Aufrufe
vor 8 Monaten

Verfahrenstechnik 1-2/2018

Verfahrenstechnik 1-2/2018

Big Data in der

Big Data in der Prozessautomatisierung Neue Servicemöglichkeiten durch die Nutzung intelligenter Gerätedaten Big Data ist eines der Schlagworte im Kontext Digitalisierung, die auch die Prozessindustrie zu einem Umdenken hinsichtlich neuer Konzepte im Bereich Monitoringund Optimierungsaufgaben führt. Einfachste Möglichkeiten der Sensorvernetzung erlauben es heute, Daten in großen Mengen über lange Zeiträume zu erfassen – auch erst mal ohne Idee einer möglichen Verwendung. Hat man Daten erst einmal erfasst, helfen computergestützte Mustererkennungsmethoden, Auffälligkeiten zu finden – sogar ohne Systemkenntnis. Vorangetrieben wird dieser Trend durch immer weiter fallende Preise von Speichern und Sensoren und durch die Bereitschaft der Anwender zur Datenfreigabe. Warum nicht diese Daten nutzen, um bspw. n die Anlage so weit zu flexibilisieren, dass in Phasen hohen Marktbedarfs und Gewinnmöglichkeiten die geplanten Wartungsfenster verschoben werden können, ohne den sicheren Anlagenbetrieb zu gefährden n in geplanten Stillstandzeiten die Arbeiten auf die Assets zu konzentrieren, die tatsächlich einer Wartung bedürfen. So können Wartungsfenster kurz gehalten und aufwändige Maßnahmen durch Ein- und Ausbau von Komponenten in explosionsgefährdeten Bereichen oder bei toxischen Medien vermieden werden. Dieser Trend hat jedoch in der Prozessindustrie durch die strengen Anforderungen an den Know-how-Schutz noch keine erkennbaren Spuren hinterlassen. Auch erfüllen handelsübliche smarte Sensoren häufig nicht die Anforderungen an Explosionsschutz oder Hygiene. Dazu kommt die fehlende (technische) Infrastruktur, denn die verbreitete 4- bis 20-mA-Technik erlaubt nur die Erfassung von Messwert und Fehlerstrom. Selbst bei Anlagen mit Hart oder Feldbus bleiben die meisten Gerätedaten ungenutzt. Bei Profibus bspw. werden nur die Daten des zyklischen Kommunikationskanals vom Leitsystem genutzt und in der Operator Station angezeigt. Die umfangreichen Geräteinformationen des azyklischen Kommunikationskanals dagegen finden häu- fig keine Beachtung. Viele Asset-Management-Systeme beschränken sich bei der Hart-Kommunikation auf die Haupt-Variablen und das einfache Diagnose-Byte – und das, obwohl die Namur schon vor weit über zehn Jahren mit ihrer NE 107 eine umfassende Herstellerempfehlung veröffentlichte, in der für jeden Sensor- und Aktortypen umfangreiche Listen und Klassifizierungen von Gerätefehlern und Wartungsanforderungen spezifiziert und von nahezu allen Feldgeräte- Herstellern umgesetzt wurden. Fokussierte Wartungsplanung Anlagenbetreiber und Gerätehersteller sind sich sicherlich einig, dass diese „gestrandeten“ Daten einerseits hilfreich sind, um Anlagenstillstände zu verringern oder sogar zu vermeiden. Andererseits ist die Deutung der Daten nur Fachleuten vorbehalten, und der Aufwand für die Datenerfassung gestaltet sich kompliziert und aufwändig. Denn 01 Der Stellungsregler Sipart PS2 wird in Industrieanlagen zur Regelung von Ventilen eingesetzt und ermittelt im Betrieb eine Vielzahl von Diagnosewerten; Simatic PDM liest diese Diagnosedaten im Hintergrund aus den Geräten, so lassen sich Veränderungen ermitteln, die auf den Wartungsbedarf des Ventils hinweisen Autoren: Dr. Martin Augustin, Jan Kiehne, Robert Stegmanns, Prozessautomatisierung und Instrumentierung, Produktmanagement, Services und technischer Support Business Unit PD PA PI, Siemens AG, Karlsruhe 28 VERFAHRENSTECHNIK 1-2/2018

