← Zurück zu Wartung & Asset Management Kategorie

Self-Service Predictive Analytics reduziert Ausfallzeiten und vermeidet unnötige Risiken

Die sich ändernden Rohstoffpreise, die Kommodifizierung, zunehmende regulatorische Stringenz und verschiedene andere Marktdynamiken beeinflussen die Margen der Prozessindustrie. In einem so aktiven Markt ist es notwendig, so flexibel wie möglich zu sein, ohne in den kommenden Jahren große Kapitalbeträge binden zu müssen.

In diesem Artikel wird untersucht, wie ein goldener Fingerabdruck durch Modellierung vergangener Erfolge erstellt werden kann. Dies bedeutet, dass Brownfield-Anlagen durch den Einsatz von Prozesskompetenz in Kombination mit der Fülle gespeicherter Prozessdaten in eine nachhaltige Zukunft blicken können. Ein Bereich der Verbesserung ist die vorausschauende Wartung, um ungeplante Ausfallzeiten zu verringern.

Von Artur Beyer, Industry Principal, Chemicals, TrendMiner

Artur Beyer, Industriechef, Chemikalien, TrendMiner

Artur Beyer, Industriechef, Chemikalien, TrendMiner

In letzter Zeit wurde viel über die vorausschauende Betriebsleistung in der Prozessindustrie geschrieben. Der Großteil der Artikel bezieht sich auf die vorausschauende Wartung, bei der angewandte Sensoren zur Analyse und Vorhersage des Geräteverhaltens verwendet werden.

Dies konzentriert sich hauptsächlich auf die kritischsten Assets durch zentral geführte, zeitaufwendige und teure Vorhersagemodellierungsprojekte. Um eine Vorhersage der operativen Leistung für alle Anlagen zu erhalten, ist ein neuer Analyseansatz erforderlich. Self-Service Predictive Analytics für die Fachexperten.

Ein schlauer Ansatz

Predictive Maintenance-Lösungen haben traditionell Data Scientists oder zentrale Verbesserungsexperten für den Aufbau umfassender Analysemodelle einbezogen.

Abgesehen davon, dass sie kosten- und zeitintensiv ist, hat diese Arbeitsweise andere große Nachteile: Sie schafft einen Flaschenhals in der Organisation, unterfordert Fachexperten und lässt viele (kleinere) Predictive Analytics-Fälle unberücksichtigt.

Ein neuer, integrierter und effizienter Ansatz ist die Self-Service-Analyse. Diese neuartige Methode erfordert weder die Expertise eines Datenwissenschaftlers noch eine umfassende Überarbeitung Ihrer bestehenden Infrastruktur.

Die Einblicke in Ihr Prozess- und Asset-Verhalten basieren auf einer Fülle von historischen und Echtzeitdaten. Mit diesen Informationen können Fachexperten proaktive Maßnahmen ergreifen, um Ausfallzeiten zu reduzieren und unnötige Risiken zu vermeiden.

Verschiedene Möglichkeiten, eine leistungsstarke Strategie auszuführen

Es gibt drei verschiedene Möglichkeiten, diesen neuen Ansatz zu verwenden:

  • Die erste ist ereignisbasiert: Wenn ein bestimmtes Signaturverhalten erkannt wird, das sich auf einen anderen Teil des Prozesses auswirken kann, der typischerweise später auftritt, kann eine Benachrichtigung generiert werden.
  • Die zweite ist probabilistisch: Das aktuelle Verhalten wird interpretiert und eine Wahrscheinlichkeit für zukünftiges Verhalten berechnet.
  • Der dritte Typ ist regressiv: Die Vorhersage basiert auf bestimmten Bedingungen, die erfüllt und verifiziert werden müssen.
Self-Service Predictive Analytics: Ereignisbasierte Vorhersage

Ein Beispiel dafür, wie Self-Service-Analysen praktisch eingesetzt werden können, ist die Erstellung von Fingerabdrücken, die mit einer Vielzahl von Signaturmustern erstellt werden, die in der Vergangenheit gefunden wurden.

Durch die Verwendung definierter Fingerabdrücke für die ereignisbasierte Vorhersage können automatische Warnmeldungen an die entsprechenden Stakeholder, z. B. das Personal im Kontrollraum oder die Außendiensttechniker, gesendet werden, um bei Prozessabweichungen geeignete Maßnahmen ergreifen zu können. Die Benachrichtigungen können sogar Empfehlungen zur Minderung von Aktionen enthalten.

Ein anderes Beispiel ist die Hypothesengenerierung zur Diagnose von Problemen, die neue ereignisbasierte Vorhersagen auslösen. Das Verhalten in einem Teil der Produktionslinie kann dann mit dem (zukünftigen) Verhalten stromabwärts korreliert werden. Die automatische Regression von Prozessparametern wird beispielsweise verwendet, um weiche Sensoren zur Vorhersage der Produktqualität zu machen.

Asset Performance & Predictive Maintenance


Die Anlagenperformance oder Overall Equipment Effectiveness (OEE) hängt stark vom Prozess ab, in dem der Vermögenswert betrieben wird. Anstatt für die Performance-Analyse gerätebezogene Sensordaten zu verwenden, sollten alle prozessrelevanten Sensordaten berücksichtigt werden.

Dies wird als "Kontextualisierung der Anlagenperformance mit Prozessdaten" bezeichnet, und damit wird eine datenbasierte vorausschauende Wartung möglich.

Prädiktive Self-Service-Analyse: Wartung durch Experten


Das Ziel der vorausschauenden Instandhaltung besteht darin, die Wartung zu einem Zeitpunkt durchführen zu können, an dem sie nicht nur am kostengünstigsten ist, sondern auch, wenn sie sich am wenigsten auf den Betrieb auswirkt.

