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

VGB PowerTech 7 l 2020
Optimierte Instandhaltungsstrategien in der thermischen Abfallverwertung
sensorbasierten Daten digitale Abbilder
(Digital Twins) generiert und kontinuierlich
mit den aktuellen Daten verglichen,
um frühzeitig belastbare Hinweise auf Auffälligkeiten
oder schleichende Veränderungen
einer Anlage zu erhalten. Um solche
Anomalien zuverlässig zu erkennen
und gleichzeitig Phantom-Anomalien zu
vermeiden, dienen zur Modellbildung bislang
zwei unterschiedliche, aber sich
durchaus ergänzende Methoden.
Mit Expertenwissen zu
High-Quality-KPIs
Der HQ-KPI-Ansatz (HQ-KPI: High Quality-Key
Performance Indicator) basiert auf
Expertenwissen, wobei ausgewählte Messungen
und wichtige Kenngrößen überwacht
werden, von denen bekannt ist, dass
sie besonders aussagekräftig für die frühzeitige
Erkennung spezifischer Störungen
in kritischen Anlagenteilen sind.
Auf Basis historischer Daten lassen sich
dann mit Machine Learning-Verfahren und
neuronaler Netze Modelle erstellen, die
das Verhalten im Normalzustand abbilden.
Experten legen die für ein solches Modell
erforderlichen Eingangsgrößen fest. Mithilfe
der Erfahrungen des Bedienpersonals
einer Anlage werden zudem Einfluss- und
Störgrößen definiert. Der Einsatz zusätzlicher
ausgewählter statistischer Methoden
ermöglicht es schließlich, Anomalien robust
und zuverlässig zu erkennen. Ein derartiger
HQ-KPI wird im Anschluss offline
getestet und bei Bedarf korrigiert. Erst
nach einer längeren Prüfung erfolgt die
Freigabe für den Online-Einsatz. Dieses
Verfahren gewährleistet, dass die Anzahl
der Fehlalarme auf nahezu null reduziert
wird, wodurch wiederum das Vertrauen
des Bedienpersonals in das System wächst.
Die ausgewählten überwachten Messungen
oder wichtigen Kenngrößen werden
übersichtlich in einem Cockpit dargestellt,
um auf Basis dieser Informationen über
mögliche weitere Untersuchungen oder
konkrete Instandhaltungsmaßnahmen entscheiden
zu können.
Autonomes Lernen auf Basis
von Big Data
Der beschriebene Prozess lässt sich mit Big
Data-Technologien automatisieren, wobei
die zunächst nicht bekannten Abhängigkeiten
oder Zusammenhänge der Daten
durch entsprechende Algorithmen automatisch
und selbstlernend erkannt werden.
Zur Anomalie-Erkennung von sensorbasierten
Daten dienen Algorithmen wie
der Deep Learning-Autoencoder. Er verwendet
sämtliche verfügbaren Messwertkanäle
und ermittelt selbstständig die Zusammenhänge.
Alle genutzten Messwerte
sind somit sowohl Eingangs- als auch Zielgröße
und müssen nicht, wie beim HQ-KPI-
Ansatz, explizit vorgegeben werden. Die
Ergebnisse (Abweichungen zwischen Erwartungs-
und Ist-Wert) werden in einer
Heatmap dargestellt.
Intelligente Erweiterung
der Verfahren
Die KI-basierte Erweiterung des weiter
oben beschriebenen Frühwarnsystems
kombiniert nun die Vorteile aus beiden Methoden
und ermöglicht eine schnelle Überwachung
aller verfügbaren Messwerte
ohne großen initialen Aufwand. Die Qualität
der Ergebnisse reicht hierbei nahezu an
die HQ-KPIs heran.
Alle relevanten Betriebswerte aus den sensorbasierten
Daten einer Anlage dienen
hierbei als Eingangsgrößen für das System.
Mithilfe von Big Data-Methoden und Machine
Learning identifiziert die Lösung bestehende
Korrelationen und bildet autonom
entsprechende Modelle. Die Algorithmen
des Deep Learning Autoencoders
ermitteln in diesem Zusammenhang aus
den Eingangsgrößen die für die Prozessoptimierung
wichtigen Referenzwerte. Anhand
dieser Referenzwerte lassen sich wiederum
die konkreten Stellgrößen bzw. Parameter
zur Prozessoptimierung festlegen.
