Industrielle Anlagenrisiken durch fortschrittliches Datenmanagement mindern

Asset-Ausfälle sind für jede industrielle Organisation ein disruptives Ereignis. Laut LNS Research gehören Asset-Ausfälle zu den drei häufigsten Ursachen für Unfälle, die in Sicherheitsproblemen und Umweltverschmutzung enden. Sie stoppen die Produktion und verursachen Anlagenschäden, was zu erheblichen finanziellen Verlusten führt. Tatsächlich kostet ungeplanter Stillstand industrielle Hersteller jährlich schätzungsweise 50 Milliarden US-Dollar.

Organisationen stehen unter Druck, Effizienz zu steigern und Verbrauch zu senken. Zuverlässigkeitsmanager und Führungskräfte müssen jedes Asset berücksichtigen, das eine Rolle im Anlagenbetrieb spielt – vom kleinsten Ventil bis zur größten Turbine.

Während Software Analysen durchführen und grundlegende Leistungsmetriken generieren kann, ist das Wissen, dass eine gut geschützte 10-Millionen-Dollar-Turbine zu 98 % zuverlässig ist, nutzlos, wenn ein kleines Ventil ausfällt und die gesamte Anlage stilllegt.

Drei Haupttreiber der Maschinenverschlechterung sind:

1. Alle Maschinen sind mehreren Verschlechterungsquellen ausgesetzt.
2. Dazu gehören Chemikalien, Ermüdung, Abrasion und Reibung.
3. Die Rate dieser Verschlechterungsmechanismen variiert je nach Maschinenkonstruktion, Nutzung und Umgebung.
4. Maschinen sind komplex, bestehen aus verschiedenen Komponenten, und die unterschiedlichen Verschlechterungsquellen wirken sich in unterschiedlichem Tempo auf diese Komponenten aus.

Der frühe Weg: Von präventiv zu proaktiv

Präventive Wartung (PM) entstand, um Verschlechterung vor dem Ausfall zu erkennen und zu verhindern. Doch die Komplexität und Wechselwirkung der drei Hauptverschlechterungstreiber erschwerten die Entscheidung, wann und wo einzugreifen. Statt PM-Pläne auf Grundlage fundierter Annahmen zu erstellen, wurde die zeitbasierte PM zur besten Option, gefolgt bald von zustandsbasierter Wartung.

Verschiedene Predictive-Maintenance-Technologien (PdM) wurden entwickelt, wie:

• Schwingungsanalyse für rotierende Anlagen.
• Thermografie für elektrische Systeme.
• Ultraschall für Rohrleitungen und Behälterwanddicken.

Der Begriff „Predictive Maintenance“ ist jedoch etwas irreführend. Diese Technologien sagen den Ausfall nicht vorher; sie erkennen und offenbaren Anzeichen von Verschlechterung, damit Instandhaltungsteams diese abfangen können, bevor der Ausfall eintritt. Diese Methoden konzentrieren sich auf unterschiedliche Ausfallmodi und basieren auf Sensortechnologien, die diese erkennen und kritische Daten produzieren.

Ohne Dateneinblicke aus vernetzter Sensortechnologie haben Anlagenbetreiber ein unzureichendes Verständnis der Risiken der Organisation und wie man sie managt. Die für Entscheidungen benötigten Daten können auf ein spezifisches Asset oder eine Anlage beschränkt sein. Die Daten werden jedoch nützlich, wenn sie über das gesamte Unternehmen und globale Durchschnittswerte hinweg verglichen werden, was Unternehmen, die die Risiken verstehen und kontrollieren können, einen Wettbewerbsvorteil verschafft.

Daten und neue Intelligenz nutzen

Mit der Einführung datenproduzierender Sensoren implementieren Organisationen Managementsysteme, um riesige Datenmengen zu interpretieren und erweiterte Mustererkennungsaufgaben auszuführen, um Geräteanomalien und Verschlechterung zu erkennen.

Die Erkennungstechniken der Managementsysteme sind praxisnah; sie analysieren Sensordaten und erstellen ein Modell eines „normalen“ Betriebs und alarmieren bei abnormalen Bedingungen. Dies geschieht in Echtzeit und kann subtile Veränderungen durch Verschlechterung erkennen. Mit diesen Technologien erzielen Organisationen einen ROI, indem sie katastrophale Ausfälle an überwachten Anlagen signifikant reduzieren.

Wussten Sie schon?

„Die Nutzung von Big-Data-Analysen kann Ausfälle um bis zu 26 % reduzieren und ungeplante Stillstandszeiten um fast 25 % senken.“
Quelle: engineering.com

Technologie hat auch das Data Mining transformiert, um Erkenntnisse aus archivierten Sensordaten und Enterprise-Asset-Management-Systemdaten zu optimieren und die Arbeitsausführung zu unterstützen. Die Kombination von Data Mining mit Anomalieerkennung verbessert Echtzeitdiagnosen und Zeit-bis-zum-Ausfall-Prognosen. Hier kommen Asset Performance Management (APM) Systeme ins Spiel.

