme Datenmengen zurückgreifen. Die Kombination dieser Daten mit Deep-Learning-Modellen eröffnet völlig neue Möglichkeiten.

ABB hat dies erkannt und im Jahr 2020 das Augmented-Operator-Projekt gestartet, um das Potenzial dieser Daten zu nutzen und die Fortschritte in der künstlichen Intelligenz für die Prozessindustrie verfügbar zu machen. Ziel war es, alle in einer Anlage verfügbaren Daten – wie technische Dokumente, historische Prozess- und Alarmdaten oder Schichtberichte – durch KI verfügbar zu machen. Der Trainings- und vor allem Entwicklungsaufwand sollte bei der Anwendung auf neue Anlagen dabei überschaubar bleiben.

Künstliche Intelligenz – Herausforderung in der Prozessindustrie

Künstliche Intelligenz (KI) ist ein Teilbereich der Informatik, der versucht, die kognitiven Fähigkeiten des Menschen auf den Computer zu übertragen. Computer sollen nicht mehr für jede Aufgabe speziell programmiert werden, sondern nötiges Wissen und Fähigkeiten selbst erlernen oder aus bestehendem Wissen ableiten können. Traditionell wurde KI als Überbergriff für unterschiedliche Teilfelder betrachtet:

  • Wissen- und Schlussfolgern, z. B. auf Basis von Logiken
  • Problemlösung, z. B. durch Suche
  • Zustands- und Aktionsplanung auf Basis formaler Welt- und Aktionsmodelle
  • Maschinelle Wahrnehmung, wie Bildverarbeitung
  • Sprachverstehen
  • Maschinelles Lernen

Nach Mitchel [Mitchell, T.M.: Machine Learning, McGraw-Hill, 1997] ist ein Computerprogramm fähig zu lernen, wenn es sich mit Bezug auf seine Aufgabe und ein Gütekriterium durch Erfahrung verbessert. Dabei unterscheidet man üblicherweise drei Klassen von Aufgaben:

  • Beim überwachten Lernen lernt das Programm anhand von Daten mit Label. Beispiele sind Regression (das Label nimmt einen Zahlenwert an) und Klassifikation (das Label ist kategorisch). Für überwachtes Lernen sind die Aufgabe und ein Gütekriterium meist sehr einfach zu definieren.
  • Beim selbstverstärkenden Lernen lernt das Programm Aktionen in einer Umgebung auszuführen. Anstatt direkter Labels erhält das Programm eine verzögerte Rückmeldung durch eine Belohnungsfunktion.
  • Beim unüberwachten Lernen lernt das Programm ohne jegliche Art von Label oder Belohnungsfunktionen. Diese Art von Lernen versucht Strukturen in Daten zu finden. Beispiele sind Clustering oder Rule-Mining.

Insbesondere beim Einsatz von tiefen neuronalen Netzen sind die benötigten Datenmenge sehr groß, was den Einsatz in der Prozessindustrie einschränkt. Ein weiteres Problem ist, dass tiefe neuronale Netze Blackbox-Modelle sind – aufgrund der hohen Anzahl von Parametern ist nicht nachvollziehbar, wie das neuronale Netz zu seiner Ausgabe kommt. Dies erschwert die Beurteilung der Ausgabe durch Anlagenfahrer und macht eine Überwachung nahezu unmöglich.

Der Augmented Operator von ABB zeigt, wie KI im Allgemeinen und tiefes maschinelles Lernen im Besonderen trotzdem eingesetzt werden kann, um den Anlagenbetrieb in der Prozessindustrie zu unterstützen.

Der Augmented-Operator-Workflow wurde darauf ausgelegt, mithilfe von KI fünf zentrale Fragen zu beantworten, die sich jedem Anlagenbediener stellen:

  • Gibt es gerade ein Problem?
  • Was ist die Ursache des Problems?
  • Welcher Eingriff sollte erfolgen?
  • Wird der geplante Eingriff funktionieren?
  • Ist eine ähnliche Situation schon einmal aufgetreten?

Im Folgenden wird aufgezeigt, wie der Augmented-Operator-Workflow diese Fragen adressiert.

Bildergalerie
Bildergalerie mit 5 Bildern

Gibt es gerade ein Problem?

Um festzustellen, ob etwas nicht stimmt, nutzt Augmented Operator Deep-Learning-Modelle mit LSTM (Long Short-Term Memory)/rekurrenten neuronalen Netzen (RNN), konvolutionalen neuronalen Netzen (CNN) und Autoencodern, die mit Prozessdaten trainiert werden, um das Bedienpersonal bei der Überwachung zu unterstützen. Diese Modelle benötigen relativ wenige Daten (mehrere Betriebsmonate) und sind vor allem nicht auf eine Kennzeichnung der Daten angewiesen. Sie erkennen Abweichungen – d. h. Signaturen von potenziell unerwünschtem Verhalten im Prozess – so rechtzeitig, dass dem Bedienpersonal genügend Zeit bleibt, einzugreifen und eine Systemabschaltung zu verhindern.

