Ein KI-basierter Ansatz für das Zuverlässigkeitsmanagement motorbetriebener Pumpen

Überblick

Anlagenzustandsdaten von angeschlossenen Geräten können sich als wertvoll herausstellen – wenn man sie zu nutzen weiß. Andernfalls handelt es sich nur um eine kostspielige Datensammlung. Nehmen wir zum Beispiel an, Sie verfügen über umfangreiche Messdaten aus dem Internet der Dinge (IoT) und sind für die vollständige Ausschöpfung dieser Daten auf Fachexperten (SME) angewiesen, die in der Zuverlässigkeitsbranche immer seltener anzutreffen sind. Die Lösung Den Prozess der Gewinnung von Erkenntnissen aus Daten automatisieren. In diesem Artikel erörtern wir das InsightCMTM Analytics Toolkit, einen neuen Ansatz für die Zustandsüberwachung und vorausschauende Wartungsanalysen.

Herausforderungen bei traditionellen Analyseverfahren

In Pilotprojekten zur vorausschauenden Wartung (Predictive Maintenance, PdM) kommen oft schwierige Fragen auf:

Welche Daten werden benötigt?

Reine datenwissenschaftliche Analysen sind von Vorteil, weil man mit zur Verfügung stehenden Daten arbeiten kann. Aber gewähren diese Daten über ihre bequeme Verfügbarkeit hinaus auch Einblicke für die Analytiker, um Fehlschläge vorherzusagen? Einfach zugängliche Daten stammen oft aus Prozesssteuerungs- oder Asset-Management-Systemen. Und obwohl Prozessvariablen Einblicke in den Anlagenzustand gewähren können, sind diese Systeme eigentlich für den Betrieb einer Produktionslinie gedacht. So sind beispielsweise Motorvibration und Stromverläufe gängige Messgrößen für die Zuverlässigkeit, fließen jedoch in der Regel nicht in die Bewertung eines Produktionssteuerungssystems ein. Lücken in der Datenabdeckung führen zu unvollständigen Fehlerzuständen, die in Machine-Learning-Umgebungen schwer zu erkennen sind.

Welche Kompetenzen werden für das Training der Modelle benötigt?

Machine-Learning-Modelle suchen nach Mustern und Korrelationen innerhalb einer Sammlung nicht gekennzeichneter, einheitsloser Daten. Das bedeutet, dass Sie mit den zur Verfügung stehenden Daten arbeiten müssen und dass das Modell verschiedene Zustände durchlaufen muss, um Muster erkennen zu können. Ein SME bietet Unterstützung beim Trainieren des Modells, indem er diesem mitteilt: „Das ist der normale Betriebszustand für diese Eingaben.“ Denken Sie an alle Vorgänge, die eine Maschine durchläuft und die dazu führen können, dass das Modell einen neuen Zustand formuliert: Änderung der Umgebung, Betriebsgeschwindigkeiten, verwendete Materialien – alle Normalbedingungen müssen ausgewertet werden, bevor eine Messung als Abweichung eingestuft werden kann. Dies ist mit Kosten und Zeitaufwand für den SME verbunden.

Werden Störungsdaten benötigt?

Wenn Sie dem Modell mitteilen möchten, dass sich die Maschine in einem Störungszustand befindet, muss das Modell lernen, wie eine Störung aussieht.

Chris Coleman und Ed Deuel, federführende Spezialisten bei Deloitte Consulting, merken an: „Der Grund dafür, dass man im Allgemeinen nicht direkt zur vorausschauenden Wartung übergehen kann, liegt darin, dass man Zeit benötigt, um Datenerfassungsprozesse einzurichten, Sensoren an die Maschinen anzuschließen und, besonders wichtig, dass die Anlage mindestens ein paar Mal ausfallen muss, um eine Basis für die vorausschauenden Algorithmen zu schaffen. Je häufiger eine Anlage im Laufe der Zeit ausfällt, desto besser fallen folgerichtig auch die Vorhersagen aus“.1

Anlagenspezifische Analysen können hilfreich sein

Bei der anlagenspezifischen Analyse wird ingenieurwissenschaftliches Anlagenwissen (digitaler Zwilling) mit Machine Learning kombiniert, um Probleme zu ermitteln, Ausfälle vorherzusagen und letztlich das Betriebsrisiko zu bewerten.

Das InsightCM Analytics Toolkit

Im InsightCM Analytics Toolkit werden anlagenspezifische Analysen von The DEI Group mit Sensordaten von InsightCM-Anlagen kombiniert. Die von NI erhältlichen Toolkit-Komponenten enthalten alle Softwarebestandteile von InsightCM und The DEI Group, um von den Daten zur Dashboard-Anzeige zu gelangen.