MESSEN, REGELN, AUTOMATISIEREN 02 03 Das Diagramm zeigt die Auswertung der Diagnoseaufzeichnung von Simatic PDM: Man sieht, dass der Betrag der Nullpunktverschiebung zunimmt; Grund dafür kann eine Abnutzung des Ventilkegels/-sitzes sein; Die Siemens App Valve Predictive Maintenance kann solche Anomalien erkennen und macht Vorschläge für Wartungspläne Zero point displacement/% –3,6 –3,5 –3,4 –3,3 –3,2 –3,1 –3,0 –2,9 –2,8 –2,7 Der Stellungsregler Sipart PS2 ist in der Lage ein Toleranzband (Totzone) zu ermitteln, um ein Optimum aus Genauigkeit und Verschleißminimierung herzustellen; Eine Erhöhung der adaptiven Totzone deutet auf erschwerte Regelbedingungen an der Armatur hin, die beispielsweise durch Verschleiß von Dichtungen auftreten können Deathband/% 1,8 1,6 1,4 1,2 1 0,8 0,6 0,4 0,2 0 10.17 11.17 11.17 11.17 11.17 12.17 12.17 12.17 12.17 12.17 01.18 01.18 01.18 10.17 11.17 11.17 11.17 11.17 12.17 12.17 12.17 12.17 12.17 01.18 01.18 nur in seltenen Fällen wird ein Asset Manager jeden einzelnen seiner Gerätetreiber – sei es eine EDD oder ein DTM – einzeln öffnen und sich in herstellerabhängige Bedienoberflächen und Parameterbezeichnungen einarbeiten. Dazu kommt, dass der Asset Manager immer nur die Momentaufnahme des Gerätezustands sieht, was eine Bewertung erschwert bis unmöglich macht. Genau diese Lücke schließt die aktuellste Version der Simatic PDM Maintenance Station mit einer Funktion zur Datenerfassung, die für viele existierende Anlagen eingesetzt werden kann. Die Maintenance Station liest in festen Zeitabständen Konfigurationsund Diagnosedaten aus dem Feldgerät und speichert diese zeitgestempelt ab. Dies erfolgt vollständig automatisiert und unabhängig vom Anlagenbetrieb. Auf diese Weise erhält man für jedes Feldgerät eine Art „Langzeit-EKG“ und seinen „Gesundheitszustand“ über große Zeiträume hinweg. Diese Datensätze können dann vom eigenen Fachpersonal mittels entsprechender Tools analysiert oder über sichere Datenübertragungen den Siemens Fachexperten zur Verfügung gestellt werden. Mit der Simatic PDM Maintenance Station werden also erstmals automatisiert Big Data erfasst. Dies läutet eine ganz neue Ära an Servicemöglichkeiten und -produkten ein. Intelligente Algorithmen Ähnliche Darstellungen werden bei der Siemens Prozessinstrumentierung zu vielen Problemstellungen inklusive eines Berichts erzeugt und dem Kunden zur Verfügung gestellt. Dabei enthalten die Serviceberichte auch Algorithmen zur automatischen Erkennung von Anomalien oder Abweichungen zur Historie. Abweichungen entstehen bspw. durch Änderungen im Prozess oder an den Umgebungsbedingungen, aber auch bei schleichender Abnutzung an Ventilen durch Ablagerungen, Reibung oder Leckage. Liegt bspw. die Regelabweichung bei geschlossenem Ventil bei 1 %, kann das seine Ursache in einer lang zurückliegenden Initialisierung oder einem losen Anbauteil der Positionserfassung haben, aber auch von Ablagerungen am Ventilkegel herrühren. Durch das Auslesen des Gerätezustands in festen Zeitrastern und sinnvollen Korrelationen werden Veränderungen systematisch erkennbar und Ursachen ermittelt. Bei der Interpretation der Daten ist heute noch der enge Austausch zwischen dem Asset Manager und dem Anlagenfahrer wichtig, da Ursachen häufig nur gemeinsam gefunden werden können. Auf Basis dieser Zusammenarbeit entstehen dann ständig neue Algorithmen, die zukünftig den manuellen Aufwand für Analyse und Erkennung immer weiter verringern werden. Die von Siemens entwickelte App „Valve Predictive Maintenance“ ist ein weiteres Ergebnis von Pilotanwendungen bei Kunden. Auf Basis von Kooperationen und Dutzenden Kundeninterviews enthält die App eine Reihe von Methoden zur Erkennung von aktuellem oder zukünftigem Wartungsbedarf. Wie bei den Expertenberichten nutzt die App konsequent die Big Data Funktion der Simatic PDM Maintenance Station und hilft einerseits bei der vorausschauenden Planung von Ventilwartungen und andererseits bei der Vorhersage von auftretenden Problemen. Hin zum größeren Ganzen Mit der Simatic PDM Maintenance Station ist Big Data für Gerätezustände in der Prozessinstrumentierung für viele existierende Installationen möglich geworden – insbesondere in Brownfield Anlagen, in denen oftmals bereits intelligente Feldgeräte verbaut sind, deren Daten bisher nicht vollumfänglich genutzt werden konnten. Siemens bietet, basierend auf diesen Daten, ein Service-Portfolio an, das von Remote-Services, Expertenanalysen und -berichten bis hin zu einem cloud-basierten Tool zum Auffinden von zustandsbasiertem Wartungsbedarf bei Ventilen reicht. Die App hilft hier, Wartungsbedarf rechtzeitig zu erkennen und ereignisgesteuerte Wartungspläne zu erstellen. Eine der Herausforderungen in der Umsetzung ist aktuell sicherlich die Datenintegrität der Kundendaten. Hier sucht Siemens durch agile Entwicklungsmethoden den engen Kundenkontakt, um auf Anforderungen schnell reagieren zu können, die Methoden zur Wartungserkennung kontinuierlich zu verbessern und gemeinsam mit dem Kunden neue Ansätze zu validieren. Fotos: Fotolia (Taiga, 80321046), Siemens www.siemens.de VERFAHRENSTECHNIK 1-2/2018 29

Ausgabe