Anwendung von Methoden der KI / Big Data für Predictive ...€¦ · und individueller...

Anwendung von Methoden der KI / Big Data für

Predictive Maintenance Lösungen für die

Energiewirtschaft

Peter Krüger

November 2019

© bdew

SES Image Präsentation_small_small.pptx

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


Thermodynamisches Modell EBSILON®Professional


SR::EPOSPerformance Monitoring


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…


… and many changes remain undetected!


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


Predictive Analytics Uses Data-Based Models


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


Expertenwissen

High Quality KPI


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”


Sensorbasierte

Daten

Pre-

Processing

Deep

Learning

Error

Analysis

Machine Learning

Hochverdichtete Darstellung von Anomalien

in Heatmap


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


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


Air cooler

Water / oil heat

exchanger

Gearbox

Example 1

Gear oil pressure

Cooling water

temperature no

longer regulated

Nov. 7th


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


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


Example 2

Rohrleckagen im Dampferzeuger


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


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 !


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


Anwendung von Methoden der KI / Big Data für Predictive ...€¦ · und individueller...

Documents

Transcript of Anwendung von Methoden der KI / Big Data für Predictive ...€¦ · und individueller...