Funktionen des InsightCM Analytics Toolkit PreMA für Pumpen – Basisversion PreMA für Pumpen – Vollversion

PreMA Software

 

Health Dashboard

Anomalie-Erkennung

Diagnostik

  • Wie schneidet meine Anlage bei der Zustandsbewertung insgesamt ab?
  • Welche Anlagen sollten genau auf Fehler untersucht werden?

Vorausschauend – Wie lang ist die Restnutzungsdauer der einzelnen Komponenten?

Wartungsoptimierung – Wann sollten welche Komponenten gewartet werden?

Reliability Dashboard

 

 

Mehr über The DEI Group

The DEI Group unterstützt seit über 37 Jahren Kunden wie die US Navy, Chevron Shipping, GE Power, Chevron Power, TVA, Ontario Power Generation, Duke Energy und andere dabei, Lösungen zu implementieren, die den Stand der Technik revolutionieren. In der Entwicklungsabteilung kommen höchstes akademisches Fachwissen und Industrieerfahrung in Bereichen wie Datenwissenschaft, Anlagenbau, Gerätewartung und vieler verschiedener technischer Bereiche zum Einsatz.

Kombination von technischem Wissen mit Machine Learning

Im Unterschied zu einem rein datenwissenschaftlichen Ansatz erfassen anlagenspezifische Analysen verschleißbare Komponenten und dominante Fehlerzustände und tragen Installations-, Herstellungs- und Betriebsabweichungen Rechnung. Das technische Wissen ist für jeden Pumpentyp einzigartig: Das Modell für eine vertikale, mehrstufige, axial getrennte Pumpe weicht von dem Modell für eine vertikale, eingehäusige Pumpe mit Auslass durch eine Axialflusssäule ab.

Automatische Diagnose dominanter Fehlerzustände

Mit Spannungs- und Stromsensoren, Überwachungshardware von NI, NI InsightCM und zugehörigen Toolkits können Sie die folgenden Fehlerzustände (sofern zutreffend) an einer motorgetriebenen Pumpe erkennen:

Pumpe

  • Abgenutztes Gehäuse
  • Abgenutzter Gehäuseverschleißring
  • Flanschdichtung undicht
  • Laufrad verschlissen
  • Passfeder des Laufrads durch Abscherung lose
  • Laufrad sitzt locker auf der Welle
  • Pumpenwelle verbogen
  • Pumpenwelle nicht ausgewuchtet
  • Verschleiß des Druckringes
  • Passfeder des Druckringes lose
  • Aktive Drucklager abgenutzt
  • Inaktive Drucklager abgenutzt
  • Gleitlager auf der Pumpe (lüfterseitig) abgenutzt
  • Lager-Labyrinthdichtung der Pumpe (lüfterseitig) undicht
  • Gleitlager auf der Pumpe (antriebsseitig) abgenutzt
  • Lager-Labyrinthdichtung der Pumpe (antriebsseitig) undicht
  • Innenliegende Dichtflächen verschlissen
  • Innenliegende Einzelschraubenfeder verschlissen
  • O-Ringe der Innendichtung verschlissen
  • Außenliegende Einzelschraubenfeder verschlissen
  • O-Ringe der Außendichtung verschlissen

 

Fundament

  • Fehlausrichtung des Pumpenmotors
  • Weicher Standfuß (lose Fundamentschrauben)
  • Verschleiß der elastischen Kupplungsmuffe
  • Kupplungsendringe undicht

Motor

  • Statorwicklungen kurzgeschlossen
  • Isolation der Statorwicklung abgenutzt
  • Verbindungen der Statorwicklungen lose
  • Statorkernlaminierung lose
  • Lose Verbindung der Statorkeile
  • Rotorstangen gerissen/verschlechtert
  • Rotorkernblech beschädigt
  • Statische Exzentrizität des Rotorkernluftspalts
  • Dynamische Exzentrizität des Rotorkernluftspalts
  • Motorwelle verbogen
  • Motorwellenflansch undicht
  • Lager des Motors (antriebsseitig) abgenutzt
  • Lager-Schmierring des Motors (antriebsseitig) undicht
  • Lager des Motors (lüfterseitig) abgenutzt
  • Lager-Schmierring des Motors (lüfterseitig) undicht
  • Gate-Element degradiert
  • Kühlgebläse verschmutzt

Anpassung der Sensormessungen an die Analysemethoden

Das InsightCM Analyse Toolkit setzt dem Rätselraten bei der Sensorauswahl bei der vorausschauenden Wartung ein Ende. Bei motorgetriebenen Pumpen sind für das InsightCM-Analyse-Toolkit dreiphasige Spannungs- und Strommessungen erforderlich, um die vorherrschenden elektrischen und physikalischen Fehlerzustände zu erfassen.

