Einsatz von adaptiven Methoden zur Restlebenszeitschätzung in der chemischen Industrie als Grundlage für präskriptive Instandhaltung
Die Instandhaltung einer chemischen Anlage macht einen wesentlichen Anteil der Kosten während der Betriebsphase aus. Besonders vor dem Hintergrund gestiegener Energie- und Eduktpreise, kann die Instandhaltung maßgeblich den wirtschaftlichen Erfolg beeinflussen. Maßnahmen aus dem Bereich der präskriptiven Instandhaltung und der dazu notwendigen Schätzung der Restlebenszeit optimieren die Abläufe und tragen zur Effizienz bei. Bedingt durch eine minimale Sensorausstattung sowie einer geringen Datenbasis ist die Überwachung und Ableitung von Handlungsempfehlungen eine Herausforderung.
Ziel dieser Arbeit ist die Entwicklung von adaptiven Lösungen, die der geringen Daten- und Informationsbasis in der chemischen Industrie gerecht werden. Exemplarisch werden die entwickelten Überwachungskonzepte anhand von drei repräsentativen Anwendungsfällen bewertet.
Grundlegend werden unterschiedliche Methoden evaluiert und auf Basis der industriellen Randbedingungen wird eine Vorauswahl getroffen, um zwei Überwachungskonzepte zu entwickeln. Das Einzeltrendmodul ist fokussiert auf einen hohen Automatisierungsgrad und limitiert durch die Anwendung auf ein Signal. Ergänzend wird das Partikelfiltermodul für komplexere Überwachungsaufgaben eingesetzt, das multiple Eingänge abbildet und die Handlungsempfehlung durch Szenarien ermöglicht.
Beide Überwachungskonzepte werden anhand von synthetischen Daten grundlegend entwickelt und bewertet. Im Zentrum der Bewertung des Einzeltrendmoduls steht die Onlinemodellierung der Messdaten und die sich daraus ableitende Restlebenszeit. Gegensätzlich dazu erfolgt die Modellbildung des Partikelfiltermoduls offline. Wesentlicher Teil der Bewertung ist die geeignete Einstellung und Verbesserungen der grundlegenden Methode.
Im Rahmen einer Onlinesimulation werden beide Überwachungskonzepte auf Basis von realen Betriebsdaten getestet. Sowohl das Einzeltrendmodul, als auch das Partikelfiltermodul zeigen wirksam die Verbesserung durch die Implementierung der Überwachungskonzepte. Insgesamt bilden beide Überwachungskonzepte die Grundlage für bessere Handlungsempfehlungen sowie eine gesteigerte Wettbewerbsfähigkeit.
A major part of operation costs during the lifetime of a chemical plant are caused by maintenance. Restricted by increasing energy- and educt prices maintenance is becoming more important for a successful business. Increasing efficiency is enabled by deploying solutions from the field of prescriptive maintenance and therefore needed estimation of remaining useful life. Based on a minimal installation of sensors and a small amount of data, monitoring and decision making are challenging.
The purpose of this work is to develop adaptive solutions, which are suitable for a small amount of data and information within chemical industry. The developed monitoring concepts are evaluated based on three characteristic use cases.
Focusing on an industrial application, different solutions are discussed and a preselection of methods is made, which fulfill industrial requirements. Consequently, two different monitoring concepts are developed. The Einzeltrendmodul is focused on a high automation and limited by the estimation of one signal. In contrast, the Partikelfiltermodul is applied in more complex use cases containing multiple inputs and enables scenario-based decision making.
Both monitoring concepts are evaluated on synthetic data. The assessment of the Einzeltrendmodul focuses on the online modelling and the resulting remaining useful life estimation. The modelling of the Partikelfiltermodul is taking place in an offline process, whereas a major part of the evaluation is focused on the tuning as well as the improvement of basic methods.
Based on real operation data both monitoring concepts are assessed. Both Einzeltrendmodul and Partikelfiltermodul clearly indicate the improvement by deploying the concepts. Both concepts are the base for improved decision making as well as increase competitiveness.