Anlagenverfügbarkeit durch fortschrittliches Machine Learning steigern – Bewährter industrieller Erfolg

Machine Learning (ML) hat sich von einem Nischenwerkzeug für Großkonzerne zu einer leicht einsetzbaren Asset-Monitoring-Lösung entwickelt. Heute ermöglichen kurzfristige Testläufe und Cloud-basierte Plattformen Herstellern die ML-Integration ohne die hohen Vorabkosten von vor einem Jahrzehnt.

Machine Learning für verbesserte Verfügbarkeit von Fertigungsausrüstung

ML-Modelle identifizieren Ausfallvorläufer in frühesten Phasen, analog zur klassischen PF-Kurvenlogik: Je früher ein Fehler erkannt wird, desto weniger Ausfallzeit und Wartung verursacht er. Der Prozess beginnt mit einem umfassenden Asset-Modell, das alle relevanten Prozess- und Geräteparameter erfasst – typischerweise 10 bis 30 Variablen, manchmal bis zu 100. Ein Pumpenmodell kann beispielsweise Saugdruck, Förderdruck, Ventilposition, Lagertemperatur und Schwingung umfassen.

Historische Daten, meist ein ganzes Jahr zur Erfassung saisonaler Schwankungen, bilden den Trainingsdatensatz. Ein operator-qualifizierter Ingenieur kennzeichnet Perioden „guten“ Betriebs zur Einbeziehung und „schlechten“ Betriebs zum Ausschluss, sodass das Modell aus präzisen, hochwertigen Daten lernt. Das trainierte Modell generiert eine Betriebsmatrix, die erwartete Parameterbereiche für jede Betriebsbedingung definiert.

Nach der Bereitstellung überwacht die Matrix kontinuierlich Echtzeitdaten. Weicht ein Parameter über einen festgelegten Schwellenwert hinaus ab, löst das System einen Alarm aus. Der Alarm wird triagiert als: 1) valide – Werksressourcen beheben das Problem; 2) unentscheidend – Monitoring fortsetzen und mehr Daten sammeln; 3) False Positive – Modell mit aktualisierten Daten neu trainieren.

Die Verwaltung dieser Modelle erfordert dedizierte Expertise. Eine typische Vollzeitkraft allokiert 40 % ihrer Zeit für Modellpflege, 40 % für Incident-Resolution mit Werks-Teams und 20 % für die Bewertung des ROI des ML-Programms.

Machine Learning Ergebnisse

ML-Anwendungen decken subtile Verschiebungen auf, die für menschliche Operatoren unsichtbar sind. Nachfolgend reale Beispiele, wie frühe Alarme kostspielige Ausfallzeiten verhinderten.

Abbildung 1. Anstieg der Lüfterlagerschwingung

In diesem Fall signalisierte ein Anstieg der Lagerschwingung ein verborgenes Ölleck. Sofortige Inspektion identifizierte das Leck an der Lagerkappenverbindung, sodass Korrekturmaßnahmen vor Lagerschaden ergriffen werden konnten.

Abbildung 2. Generator-Wasserstoffreinheit

Ein monatelanger, gradueller Rückgang der Wasserstoffreinheit wurde früh erkannt, was den Crews Zeit gab, das Problem ohne Stillstand zu beheben.

Abbildung 3. EHC-Pumpen-Sieb

Ein steigender Differenzdruck über einem EHC-Pumpensieb veranlasste einen Pumpentausch und verhinderte einen potenziellen Turbinenabschalt.

Abbildung 4. Pulverisierer-Öltemperatur

Ein Temperaturanstieg im Schmiersystem führte zum Austausch eines defekten Kühlwasserventils und stellte den Normalbetrieb wieder her.

Zusätzliche Beispiele von einer zweiten ML-Plattform demonstrieren weitere konsistente Vorhersagegenauigkeit über diverse Anlagentypen. In jedem Fall identifizierte die Software Abweichungen, generierte Alarme und ermöglichte zeitnahe Werksreaktionen – was den hohen Wert der Post-Detection-Kommunikation bestätigt.

Abbildung 5. Hochdruck-Sprühdurchfluss

Als der Sprühdurchfluss bei 1.000 lb/hr vom Modell abwich, ermöglichte ein Alarm den Operatoren, das Problem vor einem Alarm zu untersuchen und zu korrigieren.

Abbildung 6. Gasturbinenschwingung

Beim Start löste ein lockerer Schwingungssensor in einem Szenario einen Alarm aus und illustriert, wie selbst kleine mechanische Änderungen prompt flaggt werden.

Abbildung 7. HRSG-Trommeldruck

In einem weiteren Startszenario führte ein Druckabfall zum Alarm. Das Werk nahm die Einheit für Ventilreparatur vom Netz, woraufhin Modell- und Ist-Werte wieder in Einklang kamen.

Zukünftige Anwendungen von Machine Learning

Wir erwarten, dass ML zum Standardbestandteil verteilter Leitsysteme (DCS) wird. Das DCS wird Parameterprognosen generieren, diese mit Echtzeitdaten vergleichen und Operatoren handlungsrelevante Alarme liefern. Je mehr das System Korrekturmaßnahmen lernt, desto geringer wird die Operatorbeteiligung – hin zu selbstoptimierenden Anlagen, eine Vision, die bereits in autonomen Fahrzeugen wie Teslas Autopilot Realität ist.

Der Einsatz von ML in industriellen Umgebungen erfordert derzeit spezialisierte Skills, doch niedrigere Einstiegshürden und sinkende Kosten treiben die breitere Adoption voran. In den kommenden Jahren könnten Consumer-Grade-ML-Lösungen den Shopfloor betreten und fortgeschrittene Analytik weiter demokratisieren.