Durch die Darstellung aller sensorgenerierten Daten in einem Graphen, insbesondere wenn mehrere Tags untersucht werden müssen, ist es schwierig, Korrelationen zu finden.

Self-Service-Analysetools ermöglichen es dem Benutzer, Daten schnell visuell zu untersuchen und zu filtern und große Mengen von Prozessdaten (einfach bis zu mehreren Jahren historischer Daten) zu durchsuchen.

Die erweiterten Analysefunktionen können auch bei der Ermittlung der Ursachenanalyse (RCA), der Testhypothese (Discovery-Analyse) und der schnellen Auffindung ähnlicher Verhaltensauffälligkeiten hilfreich sein.

Durch eine Diagnoseanalyse kann der Prozessingenieur die Auswirkungen von Prozessänderungen (Vergleich vorher und nachher) verstehen und potenzielle Einflussfaktoren für spezifische Probleme finden. Mit dieser Information können Monitore erstellt werden, um die besten Betriebszonen zu sichern und die Wartung kann vorhergesagt werden.

Praktische Anwendungsfälle mit Self-Service Predictive Analytics


Ein Beispiel, bei dem sich die Anlagenleistung direkt auf das Prozessverhalten bezieht, ist die Verschmutzung von Wärmetauschern. In einem Reaktor mit anschließenden Heiz- und Kühlphasen ist die kontrollierte Abkühlphase am zeitaufwendigsten, und es ist nahezu unmöglich, die Verschmutzung zu überwachen, wenn der Reaktor für verschiedene Produktklassen verwendet wird und unterschiedliche Rezepte für jede Sorte erforderlich sind.

Verschmutzen von Wärmetauschern erhöht die Kühlzeit, aber zu früh geplante Wartung führt zu ungerechtfertigten Ausfallzeiten und eine zu späte Planung führt zu einer verschlechterten Leistung, erhöhtem Energieverbrauch und potenziellen Risiken.

Im Fall der Herstellung eines Polymers wurde ein Monitor eingerichtet, um die Zeiten ihrer am höchsten produzierten Produkte abzukühlen. Wenn die Dauer der Abkühlphase anzusteigen beginnt, wird eine Warnung an die Techniker gesendet, die dann die rechtzeitige Wartung planen können.

Die Vorteile, die sich daraus ergeben, sind eine erweiterte Verfügbarkeit von Anlagen, Einsparungen bei Betriebs- und Wartungskosten sowie eine Verringerung des Sicherheitsrisikos. Die Gesamtwirkung in diesem Fall war ein 1% + Gesamtumsatzanstieg der gesamten Produktionslinie.

Innerhalb eines Wasserversorgungsnetzes waren nur 5% aller Pumpstationen für über 50% der gesamten Wartungskosten verantwortlich. Mit Self-Service-Analysen, mit Streudiagrammen und statistischen Fingerabdrücken, konnten die Pumpen innerhalb ihrer besten Betriebszonen überwacht werden.

Alarme wurden hinzugefügt, und die Benutzer werden nun benachrichtigt, wenn die Geräte ausfallen sollten, sodass sie Zeit haben, proaktive Maßnahmen zu ergreifen. Dies hat die Zuverlässigkeit der Leistung verbessert und die Gesamtbetriebskosten gesenkt.

Ein letzter Anwendungsfall ist in einer Erdölraffinerie, wo Fluorwasserstoff als Katalysator in der Alkylierungseinheit verwendet wird. Es wird in einem Stripper regeneriert, der abhängig vom Füllstand in der Säule mehrmals täglich zu einer Trommel abgelassen wird.

Nach einigen Tagen zeigen vier Thermoelemente in verschiedenen Höhen in der Trommel an, wenn die Trommel voll ist und abgelassen werden muss. Mit Self-Service-Discovery und Diagnose-Analysen wurde gezeigt, dass die Zeit bis zur vollen Trommel (indirekt) vom Säurefluss zur Stripperkolonne abhängt.

Mithilfe von Predictive Analytics für die Selbstbedienung kann jetzt festgelegt werden, wann die Trommel gewartet werden muss. Dies bietet viel Vorlaufzeit für die Planung der Entwässerungsarbeiten und senkt die Wartungskosten.

Self-Service Predictive Analytics: Flussdiagramm der Alkylierungseinheit


Abschließende Gedanken

Herkömmliche vorausschauende Wartung ist oft zeitaufwendig und isoliert von den Experten des Fachgebiets und daher nur für die kritischsten Vermögenswerte.

Mit diesem neuen Ansatz können die täglichen Prozessexperten jedoch befähigt werden, ihr Wissen unter Verwendung der im Datenhistoriker verborgenen Informationen zu nutzen und damit ihre eigenen vorausschauenden Wartungsstrategien für alle Anlagen innerhalb der Produktionslinie zu steuern .

Durch den Einsatz von Self-Service-Analysen kann jedes Asset auf Leistung und vorausschauende Wartung überprüft werden. Diese Methode ist Ihre Kristallkugel, und die Informationen, die sie liefert, können zu einer Verringerung der Instandhaltungsarbeitskosten, zur Reduzierung unerwarteter Ausfälle oder Abschaltungen, zu einer Verkürzung der Reparatur- und Überholungszeit und zu einer längeren Betriebszeit führen. Und wenn Sie in die Zukunft schauen, sehen Sie möglicherweise eine Kostensenkung und eine Ertragssteigerung.

Prozessindustrie Informer

Weitere Nachrichten

Hinterlasse einen Kommentar

Ihre E-Mail-Adresse wird nicht veröffentlicht. erforderliche Felder sind markiert *

Diese Seite verwendet Akismet, um Spam zu reduzieren. Erfahren Sie, wie Ihre Kommentardaten verarbeitet werden.