Neben der Vorhersagezeit spielt ein einfacher Zugang zu relevanten Informationen eine entscheidende Rolle. Daher sind die Deep-Learning-Modelle so gestaltet, dass der Kunde sie selbst „bedienen“ kann, d. h. die Eingangssignale der Modelle werden von den Bedienerbildschirmen und der Prozesstopologie abgeleitet. Zudem kann Augmented Operator die Signale hervorheben, die für die betreffende Anomalie verantwortlich sind, um entsprechende Maßnahmen zu ermöglichen.

Die Erkennung von Anomalien in Prozessdaten ist der Anfangspunkt des Augmented-Operator-Workflows. Treten unbekannte Signaturen auf, werden diese von den Modellen als Anomalien erkannt. Entsprechende Informationen über die Anomalie – z. B. wie verhindert werden kann, dass sich die Anomalie zu einem schwerwiegenden Problem entwickelt, oder wie die Auswirkungen auf den Prozess gemindert werden können – werden dem Bediener ebenfalls bereitgestellt und an andere Funktionen von Augmented Operator übermittelt.

Was ist die Ursache des Problems?

Das zweite Modul des Augmented Operator ist die Ursachenanalyse. Diese Funktion empfängt die abnormalen Signale von der Anomaliedetektion und identifiziert die Prozesssignale und Aktoren, die potenziell damit in Verbindung stehen.

Dazu analysiert sie die vorhandenen technischen Dokumente – einschließlich verschiedener Diagramme und des Prozesstopologiemodells – sowie betriebliche Informationen. Außerdem werden aktuelle und historische Ereignis- und Alarmdaten sowie Prozessvariablen verwendet, um den Kontext für ausgelöste Alarme abzuleiten. Das Ergebnis ist eine neuartige, um Kontextinformationen angereicherte Darstellung der Alarme und der erkannten Anomalien, die neben den auf dem Topologiemodell des Prozesses bzw. der Anlage basierenden Abhängigkeiten auch alle dazugehörigen Alarme in chronologischer Reihenfolge zeigt. Solche Merkmale erleichtern dem Bedienpersonal das manuelle Auffinden und das geistige Erfassen der notwendigen Informationen bei der Analyse.

Welcher Eingriff sollte erfolgen?

Anlagenbediener müssen nicht nur potenzielle Probleme aufdecken, sondern auch erkennen, was sie tun können, um Schwierigkeiten zu vermeiden bzw. zu beheben. Da der Augmented Operator aus früheren Bedieneraktionen lernt und dieses Wissen in Workflow-Dokumenten verallgemeinern kann, können die Bediener nun entscheiden, wie sie am besten mit problematischen Situationen umgehen.

Während erfahrene Bediener wahrscheinlich wissen, welche Maßnahmen unter den meisten Umständen erforderlich sind – außer vielleicht in ungewöhnlichen und schwierigen Situationen – können Neulinge selbst Routinesituationen als anstrengend empfinden. Der Augmented Operator unterstützt alle Bediener, ob Experten oder Neulinge, mit Plänen zur Prozessverbesserung aus den Workflow-Dokumenten.

Das Prozessleitsystem zeichnet einen sog. Audit-Trail mit den Interaktionen des Bedieners innerhalb der Anlage auf. Anhand dieses Eingriffsprotokolls lässt sich feststellen, wie die Bediener mit der Anlage interagieren. Der Audit-Trail enthält Hinweise auf das Öffnen und Schließen von Ventilen, Überbrückung von Sicherheitssystemen und Sollwertänderungen. Durch die Analyse des zeitlichen Ablaufs der historischen Aktionen können auch Reaktionszeiten und Wartezeiten zwischen den Aktionen ermittelt werden. Anhand dieser Informationen können mithilfe von Workflow-Mining-Techniken Blaupausenprozesse für verschiedene Anlagensituationen extrahiert werden. Häufige Situationen, die mithilfe dieses Prozesses analysiert werden können, sind Alarmreaktionen und das An- oder Abschalten von Komponenten. was wiederum die Entscheidungsfindung des Bedienpersonals unterstützt.

Bildergalerie
Bildergalerie mit 5 Bildern

Wird der geplante Eingriff funktionieren?

Es reicht jedoch nicht aus, Anlagenbedienern Blaupausen für verschiedene Anlagensituationen vorzugeben, um einen reibungslosen Betrieb in anormalen Situationen zu gewährleisten. Das Bedienpersonal muss davon überzeugt sein, dass ihre Maßnahmen funktionieren. Der Augmented Operator bietet diese Sicherheit. Sobald eine mögliche Vorgehensweise anhand historischer Bedieneraktionen ermittelt wurde, können die Bediener dieses Verfahren mit einem „Was-wäre-wenn“-Tool auf unerwünschte Nebenwirkungen testen. Diese nützliche Funktion ermöglicht es, Aktionen wie Sollwert-Änderungen oder Stellglied-Positionen zu testen, bevor sie im realen System umgesetzt werden.

