Wie man auch ohne historische Ausfälle Aussagen über den Gesundheitszustand einer Maschine machen kann? Seien Sie dabei! Predictive Maintenance ist in aller Munde. Eigentlich kann man es schon nicht mehr hören. Die größte Hürde ist in der Regel: Wie kann man ein Vorhersage-Modell entwerfen, ohne massenhaft Daten von Ausfällen und Störungen in der Vergangenheit? Es geht darum, ein verlässliches Modell zu erschaffen auf Basis von künstlicher Intelligenz (KI) und Physik für Condition Monitoring und vorausschauendes Verhalten. Ziel ist es „actionable Insights“ zu generieren, also Mehrwert erkennen und Handlungsempfehlungen abzuleiten.

1. 1 | 07.04.2020 |
Ulf Kottig Anja Vedder Dr. Robert Strube
Senior Marketing Manager Managing Director Projektmanager
Trebing + Himstedt industrial analytics industrial analytics
WEBINAR Predictive ohne Daten – geht das?
Das geht – mit KI und Physik
Webinar | Predictive ohne Daten

2. 2 | 07.04.2020 |
Gleich zum Einstieg eine Frage…
Webinar | Predictive ohne Daten

3. 3 | 07.04.2020 |
Worum geht es heute?
Webinar | Predictive ohne Daten
Es geht darum, ein verlässliches Modell zu erschaffen
auf Basis von künstlicher Intelligenz (KI) und Physik für
Condition Monitoring und vorausschauendes Verhalten.
Ziel ist es „actionable Insights“ zu generieren, also
Mehrwert erkennen und Handlungsempfehlungen
abzuleiten.

4. 4 | 07.04.2020 |
Worum geht es heute nicht?
Webinar | Predictive ohne Daten
iolasage
iingoolronings
orrelates it
il s
il s
il s
il s
ro nings
ro nings
ro nings
ro nings
ot ler igen
Quelle: https://www.tylervigen.com/spurious-correlations

5. 5 | 07.04.2020 |
Willkommen industrial analytics
Webinar | Predictive ohne Daten

6. Digital Twins und physikbasierte Modelle
für Sondermaschinen und Prozesse

7. Industrial Analytics
IoT und Digitalisierung für unsere Kunden seit 2017
Beautiful Software Award
Evonik Polymer Challenge
Deep Tech Award Berlin
Büros
in Berlin &
Brandenburg
Gegründet von 6 Turbomaschinenexperten
15 Teammitglieder mit Hintergrund in
Ingenieurwissenschaften, Mathematik,
Informatik, etc.
Kunden & Partner
2

8. Wartungsstrategien
Mir ist der Unterschied zwischen Präventiver Wartung
und vorausschauender Wartung bekannt. (ja / nein)
3

9. Wartungsstrategien
von Reaktiv bis Risikobasiert
Reliability
Centred
Maintenance
Predictive Maintenance
Condition-Based Maintenance
Preventive Maintenance
Reactive Maintenance
Reliability
Centred
Maintenance
Predictive Maintenance
Condition-Based Maintenance
Preventive Maintenance
Reactive Maintenance
Reliability
Centred
Maintenance
Predictive Maintenance
Condition-Based Maintenance
Preventive Maintenance
Reactive Maintenance
Strategisch,
Proaktiv,
Optimiert
Umfängliche Strukturmaßnahmen
Mustererkennung und Diagnostik zur Vorhersage drohender Schäden
Regelbasierte Logik basierend auf Sensordaten
Feste Wartungsintervalle
Schadensbehebung, Reparatur
4

10. Intelligente Zustandsüberwachung
Ermöglicht Vorausschauende Wartung
Weitere Vorteile: Bessere Datenqualität und -verfügbarkeit, Optimierungspotenziale aufdecken
Quelle: accenture und *eigene Projekte
Weniger ungeplante Stillstände Weniger Wartungskosten Geringerer Monitoringaufwand*
5

11. • Beschreiben das zu überwachende Objekt
• Beschreibung dient der Feststellung von Abweichungen zu gewünschtem Verhalten
• Mustererkennung
• Benötigen große Mengen korrekt gelabelter Daten
Algorithmische Modelle
für bekannte Zustände und Muster
6

12. Algorithmische Modelle
Welche der folgenden Maschinen sind besonders geeignet
für eine Überwachung mit rein numerischen Methoden?
a) Fahrstühle
b) Industriekompressoren
c) Rolltreppen
d) Dampfturbinen
e) Gasturbinen
7

13. Geeignete Objekte
für Algorithmische Analysen
Gemeinsamkeiten: Standardisiert, Fehlerzustände und -muster sind bekannt
Quelle: KSB Aktiengesellschaft, Frankenthal
8

