Prädiktive Anlagenüberwachung weitergedacht

Prädiktive Anlagenüberwachung weitergedacht

von 26. Januar 2018

Ein Unglück kommt selten allein

Versetzen Sie sich einmal in die Lage eines jungen Operators mit wenig Erfahrung. Beispielsweise in einer Polymeranlage. In einem Reaktor wird aus einem Monomer ein Polymer hergestellt, das in der folgenden Extraktion als Produkt gewonnen wird. Es folgen zwei Separationsstufen und eine Destillationskolonne, in der das nicht umgesetzte Monomer  zurückgewonnen wird.

Plötzlich treten Probleme im Ablauf der Extraktion auf, das Polymer kann nicht mehr ablaufen. Immer neue Alarme blinken im Sekundentakt auf. In dieser für ihn neuen Situation weiß der junge Operator gar nicht, wo er anfangen soll. Zu viele Alarme und wenig Ahnung wo in der Anlage durch den verstopften Ablauf weitere Probleme auftreten können. Also konzentriert er sich ganz auf die Behebung es Ursprungsproblems – und übersieht dabei im Wust der Alarme den High Level-Alarm der Extraktion. Danach den High Level Alarm im ersten Separator und nach dem High Level Alarm in Separator 2 landet das Polymer in der Destillation. Was folgt ist ein längerfristiger Stillstand um Kolonne und Verdampfer vom Polymer zu reinigen.

Industrieübergreifende Anforderungen

Problem gelöst und weiter so? Nein! Abnormale Situationen wie die oben beschriebene führen immer wieder zu Stillstandszeiten. Und die kosten Geld. Also muss eine Lösung her, am besten eine, die auch eine zusätzliche Herausforderung löst: schrumpfende Ressourcenpools. Einem erfahrenen Operator wäre das Malheur wie oben beschrieben vermutlich nicht passiert. Er hätte in der Alarmflut die High Level-Alarme sicher nicht übersehen, wahrscheinlich hätte er sie nicht mal gebraucht. Er hätte die Ereigniskette wahrscheinlich vorhergesehen. Hätte…

Sie wissen:

“In der Lage zu sein, kleinere Änderungen / Abweichungen im Trend von Schlüsselparametern zu identifizieren und zu erkennen, ist ein erster Schritt zur Vorhersage des Verlassens des Betriebsfensters, bevor dies tatsächlich auftritt.”

Ran an die Daten

Nun ist es ja kein Geheimnis, dass die gesammelten Daten jede Menge Informationen enthalten, die bei der Lösung der Aufgabe helfen können. Also ran an eine Datenanalyse; Muster in Prozess- und Labordaten und Operatorerfahrungen sind lern- bzw. extrahierbar. Es gibt verschiedene Ansätze, die zur frühzeitigen Erkennung von Anomalien eingesetzt werden können – Yokogawa nutzt beispielsweise die Software Process Data Analytics oder unüberwachte Lernverfahren wie Self Organizing Maps (SOM).

Aber auch Alarmsequenzen aus Alarm & Event Logs und digitalen Operator Logs lassen sich analysieren. Hier steckt das Expertenwissen. Wie reagieren Opterator auf Ereignisse? Verschiedene Bediensequenzen lassen sich extrahieren, vergleichen und bewerten. Indem bestehende Handlungsempfehlungen validiert und überarbeitet oder neue Empfehlungen generiert werden, können unerfahrene Operator gleich vom Expertenwissen profitieren. Und die Prozeduren lassen sich automatisieren – beispielsweise mit Exapilot.

Nun sind Sie schon einen riesigen Schritt weiter. In einer Vielzahl der Fälle werden Sie frühzeitig erkennen – bleiben wir bei unserem Beispiel – dass im Ablauf der Extraktion was nicht stimmt und gezielt einem Verstopfen des Ablaufs entgegenwirken können. Was aber, wenn die Ursache nie aufgetreten ist, ein Ereignis gänzlich unbekannt ist? Dann wird weder selbst der erfahrenste der Operator noch das besttrainierte, klassische datenbasierte Analysetool etwas ausrichten können. Und nun?

Plant Topology

Die Antwort steckt in den DCS Engineering Files und den R&I-Fließbildern. Hier sind alle Informationen über Verbindungen zwischen den Anlageneinheiten, Steuerungslogiken, Abschaltsequenzen usw. gespeichert. Also alles, was zum Betrieb der Anlage notwendig ist. Auch diese Informationen lassen sich extrahieren und mit Domain Know How anreichern. Mittels Machine Learning Verfahren entsteht aus diesen unstrukturierten Daten die Plant Topology. In ihr sind alle Verknüpfungen sowie die Verbindungsstärke und Reaktionszeit zwischen den Einheiten einer Anlage gespeichert. Tritt nun an einer Stelle der Anlage ein Alarm auf, lässt sich durch Auswertung der Alarmdichte eine Ausbreitungswahrscheinlichkeit und aus den Verbindungen die Richtung der Alarmausbreitung bestimmen. So bekommen Sie auch für bisher unbekannte Ereignisse ein Frühwarnsystem für zukünftige kritische Fehler und ermöglichen dem Operator durch die dynamische Übersicht über die Anlage ausreichend Reaktionszeit.

Plant Topology und Real Time Dashboard in einer Chemieanlage in Singapur

Kundenstatement

Customer gets ample time to respond to abnormal situation with the implementation of advanced analytics to predict at very early stage

Business Challenge: Customer in the recent past had experienced frequent shutdowns due to few critical alarms and early warnings overlooked by operations team. It needed a solution that can pick up these warnings and correlate them and predict an abnormal situation and alert the operation team in advance so that they get ample response time to react.

The Smart Solution: With the help of in-house R&D team, the historical plant data was extracted and analysed using advanced statistical analysis clubbed together with the rich process domain knowledge. As a result, a anomaly detection module was developed. The detected anomaly will then be forecasted with the help of vector auto regression methods, thereby alerting the operators well in advance about an abnormal event and guide them to take corrective actions avoiding plant shutdowns.

Key benefits:

  • Reduced blind spots
  • Early warnings of future critical failures
  • Ample response time for operators

Keine Kommentare

Schreibe einen Kommentar

Noch keine Kommentare

Seien Sie der Erste, der einen Kommentar schreibt.

Ihre Daten sind sicher!Ihre E-Mail wird nicht veröffentlicht. Es werden keine Daten mit Dritten geteilt.