Minderung der Risiken von Industrieanlagen durch fortschrittliches Datenmanagement

Der Ausfall von Anlagen ist für jedes Industrieunternehmen ein störendes Ereignis. Laut LNS Research gehören Anlagenausfälle zu den drei häufigsten Unfallursachen, die zu Sicherheitsproblemen und Umweltverschmutzung führen. Außerdem kommt es zu Produktionsausfällen und Schäden an der Ausrüstung, was zu erheblichen finanziellen Verlusten führt. Tatsächlich kosten ungeplante Ausfallzeiten Industriehersteller jedes Jahr schätzungsweise 50 Milliarden US-Dollar.

Unternehmen stehen unter dem Druck, die Effizienz zu steigern und den Verbrauch zu senken, und Zuverlässigkeitsmanager und Führungskräfte müssen über jeden Vermögenswert Rechenschaft ablegen, der im Anlagenbetrieb eine Rolle spielt – vom kleinsten Ventil bis zur größten Turbine.

Während Software Analysen durchführen und grundlegende Leistungskennzahlen generieren kann, ist das Wissen, dass eine gut geschützte 10-Millionen-Dollar-Turbine zu 98 % zuverlässig ist, nicht nützlich, wenn es sich um ein kleines Ventil handelt, das ausfällt und die gesamte Anlage abschaltet.

Drei Hauptursachen für Maschinenverschlechterung sind:

1. Alle Maschinen sind mehreren Ursachen für Leistungseinbußen ausgesetzt.
2. Dazu gehören Chemikalien, Ermüdung, Abrieb und Reibung.
3. Die Geschwindigkeit dieser Verschlechterungsmechanismen variiert je nach Maschinendesign, Nutzung und Umgebung.
4. Maschinen sind komplex und bestehen aus verschiedenen Komponenten, und die verschiedenen Quellen der Verschlechterung wirken sich unterschiedlich schnell auf diese Komponenten aus.

Der frühe Weg:Von der Prävention zur Proaktivität

Vorbeugende Wartung (PM) wurde entwickelt, um Verschlechterungen zu erkennen und zu verhindern, bevor es zu Ausfällen kommt. Allerdings erschwerten die Komplexität und das Zusammenspiel der drei Haupttreiber der Verschlechterung die Entscheidung, wann und wo eingegriffen werden sollte. Anstatt PM-Pläne auf der Grundlage fundierter Annahmen zu erstellen, wurde die zeitbasierte PM zur besten Option, und bald folgte die zustandsbasierte Wartung.

Es wurden verschiedene Predictive-Maintenance-Technologien (PdM) entwickelt, darunter:

• Schwingungsanalyse für rotierende Geräte.
• Thermografie für elektrische Anlagen.
• Ultraschall für Rohrleitungen und Behälterdicke.

Allerdings ist der Name „vorausschauende Wartung“ etwas irreführend. Diese Technologien sagen keinen Misserfolg voraus; Sie erkennen und decken Anzeichen einer Verschlechterung auf, sodass Wartungsteams sie abfangen können, bevor es zu einem Ausfall kommt. Diese Methoden konzentrieren sich auf verschiedene Fehlermodi und basieren auf Sensortechnologien, die diese erkennen und kritische Daten erzeugen.

Ohne Dateneinblicke aus der vernetzten Sensortechnologie haben Anlagenbetreiber kein ausreichendes Verständnis für die Risiken des Unternehmens und deren Bewältigung. Die zur Entscheidungsfindung erforderlichen Daten können auf eine bestimmte Anlage oder Anlage beschränkt sein. Aber die Daten werden nützlich, wenn sie mit dem gesamten Unternehmen und globalen Durchschnittswerten verglichen werden, und stellen einen Wettbewerbsvorteil für Unternehmen dar, die die Risiken verstehen und wissen, wie sie diese kontrollieren können.

Daten und neue Intelligenz nutzen

Mit der Einführung datenerzeugender Sensoren implementieren Unternehmen Managementsysteme, um riesige Datenmengen zu interpretieren und fortschrittliche Mustererkennungsaufgaben auszuführen, um Geräteanomalien und -verschlechterungen zu erkennen.

Techniken zur Erkennung von Managementsystemen sind praktisch; Sie analysieren Sensordaten, erstellen ein Modell eines „normalen“ Betriebs und alarmieren, wenn ungewöhnliche Bedingungen auftreten. Dies geschieht in Echtzeit und kann subtile Abweichungen erkennen, die durch eine Verschlechterung verursacht werden. Mit diesen Technologien erzielen Unternehmen einen Return on Investment, indem sie katastrophale Ausfälle an überwachten Geräten deutlich reduzieren.

Wussten Sie schon?

„Durch die Nutzung von Big-Data-Analysen können Ausfälle um bis zu 26 % und ungeplante Ausfallzeiten um fast 25 % reduziert werden.“
Quelle:engineering.com

Die Technologie hat auch das Data Mining verändert, um Erkenntnisse aus archivierten Sensordaten und Daten von Unternehmens-Asset-Management-Systemen zu optimieren und so die Arbeitsausführung zu unterstützen. Durch die Kombination von Data Mining und Anomalieerkennung werden Echtzeitdiagnosen und Fehlerprognosen verbessert. Hier kommen Asset-Performance-Management-Systeme (APM) ins Spiel.