Die meisten Machine-Learning (ML) und KI-Techniken sind datengesteuert, aber nicht für umfangreiche Datenanalysen konzipiert; APM kodiert die Daten, die ML und KI nicht können, indem es eine ML-Datenintegrationsfunktion nutzt, um Milliarden von Datenpunkten zu sammeln und schnell in Modelle zu organisieren, die Risiken messen und Ausfälle verhindern.

In der heutigen Industrie erkennen Organisationen, dass vernetzte Assets Informationen in ein APM-System einspeisen müssen, um die gesammelten Daten angemessen zu nutzen. Beispielsweise implementierte ein großes Chemieunternehmen in Saudi-Arabien ein APM-System und verbesserte die durchschnittliche Ausfallrate ihrer Rohre von 172 Tagen auf mehr als 2.100 Tage – eine Verbesserung von 1.135 %.

Daten teilen für bessere Prognosen

Für Organisationen mit End-to-End-IoT-Umgebungen (Internet of Things) können Big-Data-Analysen nicht nur auf wenige Datenquellen fokussieren. APM ermöglicht es Organisationen, Datensilos zu kombinieren und die einzigartige Natur industrieller Assets in ihrem operativen Kontext zu modellieren.

Dies ist ein Bereich, in dem es erhebliche Unterschiede zwischen dem industriellen und dem Konsumsektor gibt. In der industriellen Welt können Ausfälle stark variieren. Da es derzeit kein industrielles Äquivalent zu Google oder Amazon gibt, das Maschinendaten über Unternehmen hinweg kombiniert, sind die für die Entwicklung solcher Analysen benötigten Datenteiche auf große Unternehmen und Original Equipment Manufacturers (OEMs) beschränkt. Obwohl Unternehmen sensibel bezüglich ihrer operativen Daten sind, beginnen viele zu verstehen, dass das Teilen ihrer Fehler- und Ausfalldaten mit anderen der gesamten Branche extrem nützlich ist.

Mit diesem Datenteich hat die nächste Welle der Datenanalytik immenses Potenzial. Durch Analyse dieser Daten können aufkommende Fehlermuster mit historischen Daten aus einer „Bibliothek“ früherer ähnlicher Fälle abgeglichen und verglichen werden. Damit können automatisierte Diagnosen eine Problembeschreibung und eine Prognose für die potenzielle Zeit-bis-zum-Ausfall liefern.

Selbst für Anlagen ohne Sensoren unterstützen größere Datenteiche eine bessere statistische Analyse basierend auf Anlagen unter ähnlichen Betriebsbedingungen. Dies ermöglicht Ingenieuren und Betreibern, fundiertere Entscheidungen bei der Festlegung einer Wartungsstrategie zu treffen, da sie die tatsächliche Komponentenausfallrate verstehen. Aktuelle Technologie basiert typischerweise auf OEM-Empfehlungen oder Branchenstudien, die oft Jahre zurückliegen.

Fazit

Für viele Unternehmen ist die Entwicklung der Wartungsstrategie ein subjektiver, erfahrungsbasierter Prozess. Die Daten für objektive Entscheidungen sind oft spärlich, existieren nicht oder sind schwer zugänglich. Der Übergang zu zustandsbasierten Ansätzen löst viele dieser Probleme, indem Aktivitäten auf dem aktuellen Zustand eines Assets basieren, doch auch diese Techniken erfordern noch erhebliches Fachwissen und lassen Raum für Verbesserungen.

Das Potenzial, erweiterte Datenanalysen auf Maschinenbetrieb anzuwenden, ist vielversprechend, aber es gibt noch Herausforderungen. Es ist entscheidend, Zugang zu den richtigen Daten zu haben, und für viele Unternehmen bedeutet dies möglicherweise, bereit zu sein, Daten mit anderen Unternehmen zu teilen und zu handeln. Wenn Unternehmen beginnen, Informationen zu teilen und Abläufe zu verbessern, werden sie erkennen, dass die Vorteile die Bedenken hinsichtlich der Unterstützung von Wettbewerbern überwiegen.

Organisationen verstehen, dass die direkten Kosten von Stillstand geschäftsschädigend sind. In vielen Fällen sind die indirekten Kosten dieses Stillstands – wie ein beschädigter Ruf – ebenso, wenn nicht sogar noch störender als die direkten Kosten. Industrielle Betreiber müssen eine Big-Data-Strategie annehmen, die das beste Ergebnis für ihre Assets liefert, wenn sie Rentabilität und Wachstum erhalten wollen. Durch frühzeitiges Erkennen von Ausfalltrends und -merkmalen mit Daten verbessern industrielle Organisationen die Gesamtnutzenzuverlässigkeit und senken Kosten – kurz- und langfristig.