VGB POWERTECH 7 (2020) - International Journal for Generation and Storage of Electricity and Heat
VGB PowerTech - International Journal for Generation and Storage of Electricity and Heat. Issue 7 (2020). Technical Journal of the VGB PowerTech Association. Energy is us! Maintenance. Thermal waste utilisation
VGB PowerTech - International Journal for Generation and Storage of Electricity and Heat. Issue 7 (2020).
Technical Journal of the VGB PowerTech Association. Energy is us!
Maintenance. Thermal waste utilisation
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Optimierte Inst<strong>and</strong>haltungsstrategien in der thermischen Abfallverwertung <strong>VGB</strong> PowerTech 7 l <strong>2020</strong><br />
Überwachung Lagerschwingungen<br />
des Saugzuggebläses<br />
Durch KPIs werden die Lagerschwingungen<br />
des Saugzuggebläses eines abfallbefeuerten<br />
Dampferzeugers überwacht. Am<br />
1. September 2018 veränderte sich das<br />
Schwingungsverhalten, wobei die Schwingungen<br />
deutlich über den erwarteten Werten<br />
liegen. (B i l d 5 )<br />
Nach Analyse weiterer Prozessparameter<br />
erkannte man eine höhere Rauchgas-Feuchte<br />
und Staubbeladung, die zu vermehrten<br />
Ablagerungen auf dem Laufrad des Gebläses<br />
führen können. Es wurde festgelegt,<br />
dass genauere Untersuchungen vorgenommen<br />
werden sollten, falls sich die Schwingungen<br />
nach den anstehenden Sprengreinigungen<br />
nicht normalisieren. Ende Dezember<br />
2018 verringerten sich jedoch die<br />
Schwingungen, worauf das Überwachungsprogramm<br />
den Alarm beendete. Vorsorglich<br />
wurde der Saugzug beim nächsten Stillst<strong>and</strong><br />
gereinigt und kontrolliert.<br />
Bild 6. Auszug <strong>Heat</strong>map: Die Messstellen sind auf der horizontalen und der Zeitraum auf der vertikalen<br />
Achse dargestellt. Je stärker die Abweichungen, desto intensiver ist die Blaufärbung<br />
zum betrachteten Zeitpunkt.<br />
Überwachung einer Turbine<br />
mithilfe von Machine Learning<br />
Bei einem Turbosatz einer Turbine analysierte<br />
man über einen Zeitraum von Anfang<br />
2015 bis Oktober 2018 insgesamt 170<br />
Einzelwerte mit SR::SPC ML. Entdeckte<br />
Auffälligkeiten sind in B i l d 6 als Ausschnitt<br />
aus der <strong>Heat</strong>map dargestellt.<br />
Während der Analyse wurden Auffälligkeiten<br />
an 16 Messwerten erkannt, die ab Mai<br />
2017 große Abweichungen vom Normalbetrieb<br />
aufwiesen. Eine Erkenntnis aus der<br />
Analyse ergab, dass sich nach einer Revision<br />
im Jahre 2017 eine thermische Verschiebung<br />
in den Generatorlagern einstellte,<br />
wobei sich die Temperatur eines Lagers um<br />
10 K erhöht hatte. Außerdem vergrößerte<br />
sich die Wellenschwingung eines HD-Lagers<br />
der Turbine um das Dreifache. Nach<br />
etwa elf Monaten stiegen die Temperatur<br />
und die Schwingung des Generatorlagers<br />
erneut rapide an. Wenig später fiel der Generator<br />
aufgrund eines Schadens aus. Trotz<br />
Inst<strong>and</strong>setzung zeigte der Antriebsstrang<br />
nach Inbetriebnahme Mitte 2018 ein höheres<br />
Schwingungsverhalten, wobei insbesondere<br />
das Niederdrucklager der Turbine<br />
als auch die Getrieberitzelwelle Auffälligkeiten<br />
aufwiesen (B i l d 7 ). Die entsprechenden<br />
Messstellen wurden daher als High<br />
Quality-KPIs für eine automatische Alarmierung<br />
bei weiteren Verschlechterungen<br />
nachgebildet. Darüber hinaus beauftragte<br />
man eine auf Schwingungsanalysen spezialisierte<br />
Firma mit einer Ursachenanalyse.<br />
Bild 7. Auffällige Messwerte: Die Wellenschwingung des HD-Lagers hat sich um das Dreifache<br />
vergrößert (A). Nach etwa elf Monaten erhöhten sich die Temperatur und die Schwingung<br />
des Generatorlagers erneut, worauf der Generator kurze Zeit später ausfiel (B). Trotz<br />
Inst<strong>and</strong>setzung hat der Antriebsstrang nach Inbetriebnahme immer noch ein erhöhtes<br />
Schwingungsverhalten. Besonders auffällig sind das Niederdrucklager der Turbine und<br />
die Getrieberitzelwelle (C).<br />
Hocheffiziente Strategien steigern<br />
Betriebszeiten<br />
Die Erweiterung des Systems zur statistischen<br />
Prozesskontrolle belegt, dass der<br />
konsequente Einsatz KI-basierter Methoden,<br />
wie z.B. Big Data und Machine Learning,<br />
sowie <strong>for</strong>tschrittliche Algorithmen<br />
wie der Deep Learning Autoencoder die<br />
physikalische Modellbildung in der prädiktiven<br />
Inst<strong>and</strong>haltung nochmals deutlich<br />
vereinfacht. Die neue Lösung vereint<br />
hierbei die Vorteile von Expertenwissen<br />
(HQ-KPI-Ansatz) mit Big Data-Methoden<br />
für die Automatisierung von Modellierungsprozessen<br />
zur Ermittlung von KPIs<br />
für die kontinuierliche Prozessgüte- und<br />
Zust<strong>and</strong>süberwachung. Das Ergebnis ist<br />
eine gezielte Verdichtung einer Vielzahl<br />
von Messdaten zu aussagekräftigen Kennzahlen.<br />
Die größte Stärke des Systems besteht in<br />
der automatischen Überwachung aller<br />
prozessrelevanten Baugruppen und Anlagen,<br />
wodurch Abweichungen im Anlagenverhalten<br />
frühzeitig diagnostiziert werden.<br />
Dies entlastet nachhaltig Betriebsund<br />
Inst<strong>and</strong>haltungsingenieure, da sie<br />
proaktiv von dem Frühwarnsystem benachrichtigt<br />
werden und somit im Sinne<br />
einer hocheffizienten prädiktiven Inst<strong>and</strong>haltungsstrategie<br />
stets rechtzeitig reagieren<br />
können. Darüber hinaus unterstützt<br />
das System die Planung von Reinigungs-,<br />
Reparatur- und Revisionsarbeiten, da es<br />
im Vorfeld solcher Aufgaben explizit auf<br />
Anlagenbereiche aufmerksam macht, die<br />
möglicherweise bereits im Zuge der kontinuierlichen<br />
Überwachung auffällig waren.<br />
Diese und weitere Vorteile führen letztendlich<br />
zu positiven Ergebnissen wie eine<br />
Steigerung der Anlagenverfügbarkeit, reduzierte<br />
Stillst<strong>and</strong>zeiten, einen höheren<br />
Durchsatz und in der Folge zu längeren,<br />
produktiven Betriebszeiten.<br />
l<br />
44