Durchführung dreiphasiger Spannungs- und Strommessungen

Hochgeschwindigkeits-Spannungs- und Strommessungen liefern wertvolle Datensätze wie Einschaltstrom-, Unwucht- und Seitenbandmessungen, die zur Erkennung von Fehlerzuständen – wie z. B. beschädigte Rotorstäbe und abgenutzte Isolierungen – verwendet werden.

In Systemen zur Motorstromanalyse (MCSA – Motor Current Signature Analysis) kommen Sensoren zum Einsatz, die hohe Spannungs-/Stromstärken auf Pegel abschwächen, die für den direkten Anschluss von Geräten geeignet sind:

  • Stromstärkesensoren umlaufen die elektrischen Verbindungen zum Motor (oder die sekundären Eingänge des Schutzrelais)
  • Spannungsmessungen werden direkt an Geräte von NI oder über Messwandler durchgeführt, die an dieselben Eingangsmodule wie Niederspannungs-Stromwandler angeschlossen werden

 

 

Abbildung 1. Kabelumbau-Stromsensoren werden normalerweise im Motorschaltschrank eingebaut. Sicherheit geht vor: Trennen Sie die Anlage/den Schaltschrank vor der Montage immer von der Stromversorgung.

Die Motoransteuerung erleichtert die Montage, da Sie viele Motoren von einem einzigen Standort aus überwachen können – im Gegensatz zu Vibrationsmotoren, die eine Installation an jedem einzelnen Standort erfordern.

SICHERHEITSHINWEIS: Trennen Sie die Anlage immer von der Stromversorgung, bevor Sie im Motorschaltschrank arbeiten, auch wenn Sie den Stromkreis bei der Montage nicht unterbrechen müssen.

Abbildung 2. Dank des gemeinsamen Spannungsbusses und der verfügbaren Erweiterungssteckplätze für Stromsensor-Eingangsmodule können mit einem einzigen kontinuierlichen Überwachungssystem von NI mehrere Anlagen überwacht werden.

Hinweis: Das MCSA Toolkit verbindet InsightCM mit den kontinuierlichen Überwachungssystemen von NI, um I/V-Messungen durchzuführen und ist für das InsightCM Analytics Toolkit erforderlich.

Erkennung mechanischer Probleme mit elektrischen Signalen

Herkömmliche SMEs verwenden Spannungs-/Strommessungen, um elektrische Fehlerzustände (beschädigte Rotorstäbe oder verschlissene Isolierung) zu erkennen und Schwingungssignaturen, um physikalische Fehlerzustände (Ausfälle von Wälzlagern oder Wellenversatz) zu erkennen. Mit dem InsightCM Analytics Toolkit können Sie jedoch Funktionen sowohl für durch Elektro- als auch mechanische Motoren angetriebene Pumpenkomponenten aus schnellen, zeitbasierten Spannungs-/Strom-Signalverläufen extrahieren. Physikalische Störungen wirken sich über die Exzentrizität des Luftspalts zwischen Rotor und Stator auf die elektrischen Signale aus. Dadurch lassen sich zusätzliche Störungen, wie z. B. Anzeichen für ein abgenutztes Laufrad, durch Drehmoment- und Leistungsspektrumswellen erkennen. Die Einbindung von Schwingungs- und Prozessdaten in das Modell liefert zusätzliche Fehlernachweise für den Diagnosemotor, verstärkt die Erkenntnisse über mechanische Degradierung und hilft Ihnen, eine fundierte Diagnose aufzustellen.

Konfigurierung der Pumpenanalysemodelle

Anlagenspezifische Analysemodelle müssen nicht so stark trainiert werden, sind jedoch auf das Verständnis der physikalischen Eigenschaften der überwachten Anlagegüter angewiesen. Die anlagenspezifische Komponente stellt einen „integrierten SME“ dar, der die Ausbildung überwacht und Sensorgruppierungen den korrelierenden Fehlerzuständen zuordnet.

Abbildung 3. Im InsightCM Analytics Toolkit kommen pumpenspezifische Analysemethoden zum Einsatz. Sie können den Pumpentyp in InsightCM konfigurieren, um das Modell zu benachrichtigen. (Bild mit freundlicher Genehmigung von The DEI Group)

Sie können einzelne Anlagen auf Basis der folgenden Informationen konfigurieren:

  • Pumpen- und Motorübersicht vom Typenschild
  • Sensordaten
  • Wartungshistorie

 

Nach der Konfigurierung geht das Modell in den Lernmodus über und verwendet zeitbasierte Signalverlaufsdaten, um die parametrischen Beziehungen aufzubauen, welche die relevanten Fehlerzustände darstellen. Während des Lernprozesses wird das Gerät anhand seines voraussichtlichen Betriebsbereichs beobachtet, um ein Basismodell mit hohem Konfidenzniveau zu erstellen. Die Lernzeit hängt von der Anlagenart und dem zu beachtenden Betriebsbereich ab (konstante Last/variable Last).