14. Nachteile
Rein Numerischer Methoden
• Nicht geeignet für kleine Datenmengen
• Meist ungeeignet für Spezialmaschinen
• Unbekannte “Gutzustände”
• Benötigen oft Expertenwissen für Interpretation
• Produzieren häufig Fehlalarme
9

15. Turbomaschinen
und Anwendungen
• Chemieanlagen
• Raffinerien
• Kraftwerke
• Industrielle Gase
• Größere Maschinen in der Regel einzigartig
• Verschiedene Hersteller und Baujahre
• Änderung der Betriebsbedingungen schwierig
 Wenige Betriebsdaten für Modelltraining vorhanden
10

16. Anlagenüberwachung mit Digital Twins
Physik und Machine Learning
11

17. Was Nicht Funktioniert
für Rotierende Maschinen wie Verdichter
Methoden, die große Mengen gelabelter Daten auf Fehlermuster auswerten,
ohne die physikalische Bedeutung der Daten zu berücksichtigen
Wenn die Ergebnisse der Zustandsüberwachung
schwer nachvollziehbar sind
Systeme, die viele Fehlalarme produzieren und so
zusätzlichen Aufwand verursachen
12

18. Die Virtuelle Anlage
Physik und Machine Learning
Eine virtuelle Anlage stellt das
thermodynamische Verhalten nach und wird
anhand historischer Daten angepasst.
Sie wird verwendet, um das komplexe
dynamische Verhalten des Prozesses zu
verstehen und um Personal zu schulen.
Daher hilft sie, Probleme zu beseitigen und
den Betrieb zu optimieren.
13

19. Modellierung
Differentialgleichungen und Heuristik
Physikbasierte Modelle:
Differentialgleichungssysteme für
● Mechanik
● Thermodynamik
● Elektromagnetismus
Heuristik:
Machine Learning Methoden
Fitting multidimensionaler Funktionen
Kompressor
Parameter
(ca. 30):
Impellerdurchmesser
Austrittsbreite
Austrittswinkel
Diffusorwirkungsgrad
...
Endddruck
Durchsatz
Endtemperatur
Leistungsaufnahme
Saugdruck
Drehzahl
Saugtemperatur
Gaszusammensetzung
Ventilstellung
Wirkungsgrad
Drehmoment
14

20. • Sehr sensibel für Veränderungen in Maschinenkomponenten und Strömungsinstabilitäten
• Analyse der analogen Rohdaten für detailliertere Erkenntnisse
• Maschinennahes Edge Device für große Datenmengen
• Extreme Datenreduktion und A/D-Konvertierung
• Intelligenter Ringspeicher für Ereignisse
• Nutzung rotordynamischer Modelle
• Generierung erster Zustandsindikatoren
Edge-Analytik für Hochfrequenzdaten
Schwingungen und Akustik
15

21. Software von
Industrial Analytics
Sensoren
Schwingungs-
Akustik- daten
Prozess-
TurboNode
Datenerfassung &
-vorverarbeitung
TurboMonitor
Digital Twin
Physik & ML
MASCHINE
Plattform-
unabhängig
Anwenderverwaltung
Geräteverwaltung
Datensicherheit
TurboMonitor
Einfache Integration der Komplettlösung
16

22. [Info]: Veränderte Prozessparameter!
[Info]: Leistungsaufnahme und Wirkungsgrad im erwarteten Bereich.
[Info]: Schwingungsüberwachung wird an neuen Betriebspunkt angepasst.
Anlagenüberwachung mit Digital Twins
folgt auch bisher unbekannten Prozessparametern ohne Fehlalarme
Die Modelle erzeugen dynamische
Erwartungsbereiche oder Konfidenzintervalle.
Messabweichungen von diesen Bereichen
werden in Zustandsindikatoren übersetzt.
Hochfrequenzsignale wie Schall und
Vibrationen reagieren sehr empfindlich auf
Veränderungen und werden zur frühzeitigen
Trend- und Mustererkennung verwendet.
17

23. Zustandsindikatoren
Leicht interpretierbare Darstellung des Zustands
• Der Zustand der beobachteten Prozesse, Maschinen und Bauteile wird als Risikoindikator angezeigt.
• KRI (Key Risk Indicators) zeigen Abweichungen zwischen Messung und Sollverhalten.
• Das Sollverhalten wird von den trainierten Modellen generiert.
18

24. Zustandsindikatoren
Schnelle Lokalisierung von Abweichungen
Wie sollten Zustandsindikatoren angeordnet sein,
um eine schnelle Lokalisierung der Komponente mit
abweichendem Verhalten zu ermöglichen?
a) horizontal
b) vertikal
c) hierarchisch
19

