VGB POWERTECH 7 (2020) - International Journal for Generation and Storage of Electricity and Heat

Optimierte Instandhaltungsstrategien in der thermischen Abfallverwertung VGB PowerTech 7 l 2020
Optimierte Instandhaltungsstrategien
in der thermischen Abfallverwertung
Künstliche Intelligenz und High Quality Key Performance
Indicators steigern Verfügbarkeit
Mariusz Maciejewski und Harald Moosandl
Abstract
Optimised maintenance strategies in
thermal waste utilisation
Artificial intelligence and high quality key
performance indicators increase availability
Currently, thermal waste treatment plants are
virtually used to capacity, mostly operating at
maximum utilization capacity. After technical
optimizations in recent years, in most cases a
further increase in the throughput can only be
achieved by increasing the hours of operation
and thus reducing the downtimes. First of all,
these goals can be achieved by means of optimized
strategies like a predictive and thus condition-based
maintenance.
An innovative system of STEAG Energy Services
GmbH (SES) that MVV Umwelt, one of Europe’s
leading companies of the industry, uses in their
plants, already shows how innovative and powerful
methods can be used in practice.
A fundamental prerequisite for this is a continuous
process quality and condition monitoring
of plants and components in thermal waste
treatment plants. Here a central challenge consists
in the task to reliably identify abnormalities
and also creeping changes from the vast
amount of process data provided by modern
control systems in order to react early and thus
in time. Methods for the physical modeling in
predictive maintenance create a crucial basis
for this. Moreover, groundbreaking technologies
like Big Data and machine learning in combination
with AI methods allow to largely automate
the procedures for the modeling and thus
the determination of reference values for the
real-time monitoring of thermal waste treatment
plants. After all, especially the users and
thus the operation management and maintenance
in thermal waste treatment plants benefit
from such developments, as examples from
practice prove.
l
Autoren
Mariusz Maciejewski
Director Sales
STEAG Energy Services,
System Technologies
Essen, Deutschland
Harald Moosandl
Stellv. Abteilungsleiter TU.T
MVV Umwelt GmbH
Mannheim, Deutschland
Thermische Abfallbehandlungsanlagen
(TAB) sind derzeit nahezu ausgelastet und
arbeiten zumeist mit maximaler Verwertungskapazität.
Nach technischen Optimierungen
in den letzten Jahren ist eine weitere
Steigerung des Durchsatzes meist nur durch
eine Erhöhung der Betriebsstunden und damit
einer Reduzierung der Stillstandzeiten
möglich. Diese Ziele sind vor allem mit optimierten
Strategien wie einer prädiktiven und
damit zustandsorientieren Instandhaltung
zu erreichen.
Eine innovatives System der STEAG Energy
Services GmbH (SES), das die MVV Umwelt,
eines der führenden Unternehmen der Branche
in Europa, in ihren Anlagen einsetzt,
zeigt bereits, wie innovative und leistungsfähige
Methoden in der Praxis genutzt werden
können.
Eine wesentliche Voraussetzung hierfür ist
eine kontinuierliche Prozessgüte- und Zustandsüberwachung
von Anlagen und Komponenten
in TAB. Eine zentrale Herausforderung
besteht dabei darin, aus der Fülle an
Prozessdaten, die moderne Leitsysteme bereitstellen,
zuverlässig Auffälligkeiten und
auch schleichende Veränderungen zu identifizieren,
um hierauf früh- und damit rechtzeitig
reagieren zu können. Eine entscheidende
Basis hierfür schaffen Methoden zur physikalischen
Modellbildung in der prädiktiven
Instandhaltung. Wegweisende Technologien
wie Big Data und Machine Learning ermöglichen
es in Kombination mit KI-Methoden
überdies, die Verfahren zur Modellbildung
und damit die Ermittlung von Referenzwerten
zur Echtzeitüberwachung von TAB weitestgehend
zu automatisieren. Von solchen
Entwicklungen profitieren letztendlich vor
allem die Anwender und damit die Betriebsführung
und Instandhaltung in TAB, wie
Beispiele aus der Praxis belegen.
Aufgrund der Fortschritte im Bereich der
Leitsysteme lassen sich heute sensorbasierte
Daten in TAB in Echtzeit erfassen. Solche
Daten sind oftmals in einer zentralen
Datenbank gespeichert und stehen daher
bei Bedarf der gesamten Organisation zur
Verfügung.
Gleichzeitig ist es schwierig, aus der Fülle
an Daten aussagekräftige Informationen
zum Zustand von Anlagen und Komponenten
in einer TAB zu erhalten, zumal ständig
wechselnde externe Faktoren wie Wetter,
Abfallqualität, Last, Schadstoffe, etc. das
Personal vor zusätzliche Herausforderungen
stellt.
Veränderungen frühzeitig
und verlässlich erkennen
Um rechtzeitig auf Auffälligkeiten in Anlagenprozessen
reagieren zu können, ist es
entscheidend, frühzeitig und gesichert
Veränderungen im Betriebsverhalten zu erkennen,
die möglicherweise auf sich anbahnende
Schäden und erhöhte Verluste
hindeuten. Sind solche Informationen unmittelbar
verfügbar, ermöglicht das prädiktive
Instandhaltungsstrategien und in
der Folge gleichsam zeitige wie gezielte
Reaktionen, noch bevor konkrete Schäden
oder gar ungeplante Anlagenstillstände
drohen.
SR::SPC ist ein in der Praxis bereits vielfach
bewährtes intelligentes Frühwarnsystem
von SES für die kontinuierliche Prozessgüte-
und Zustandsüberwachung technischer
Anlagen und deren Prozesse. Mit
Predictive Analytics, einer der derzeit
wichtigsten Big Data-Trends, überwacht
das System kontinuierlich den aktuellen
Zustand einer Anlage oder Komponente
und vergleicht diesen in Echtzeit mit zuvor
ermittelten Referenzwerten. Ergeben sich
relevante Abweichungen zwischen Ist- und
Referenzwert, wird automatisch ein Alarm
erzeugt, sodass sofort reagiert werden
kann.
Eine KI-basierte Erweiterung des Frühwarnsystems
(SR::SPC ML) für die prädiktive
Instandhaltung in TAB nutzt nun konsequent
die Potenziale wegweisender
Technologien wie Big Data und Machine
Learning. Veranschaulicht werden soll dies
zunächst anhand der Methoden der physikalischen
Modellbildung in der prädiktiven
Instandhaltung.
Modellbildung in der
prädiktiven Instandhaltung
Auf der Grundlage vorhandener Betriebsmesswerte
werden aus historischen,
40