Sobald der Lernmodus abgeschlossen ist, zeigt das Health & Reliability Dashboard Informationen zum Fehlerzustand an. Dazu gehören:

  • Bewertung des Anlagenzustands, der Kritikalität und Zuverlässigkeit je nach Fehlerzustand
  • Restnutzungsdauer
  • Eine Zuverlässigkeitsprognose für die nächsten 30/60/90/120 Tage für den gesamten Anlagenbestand und jede Einzelkomponente (Motor/Pumpe)

Interaktion mit Ihren Daten

Die verschiedenen Projektbeteiligten benötigen für ihre Arbeit unterschiedlich viele Daten und Informationen. Mit dem InsightCM Analytics Toolkit stehen Ihnen drei Informationsebenen zur Verfügung, um unterschiedliche Arbeitsabläufe zu berücksichtigen.

High-Level-Dashboards und Wartungsplan

Nutzen Sie das InsightCM Reliability Dashboard, um aktuelle und zukünftige Betriebsrisiken in interaktiver Form zu analysieren. Außerdem können Sie das Risiko einzelner Komponenten (Laufräder oder Lager) auf dieser Ebene bewerten. Der Schedule Optimizer verbindet die Anlagenzustandsdaten mit einem vom Benutzer eingegebenen Verfügbarkeitsplan (Produktionsplan und geplante Ausfälle) und Kosten-/Risikobeschränkungen, um einen Reparaturplan für einzelne Komponenten zu erstellen. Nutzen Sie diesen Zeitplan, um Anlagen nur bei Bedarf zu reparieren (Senkung der Wartungskosten) und durch den Austausch anderer abgenutzter Komponenten, während die Anlage offline ist, Zeit zu gewinnen (Steigerung der Kapitalrendite).

Abbildung 4. Anzeige der Gesamtbewertungen des Anlagenzustands in Echtzeit und Risikobewertung über 30/60/90/120 Tage auf dem Reliability Dashboard, das dem InsightCM Analytics Toolkit beiliegt.

Fehlerzustandsinformationen und Modelleingaben

Es ist hilfreich zu wissen, welche Pumpe ein zusätzliches Betriebsrisiko für Sie darstellt. Sobald man weiß, welche spezifische Komponente wann scheitern wird, bewegen sich die wichtigsten Leistungskennzahlen in die richtige Richtung. Sie können das Softwarepaket PreMA (im InsightCM Analytics Toolkit enthalten) verwenden, um die Messungen, welche die Ergebnisse beeinflussen, besser zu verstehen oder um die Einzelheiten zu einem Fehlerzustand einzusehen.

Abbildung 5. Die Anwendungssoftware The DEI Group PreMA (im InsightCM Analytics Toolkit enthalten) kann direkt aus InsightCM heraus gestartet werden, um bestimmte Fehlerzustände, zugehörige Messdaten und vorgeschlagene Wartungsmaßnahmen zu untersuchen.

Rohdaten der Sensoren

Verwenden Sie InsightCM, um mit branchenüblichen Analysewerkzeugen auf Rohdaten zuzugreifen, Komponenten stichprobenartig zu prüfen, Sensorprobleme zu beheben und eine Diagnose des Analysemoduls zu validieren.

Abbildung 6. InsightCM umfasst branchenübliche Berechnungs- und Anzeigefunktionen sowie Analysewerkzeuge zur Diagnose der Geräteparks von Anlagen auf der ganzen Welt.

Implementierung im Rahmen Ihrer digitalen Transformation

Analyseverfahren stellen eine komplexe und dennoch leistungsstarke Technologie zur Verbesserung der Anlagenzuverlässigkeit dar. Bei den Analyseverfahren von The DEI Group und NI InsightCM handelt es sich um sich gegenseitig ergänzende Technologien im industriellen IoT-Software-Stack, die Unternehmen bei der Modernisierung der Anlagenwartung mit einer Komplettlösung versorgen – von Sensordaten bis hin zu informativen Dashboards.

Abbildung 7. InsightCM bietet die Hardware, Sensoren, Software und Analyse-Unterstützung, die Sie benötigen, um im Rahmen eines digitalen Transformationsprogramms verschiedenste Komponenten an Ihr IoT-Netzwerk anzuschließen.