Verbesserung der Anlagenleistung durch maschinelles Lernen

Die Führungskräfte der Branche von heute entdecken neue Wege, um die Zuverlässigkeit und den Wert ihrer Vermögenswerte zu maximieren. Mit Asset Performance Management auf Basis des Industrial Internet of Things (IIoT) und Machine Learning können Unternehmen sowohl Geräte- als auch Prozessdaten nutzen, um die Lebensdauer ihrer Assets zu verlängern und optimale Zuverlässigkeit zu erreichen.

Im Durchschnitt werden bis zu 15 Prozent der Bruttomarge durch ungeplante Ausfallzeiten aufgezehrt. Im Vergleich dazu wird die Best-in-Class-Leistung auf 5 Prozent geschätzt. Um diese Verluste zu eliminieren, müssen Wartung und Produktion auf neue Weise zusammenarbeiten.

Der traditionelle Ansatz zur Zuverlässigkeit bestand darin, ein First-Principles-Modell der Anlage zu erstellen, das Modell mit Echtzeitdaten abzustimmen, Korrekturfaktoren zu implementieren oder Genauigkeitsregeln zu erstellen, Modellausgaben mit Echtzeitdaten zu vergleichen und statistische Abweichungen von normalen Bedingungen hervorzuheben . Diese Modelle betrachten jedoch nur Asset-Daten. Sie können im Prozess vorgelagert nicht "sehen", um kausale Verhaltensweisen zu erkennen, die Vermögenswerte beeinträchtigen, und können nur signalisieren, wenn der Beginn des Schadens offensichtlich wird – wenn der Schaden bereits angerichtet ist.

Diese konventionelle Methode zur Vorhersage der Leistung wurde vor 40 Jahren in Modellen entwickelt, die auf technischen Gleichungen, statistischen Techniken und Regelwerken basieren, aber viele verlassen sich immer noch darauf. Maschinelles Lernen ist erst vor kurzem entstanden. Beide Techniken scheinen oft die gleichen Probleme zu lösen, unterscheiden sich jedoch in den Bereichen der menschlichen Beteiligung und der Genauigkeit der Vorhersage.

Modellierungstechniken, die umfangreiche Erfahrungen und Fähigkeiten mit entsprechenden Kalibriertechniken erfordern, waren und sind sehr erfolgreich. Mit den ersten Prinzipien muss spezifisches Verhalten verstanden werden. Dynamische Echtzeitmodelle bieten Vorhersagen des Prognoseverhaltens zu jedem Zeitpunkt und ermöglichen so ein umfassendes Verständnis der erwarteten Leistung.

Was die Lösung des Problems ungeplanter Störungen und Ausfallzeiten so anspruchsvoll macht, ist die Dynamik der Produktionsprozesse. Da Tausende von Variationen gleichzeitig innerhalb des Prozesses auftreten, ist es für Modelle schwierig, genau vorherzusagen, welche Muster oder Trends zu ungeplanten Ereignissen führen.

First-Principles-(Engineering-)Modelle zeigen nur geschätztes, erwartetes oder wahrgenommenes Verhalten basierend auf einer hygienisch sauberen Best-Case-Leistung. Wie oft läuft die mechanische Ausrüstung auf diese Weise?

Ist das bei 30, 50, 100 oder 110 Prozent Durchsatz genauso? Im Gegensatz dazu kann maschinelles Lernen basierend auf dem tatsächlichen Verhalten der Ausrüstung in der realen Welt unter allen Bedingungen lernen, einschließlich saisonaler Schwankungen, verschiedener Betriebskampagnen, Start/Abschaltung und sich ändernder Arbeitszyklen. Es kann auch den sich verschlechternden Prozess und die mechanische Leistung berücksichtigen. ​

Maschinelles Lernen analysiert die Prozess- und Anlagendaten für eine Frühwarnung. Es macht die schwere Arbeit, die Muster im Prozess zu finden, die zukünftige Vermögensprobleme signalisieren. Durch die Identifizierung des Prozessverhaltens, das die Ursache der Verschlechterung ist, werden Probleme viel früher erkannt.

Bei diesem Ansatz arbeiten Risikoanalyse und maschinelles Lernen zusammen, um Anlagenausfälle Wochen oder Monate im Voraus kontinuierlich und genau vorherzusagen. Dies kann Zeit bieten, um zu planen, zu koordinieren und Maßnahmen zu ergreifen, anstatt nur zu reagieren. In dieser Zeit können Wartung und Produktion auf neue Weise zusammenarbeiten.

Anwendungen des maschinellen Lernens erstellen keine Modelle im herkömmlichen Sinne von Wärme-/Materialbilanz und thermodynamischen polytropen Gleichungen, Logik und Regeln und statistischer Interpretation. Sie messen eher Fehlersignaturen, als Maschinen zu modellieren.

Mit Fähigkeiten und Domänenwissen angewendet, absorbiert maschinelles Lernen harte, gemessene Sensor- und Wartungsdaten, die über lange Zeiträume gesammelt wurden, um winzige, multivariate und zeitliche Muster zu erkennen, die Menschen nicht sehen können.

Entdeckte Muster sind die genauen Signaturen, die sowohl das normale Verhalten als auch die Abweichungen definieren, die zu einer Verschlechterung und einem Ausfall führen. Aus Konformitätsgründen können wir diese Signaturen Modelle nennen, aber sie sind konzeptionell weit entfernt von den Ideen der Ingenieurswissenschaften oder mathematischen Modellen.

Fehlersignaturen, die mit maschinellem Lernen entwickelt wurden, kennen den Maschinentyp, die Branche, in der sie verwendet wird, oder die technischen Prinzipien ihres Betriebs nicht und kümmern sich nicht darum. Signaturen sorgen nur dafür, dass genügend Sensoren vorhanden sind, die genügend Daten liefern, die lernbare Beziehungen zwischen den Sensoren enthalten, um das Betriebsverhalten der Anlage unter normalen und Verschlechterungs-/Ausfallbedingungen genau zu deklarieren.

Selbst eine Bibliothek mit 125 Modellen kann den Hunderttausenden einzigartigen Assets, die geschützt werden müssen, nicht gerecht werden. Maschinelles Lernen kann jedoch Muster schnell bewerten und auf noch nie dagewesenen Assets innerhalb von Stunden oder Minuten ohne intensive technische Fähigkeiten bereitstellen. Ein Best-in-Class-Ansatz kann dies ohne Data-Science-Kenntnisse tun, automatisch inline und in Echtzeit ausführen und in Sekunden umsetzbare Ergebnisse präsentieren.

Wenn Sie sich immer noch ausschließlich auf First-Principles-Modelle verlassen, ist es an der Zeit zu modernisieren. Die Verwendung einer Kombination aus Modellen und maschinellem Lernen ist die wirksamste Methode, um riskante Prozessbedingungen zu erkennen und zu vermeiden. Diese Kombination kann die expliziten Bedingungen jederzeit mithilfe des Modells erklären, wobei maschinelles Lernen das Modell automatisch kalibriert und verfeinert, ohne viel menschliche Anleitung oder Programmierregeln.

Es ist das Beste aus beiden Welten – zeitnaher, genauer Prozessstatus zusammen mit einfacherer Kalibrierung. Es gibt Ihren Wartungs- und Betriebsteams auch den nötigen Einblick, um gemeinsam die bestmögliche Leistung zu erzielen.

Weiterlesen:Gesamtanlageneffektivität

Über den Autor

Michael Brooks ist Senior Advisory Consultant im Asset Performance Management für AspenTech.