Die meisten Techniken des maschinellen Lernens (ML) und der künstlichen Intelligenz (KI) sind datengesteuert, aber nicht für eine umfassende Datenanalyse konzipiert; APM codiert die Daten, die ML und KI nicht verarbeiten können, indem es eine ML-Datenintegrationsfunktion verwendet, um Milliarden von Datenpunkten zu sammeln und sie schnell in Modellen zu organisieren, die Risiken messen und Ausfälle verhindern.

In der heutigen Industrie erkennen Unternehmen, dass vernetzte Anlagen Informationen in ein APM-System einspeisen müssen, um die gesammelten Daten angemessen nutzen zu können. Beispielsweise setzte ein großes Chemieunternehmen in Saudi-Arabien ein APM-System ein und verbesserte die durchschnittliche Ausfallrate seiner Rohre von 172 Tagen auf über 2.100 Tage, was einer Verbesserung von 1.135 % entspricht.

Datenaustausch für bessere Prognosen

Für Unternehmen mit End-to-End-IoT-Umgebungen (Internet der Dinge) kann sich die Big-Data-Analyse nicht auf nur wenige Datenquellen konzentrieren. APM ermöglicht es Unternehmen, Datensilos zu kombinieren und die Einzigartigkeit industrieller Anlagen in ihrem betrieblichen Kontext zu modellieren.

Dies ist ein Bereich, in dem es erhebliche Unterschiede zwischen dem Industrie- und dem Verbrauchersektor gibt. In der industriellen Welt können Ausfälle sehr unterschiedlich sein. Da es derzeit kein industrielles Äquivalent zu Google oder Amazon gibt, um Maschinendaten unternehmensübergreifend zu kombinieren, sind die für die Entwicklung dieser Art von Analysen erforderlichen Datenpools auf große Unternehmen und Originalgerätehersteller (OEM) beschränkt. Während Unternehmen im Hinblick auf ihre Betriebsdaten sensibel sind, beginnen viele zu verstehen, dass die Weitergabe ihrer Fehler- und Ausfalldaten an andere äußerst vorteilhaft für die gesamte Branche ist.

Mit diesem Datenpool birgt die nächste Welle der Datenanalyse ein enormes Potenzial. Durch die Analyse dieser Daten können aufkommende Fehlermuster abgeglichen und mit historischen Daten aus einer „Bibliothek“ früherer ähnlicher Fälle verglichen werden. Damit kann eine automatisierte Diagnose eine Beschreibung des Problems und eine Prognose für die mögliche Zeit bis zum Ausfall liefern.

Selbst für Geräte, die nicht mit Sensoren ausgestattet sind, unterstützen größere Datenpools eine bessere statistische Analyse auf der Grundlage von Geräten unter ähnlichen Betriebsbedingungen. Dadurch können Ingenieure und Betreiber fundiertere Entscheidungen bei der Festlegung einer Wartungsstrategie treffen, da sie die tatsächliche Ausfallrate der Komponenten verstehen. Aktuelle Technologien stützen sich in der Regel auf OEM-Empfehlungen oder Branchenstudien, die oft schon vor Jahren durchgeführt wurden.

Schlussfolgerung

Für viele Unternehmen ist die Entwicklung einer Instandhaltungsstrategie ein subjektiver, erfahrungsgesteuerter Prozess. Die Daten, um objektive Entscheidungen zu treffen, sind oft spärlich, nicht vorhanden oder schwer zugänglich. Der Übergang zu zustandsbasierten Ansätzen löst einen Großteil dieses Problems, indem die Aktivitäten auf dem aktuellen Zustand eines Vermögenswerts basieren, aber selbst diese Techniken erfordern immer noch erhebliches Fachwissen und lassen Raum für Verbesserungen.

Das Potenzial für die Anwendung fortschrittlicher Datenanalysen auf Maschinenabläufe ist vielversprechend, es gibt jedoch noch Herausforderungen. Es ist von entscheidender Bedeutung, Zugriff auf die richtige Art von Daten zu haben, und für viele Unternehmen kann dies bedeuten, dass sie bereit sind, Daten mit anderen Unternehmen zu teilen und zu handeln. Wenn Unternehmen beginnen, Informationen auszutauschen und Abläufe zu verbessern, werden sie erkennen, dass die Vorteile die Bedenken einer Unterstützung der Wettbewerber überwiegen. 

Unternehmen sind sich darüber im Klaren, dass die direkten Kosten von Ausfallzeiten schädlich für das Geschäft sind. In vielen Fällen sind die indirekten Kosten dieser Ausfallzeiten, wie etwa ein Rufschaden, ebenso störend, wenn nicht sogar noch störender als die direkten Kosten. Wenn Industriebetreiber ihre Rentabilität und ihr Wachstum aufrechterhalten wollen, müssen sie eine Big-Data-Strategie verfolgen, die das beste Ergebnis für ihre Vermögenswerte liefert. Durch die frühzeitige Identifizierung von Fehlertrends und -merkmalen anhand von Daten können Industrieunternehmen die Gesamtzuverlässigkeit ihrer Anlagen verbessern und sowohl kurz- als auch langfristig Kosten senken.