25. Hierarchische Zustandsindikatoren
Schnelle Lokalisierung von Abweichungen
• Statusinformationen (KRI) für überwachte Maschinen und Signalgruppen
• Hierarchische Ansicht für schnelle Identifikation der Störungsursache
• Ermöglicht schnelle Lokalisierung von Problemstellen
Strang
Kompressor
Motor
Wirkungsgrad
Mechanik Welle 1
Mechanik Welle 2
Mechanik Welle
Leistung
20

26. TurboMonitor
Mehrwert
Vermeidung ungeplanter Stillstände
durch frühes Erkennen
von verändertem Maschinenverhalten
Verlängerte und dynamische Wartungsintervalle
sowie Hilfsmittel zur Planung und Priorisierung
von Wartungstätigkeiten
⇒ Reduktion der Betriebskosten
⇒ Reduktion von Produktionsausfällen
⇒ Arbeitserleichterung
Schnelle Lokalisierung von
Fehlerursachen (RCA support)
mit schneller Bereitstellung und Verteilung
relevanter Daten
Weitere Anwendung der Simulationsmodelle:
- Training für Personal
- Aufdeckung von Optimierungspotenzialen
21

27. TurboMonitor
Raffinerie – Erkenntnisse durch physikbasierte Modelle
Thermodynamik in Modellen
von Industrial Analytics bilden
Eigenschaften und
Zusammensetzung des Mediums ab
Zerstörtes Verdichterlaufrad
durch Tröpfchenbildung im Gas
Modelle erlauben Detektion und
Vorhersage von Tröpfchenbildung
=> Veränderungen in den
Eintrittsbedingungen hervorgerufen.
=> Einschränkung von Eintrittsparameter
ermöglicht risikofreien Anlagenbetrieb!
Use Case
22

28. Quelle: H2SO4-Plant / DOMO Caproleuna GmbH © PCK Raffinerie GmbH© Robert Strube
• Niedrigere Betriebskosten und
höherer Wirkungsgrad für
Entschwefelungsanlage in Raffinerie
• Dynamische Simulationen
• Höhere Verfügbarkeit und niedrigere
Betriebskosten für Verdichterstrang
(inkl. Dampfturbine)
• Digital Plant Walk
• Höhere Verfügbarkeit
und niedrigere Wartungskosten für
Erdgas-Verdichter
Chemieanlage Kraftwerk Öl & Gas
Industrial Analytics
Referenzprojekte
23

29. TurboMonitor
Interaktives Modell auf Website
24
https://industrial-analytics.io/de/turbomonitor/

30. Mitarbeiter schützen - Produktivität steigern
Virtual Control Room
Überwachen Sie Ihre Anlage von sicheren Einzelarbeitsplätzen aus
in einem virtuellen Raum!
Mehr Informationen auf industrial-analytics.io
25

31. 26
Industrial Analytics IA GmbH · Pufendorfstr. 7 · 10249 Berlin · +49 30 12082087
Geschäftsführer: Dr. Richard Büssow, Anja Vedder · Registriert: Amstgericht Charlottenburg HRB 191013B · Ust-IdNr: DE314567667
Dies ist ein vertrauliches Dokument und nur für den Adressaten bestimmt. Es ist nicht erlaubt, diese Unterlage ohne Rücksprache zu kopieren oder Dritten zugänglich zu machen.
Sollten Sie dieses Dokument irrtümlich erhalten haben, teilen Sie uns dies bitte per E-Mail unter info@industrial-analytics.io mit. Alle Angaben dieser Präsentation erfolgen ohne Gewähr für die inhaltliche Richtigkeit und Vollständigkeit.
Wir unterstützen unsere Kunden bei der Digitalisierung
Gerne führen wir das Gespräch mit Ihnen fort
Melden Sie sich dazu bitte bei uns
linkedin.com/in/robert-strube
robert.strube@industrial-analytics.io
+49 151 563 804 69
linkedin.com/in/anja-vedder-a74491151
anja.vedder@industrial-analytics.io
+49 30 629 388 111

32. Dashboard für Raffinerie (1/3):
Übersicht
27

33. Dashboard für Raffinerie (2/3):
Strangansicht
28

34. Dashboard für Raffinerie (3/3):
Trendanalyse und Details
29

35. 6 | 07.04.2020 |
Einladung zur virtuellen Hannover Messe
Webinar | Predictive ohne Daten
→ www.t-h.de/webinare

36. 7 | 07.04.2020 |
Vielen Dank
Ulf Kottig
Senior Marketing Manager
Tel.: +49 172 387 98 48
E-Mail: ukottig@t-h.de
www.t-h.de/sap
Webinar | Predictive ohne Daten
https://calendly.com/ukottig/sprechstunde
Termin vereinbaren

37. 8 | 07.04.2020 |
Wie wahrscheinlich würden Sie dieses Webinar weiterempfehlen?
Webinar | Predictive ohne Daten
0 % 50 % 100 %