Bei Prozessen mittlerer Komplexität, wie sie in der Chemie-, Öl- und Gasindustrie anzutreffen sind, erreichen solche Prozesssimulatoren allerdings nur einen Beschleunigungsfaktor vom Fünf- bis Zehnfachen des realen Prozesses. Wenn ein Prozess also rund eine Stunde benötigt, um nach dem Einleiten einer Maßnahme einen stationären Zustand zu erreichen, muss das Bedienpersonal zwischen sechs und zwölf Minuten warten, bevor es reagieren kann. Eine solche Reaktionszeit ist zu lang, um auf interaktive und iterative Weise mehrere alternative Vorgehensweisen zu testen – eine möglicher Nachteil, der in bestimmten Fällen das Risiko erhöhen kann.

Um die Unzulänglichkeiten der auf mechanistischen Modellen basierenden Prozesssimulatoren zu beseitigen, wurden auf maschinellem Lernen basierende Ersatzmodelle für den Augmented-Operator-Workflow entwickelt. Entscheidend hierbei ist die korrekte Abbildung der Prozessübergänge einschließlich solcher Aspekte wie das Über-/Unterschwingen von Alarmgrenzen oder die Zeitspannen, die bis zum Erreichen eines stationären Zustands nach einem Bedienereingriff nötig sind.

Ist eine ähnliche Situation schon einmal aufgetreten?

Der Knowledge Extractor von Augmented Operator bietet eine alternative Möglichkeit, um weitere wertvolle Einblicke in mögliche Anlagenvorfälle zu erhalten und bestimmte Szenarien durch Analyse ähnlicher, in der Vergangenheit bereits aufgetretener Situationen zu untersuchen. Ein Beispiel soll dies veranschaulichen.

Ein Anlagenbediener stellt fest, dass die Sollwerte für den Wasser- und Ölstand in einem Wäscher zu nahe beieinander liegen, was zu starken Wechselwirkungen führt. Der Bediener möchte vielleicht wissen, ob dies schon einmal geschehen ist. Derzeit muss er Schichtprotokolle und historische Prozessdaten durchsuchen, um ähnliche Ereignisse zu vergleichen – ein manuelles und mühsames Unterfangen. Mit dem Knowledge Extractor kann er den Teil des Trenddisplays auswählen, der von Interesse ist, und nach ähnlichen Sollwertänderungen in den historischen Prozessdaten suchen.

Der Knowledge Extractor ermöglicht zudem den schnellen Zugriff auf Textdokumente, z. B. Schicht- oder Störungsberichte, die routinemäßig von Servicetechnikern, Analysten und anderen technischen Dienstleistern erstellt werden – durch die Eingabe von Fragen in natürlicher Sprache, z. B. „Was ist zu tun, wenn der Sollwert für den Öl- und Wasserstand im Wäscher zu nahe beieinander liegt?“

Der Knowledge Extractor nutzt zeitreihenbasierte Pattern-Mining-Verfahren, um die historischen Prozessdaten nach ähnlichen Szenarien zu durchsuchen. Darüber hinaus sorgen Deep-Learning-Modelle dafür, dass natürliche Sprache und insbesondere die hinter den Wörtern steckende Absicht verstanden wird. Dazu wurden vorab trainierte mehrschichtige NLP-Modelle (Natural Language Processing) auf Basis der neuesten Google-Veröffentlichungen auf den anlagenspezifischen Daten weiter trainiert und zu einem neuartigen kontextuellen Frage-Antwort-System entwickelt.

Der Knowledge Extractor im Praxistest

Das ABB-Forschungsteam entwickelte mehrere Prototypen zur Beantwortung der an das System gestellten Fragen. Einer der Prototypen wurde an Pumpendaten der realen Ölplattform „Draugen“ getestet, wo er auf bestimmte Szenarien angewendet wurde. Steigt z. B. der Gasdruck über einen bestimmten Schwellenwert, schaltet die Pumpe ab, und der Füllstand des Speisewassers im Entgasungsbehälter steigt. Jedes Mal, wenn ein Bediener eine Pumpe nach einer Abschaltung mehrfach neu startete, wurden entsprechende Daten erzeugt. Mithilfe des Knowledge-Extractor-Tools konnten ähnliche Abschaltszenarien in den historischen Prozessdaten identifiziert werden →08. Dank der Möglichkeit, Fragen in natürlicher Sprache einzugeben und auf Serviceberichte aus den Vorjahren zuzugreifen, konnte das Bedienpersonal zudem feststellen, dass die mehrfachen Pumpenabschaltungen durch einen geringen Ansaugdruck verursacht wurden.

Fazit: Der Augmented Operator von ABB hat seine Anwendbarkeit und Nützlichkeit in realen Industrieumgebungen bei Demonstrationen und Validierungen mit umfangreichen Daten bewiesen.

<A target="_blank" HREF="https://qrco.de/stephanboy">Sie möchten weitere Informationen zum Augmented Operator? Ihr Kontakt: Stephan Boy, ABB</A>
Sie möchten weitere Informationen zum Augmented Operator? Ihr Kontakt: Stephan Boy, ABB
(Bild: ABB)

(ID:48765662)

Jetzt Newsletter abonnieren

Verpassen Sie nicht unsere besten Inhalte

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung.

Aufklappen für Details zu Ihrer Einwilligung