Bei Bedarf kann die Erkennungsrate für besonders
wichtige Größen mithilfe der klassischen
Expertenmodelle weiter gesteigert
werden. Da die Verfahren zudem beliebig
skalierbar sind, lassen sie sich „smart“ miteinander
kombinieren, wodurch die lückenlose
Überwachung mit dem neuen
System in wichtigen Bereichen durch den
klassischen und wissensbasierten Ansatz
unterstützt wird.
Innovationsprojekt
„Big Data und KI“
Die beschriebene Lösung für die statistische
Prozesskontrolle hat sich zur kontinuierlichen
Prozessgüte- und Zustandsüberwachung
bereits in der Praxis bewährt, wie
eine Anwendung bei der MVV Umwelt belegt.
Das Unternehmen ist eine Tochtergesellschaft
des Mannheimer Energieunternehmens
MVV Energie und bündelt alle Aktivitäten
im Bereich der Energieerzeugung
in Europa. Die Gesellschaft verfügt über
eine installierte Leistung von insgesamt
467 MW elektrisch alleine aus erneuerbaren
Energien. Der Großteil wird mit acht
thermischen Abfallverwertungsanlagen
und vier Biomassekraftwerken in Deutschland,
England und Schottland erzeugt,
wobei man jährlich ca. 1,5 Mio. Mg Abfall
und 0,6 Mio. Mg Altholz zu Energie recycelt.
Die Produktionsprozesse, gesteuert
durch moderne Prozessleitsysteme, sind
vollautomatisiert. Je Anlage sind hierzu
mehrere Tausend Sensoren und Aktoren
im Einsatz. In einem Langzeitarchiv werden
seit 1991 alle zwei Sekunden rund
25.000 Messwerte abgespeichert.
Da diese Daten eine Vielzahl an Informationen
über die einzelnen Anlagen liefern,
besteht ein immenses Potenzial, das
Prozesswissen gezielt auszubauen und die
Effizienz sowie Verfügbarkeit der Anlagen
zu steigern. Daher wurde gemeinsam
das Innovationsprojekt „Big Data und
KI“ gestartet. Die darin enthaltenen Projekte
werden in einer zentralen Abteilung
zur Anlagenoptimierung und Digitalisierung
gebündelt und hierbei Methoden
wie Big Data und KI-Technologien
mit ingenieurtechnischem Wissen kombiniert.
Umfang an Prozessparameter
erschwert Überwachung
Durch die fortschreitende Automation der
Anlagen ist zwar der Betrieb mit weniger
Personal möglich. Allerdings wird es hierdurch
schwieriger, alle Prozessparameter
in ausreichender Tiefe zu überwachen, wobei
insbesondere der große Umfang an
Prozessparametern dem Betriebs- und Instandhaltungspersonal
die Einschätzung
und Beurteilung von Teilprozessen oder
Einzelkomponenten erschwert. Um unbemerkte
Verschlechterungen des Anlagenwirkungsgrads
und scheinbar plötzliche
Ausfälle von Komponenten zu vermeiden,
ist eine kontinuierliche Überwachung erforderlich,
die Anomalien rechtzeitig erkennt
und meldet. Hierzu muss der aktuelle
Zustand mit einem auf Basis verschiedener
Einflussfaktoren erwarteten Referenzzustand
verglichen werden. Aus den aufgezeichneten
Messdaten lassen sich aussagekräftige
Referenzmodelle erstellen, die
das Verhalten im erwarteten Zustand abbilden.
Das zu Beginn des Beitrags beschriebene
System von STEAG Energy Services
sowie dessen KI-basierte Erweiterung
wurden ab Oktober 2018 über einen Zeitraum
von sechs Monaten in den thermischen
Abfallverwertungsanlagen der
MVV Umwelt am Standort Mannheim getestet.
Systematische Vernetzung
einzelner Standorte
Eine grundlegende Voraussetzung zur Realisierung
der Digitalisierungsprojekte wie
das Monitoring-System ist die Vernetzung
der einzelnen Standorte in Europa. Im ersten
Schritt wurden hierzu die Prozessanbindungen
auf standardisierte Schnittstellen
aufgerüstet, eine zentrale IIoT-Plattform
(Industrial Internet of Things)
aufgebaut und die Prozessleitsysteme der
Standorte über einen OPC-UA Server mit
dem jeweiligen IIoT-Netzwerksegment verbunden.
Jedes Segment besitzt einen eigenen Koppelrechner,
der die Daten aus dem Leitsystem
über Virtuelle Private Netzwerke
(VPN) an das zentrale Langzeitdatenarchiv
in Mannheim übermittelt. Auch aus dem
41