Post on 15-Jul-2020
Anwendung von Methoden der KI / Big Data für
Predictive Maintenance Lösungen für die
Energiewirtschaft
Peter Krüger
November 2019
© bdew
2
Digitalisierung
Wertschöpfungskette der Energiewirtschaft
15.11.2019 BIM Frankfurt
© PWC
Predictive Maintenance
15.11.2019 BIM Frankfurt 3
Digitales Abbild / Digital Twin
Aktuelle sensorbasierte
Daten
Vergleichen Anomalien erkennen
Frühzeitig informieren
Phantom-Alarme vermeiden
Durch vorausschauende Wartung im richtigen Moment handeln,
Kosten senken und Verfügbarkeit der Anlage erhöhen
Digitales Abbild / Digital Twin
Thermodynamisches Modell EBSILON®Professional
15.11.2019 BIM Frankfurt 4
SR::EPOSPerformance Monitoring
Digitales Abbild / Digital Twin
Datenbasiertes Modell HQ KPI / Big Data Methoden
15.11.2019BIM Frankfurt 5
Sensorbasierte
Daten
HQ KPI
Big Data
Methoden
Training
SR::SPCPredictive Maintenance
6
Predictive Analytics – monitoring SCADA data
The vast majority of parameters in a power plant are related
to several boundary conditions, e.g.:
▪ load / mode of operation
▪ wind speed
▪ environmental conditions
▪ etc.
➔SCADA warning limit is significantly higher than usual
operation values
How changes in SCADA systems are
recognized…
15.11.2019 BIM Frankfurt
… and many changes remain undetected!
Predictive Analytics – monitoring SCADA data
The vast majority of parameters in a power plant are related
to several boundary conditions, e.g.:
▪ load / mode of operation
▪ wind speed
▪ environmental conditions
▪ etc.
➔SCADA warning limit is significantly higher than usual
operation values
15.11.2019 BIM Frankfurt 7
Predictive Analytics Uses Data-Based Models
Predictive Analytics – monitoring SCADA data
The ”key performance indicator“ (KPI)
describes the current component quality or process
quality independent of exterior boundary conditions as a
standardized parameter:
KPI = actual value / reference value
15.11.2019 BIM Frankfurt 8
Expertenwissen
High Quality KPI
15.11.2019 BIM Frankfurt 9
Temperatur Hauptlager
Windturbine
[0C]
Generatorleistung
[KW]
Außentemperatur0C • Veränderungen in der Anlage werden erkennbar
• Statistische Methoden unterstützen die frühzeitige und
belastbare Identifikation der Anomalien
• Im Cockpit werden alle KPIs übersichtlich dargestellt
• Der Anlagenzustand ist auf einem Blick erkennbar
Big Data Methoden
Schlüsseltechnologie “Machine Learning”
1015.11.2019 BIM Frankfurt
Sensorbasierte
Daten
Pre-
Processing
Deep
Learning
Error
Analysis
Machine Learning
Hochverdichtete Darstellung von Anomalien
in Heatmap
15.11.2019 BIM Frankfurt 11
45% - NN 45% - AE45% - ClusterNormal Anomalie
01.01.2017 –-----------------------------------------------------------------------------------------------------------
01.01.2016 –
01.01.2015 –
01.01.2014 –
01.01.2013 –
01.01.2012 –-----------------------------------------------------------------------------------------------------------
Trainings-
daten
O Anomalien Trainingsdatensatz
01/2012 – 12/2015
Zusammenfassung
15.11.2019 BIM Frankfurt 12
Vorteil Einschränkung
„Experten
HQ-KPI“
• Gezielte Konfiguration pro KPI
und individueller Trainingszeitraum
erlauben hohe Sensitivität
• Einfache Ergebnisinterpretation
• Auch gute Erkennung zyklischer
Veränderungen inkl. Prognose
• Initialer Engineeringaufwand
höher als bei Big Data Ansatz
• Störungen, für die kein KPI definiert
ist, werden nicht erfasst
„Big Data“
• Geringere Aufwände bei
Erstellung des Systems
• Anomalien werden nicht
übersehen weil kein KPI
definiert war
• Zuordnung von erkannten
Anomalien zu möglichen Fehlern /
Störungen erfordert
ingenieurmäßige Analyse
• Auswahl der Lernzeitraums
beeinflusst das Ergebnis, es
werden mehr Daten / längere
Zeiträume benötigt
Example 1
Gear oil pressure
15.11.2019 BIM Frankfurt 13
Air cooler
Water / oil heat
exchanger
Gearbox
Example 1
Gear oil pressure
Cooling water
temperature no
longer regulated
Nov. 7th
15.11.2019 BIM Frankfurt 14
Example 1
Gear oil pressure
~ 45 MWh~ 110 MWh
Production loss ≈ 185 MWh
~ 30 MWh
A similar behavior was observed on two other wind turbines.
Jan. 7th
15.11.2019 BIM Frankfurt 15
Example 2
Rohrleckagen im Dampferzeuger
• Rohrleckagen sind häufige Ursache für Stillstandszeiten
und Produktionsausfälle
• Haupt-Verluste bei Leckagen entstehen durch
Stillstandszeiten
• Sekundärschäden verlängern die Stillstandsdauer
Zuverlässige
Erkennung von
Leckagen hilft
Stillstands-
verluste zu
minimieren
15.11.2019 BIM Frankfurt 16
Example 2
Rohrleckagen im Dampferzeuger
15.11.2019 BIM Frankfurt 17
HPHD -
Bypass
Boiler
›Bypass-Ventil Inspektion alle 4 Jahre
vorgeschrieben
›Leckagen, die durch die Erosion durch HD-Dampf
entstehen, werden oft nicht rechtzeitig entdeckt
›Problem: HD-Dampf passiert unkontrolliert die
Hochdruckturbine, der Wirkungsgrad des
Kraftwerks sinkt
›Durch das Monitoring der Dampftemperatur hinter
der Hochdruckturbine mittels SR::SPC wird das
Problem erkannt und kann während des nächsten
Stillstands beseitigt werden
Example 3 Leckage in der HD Bypass Station
15.11.2019 BIM Frankfurt 18
Example 3
Leckage in der HD Bypass Station
July September November January March May July September November Januar March May July
Alarmierung Reparatur
Erwartete Ersparnis durch
frühzeitige Fehlererkennung
125.000 € gespart !
15.11.2019 BIM Frankfurt 19
Example 3
Vibrationen der Turbinenwelle, Wellenlage
Kontermutter gelöst
› Direkt nach der Turbinenüber-
holung leichter Anstieg der
Vibrationen an der Turbinenwelle
erkennbar
› Kein Alarm in PLC
› Dank einer Warnung durch
SR::SPC wurde die Ursachen-
forschung betrieben
› Es konnte festgestellt werden,
dass sich eine Kontermutter an
einer Lagerschraube gelöst hatte
und das Lager nicht mehr richtig
befestigt war
Rechtzeitige
Warnung führt
zur Vermeidung
von
Folgeschäden
15.11.2019 BIM Frankfurt 20
15.11.2019 BIM Frankfurt 21