Tech News

Dem Energiebedarf mit Predictive Analytics begegnen

Predictive-Maintenance

Silicon Valley Power implementierte ein System mit Machine Learning Technologie zur Überwachung kritischer Kraftwerkskomponenten. Die Lösung hat sich bewährt, um Ausfallzeiten zu reduzieren und Geld zu sparen. Darüber hinaus hat das drahtlose Predictive Maintenance Program einen hervorragenden Return on Investment ermöglicht.

 

Im September 2017 erreichte eine Hitzewelle in Kalifornien ihren Höhepunkt. Pacific Gas and Electric meldete Stromausfälle in der San Francisco Bay Area. Das Energienetz des Staates stand vor einer beispiellosen Herausforderung. Wenn die Nachfrage das Angebot übersteigt, wären Notfallmaßnahmen, einschließlich Roll-Out, erforderlich gewesen. Der Staat hatte das seit Jahren nicht mehr erlebt.

Silicon Valley Power (SVP) – das kommunale Stromversorgungsunternehmen im Besitz der Stadt Santa Clara, Kalifornien, versorgt mehr als 53.000 Privat- und Geschäftskunden mit Strom. Die Mission von SVP ist es, ein fortschrittliches, serviceorientiertes Versorgungsunternehmen zu sein, das zuverlässige, preisgünstige und zuverlässige Dienstleistungen anbietet. SVP hat es geschafft, die niedrigsten Strompreise unter den kalifornischen Versorgungsunternehmen zu halten, und sie hat zahlreiche Auszeichnungen erhalten, unter anderem für die hohe Kundenzufriedenheit und den Einsatz erneuerbarer Energien.

Das wichtigste Kraftwerk der SVP in der Stadt, das Kraftwerk Donald von Raesfeld, ist eine 148-MW-Erdgasanlage. Seit 2005 in Betrieb, ist es eine Zwei-zu-Eins-Kombikraftwerk mit zwei Verbrennungs- und einer Dampfturbine. Santa Clara ist die Rechenzentrumskapitale der USA, und die von SVP erzeugte Energie ist ein wichtiger Bestandteil der High-Tech-Wirtschaftsinfrastruktur. Die Stadt Santa Clara hat aggressive Ziele für grüne Energie, und SVP liefert derzeit 40% seines Stroms aus erneuerbaren, kohlenstofffreien Ressourcen, ein deutlich höherer Prozentsatz als das kalifornische Mandat. Da erneuerbare Energien einen größeren Teil des Mixes ausmachen, müssen Gaskraftwerke ihre Leistung auf und ab steigern, was die Belastung der Anlagen erhöht.

Periodische Überwachung ungenügend

Ein Generatorkühlgebläse ist eine kritische Komponente für Energieerzeugungsanlagen. Fällt der Ventilator aus, muss die Gasturbine abgeschaltet werden oder es besteht die Gefahr von Kollateral- und Strukturschäden, Ausfällen oder sogar einem katastrophalen Ausfall. Der Generatorlüfter ist mit einer periodischen Schwingungsüberwachung schwer zu überwachen, da er oft zyklisch arbeitet und während eines geplanten Rundgangs möglicherweise nicht in Betrieb ist.

Vor einigen Jahren erlebte SVP einen katastrophalen Ausfall eines Generatorkühlgebläses. In diesem Fall trat der katastrophale Ausfall ein, als sich der Ventilator von der Welle löste und im Inneren des Gehäuses ricochete, zerbrach, zu Pulver pulverisierte und in den Generator wanderte, was eine Abschaltung des Generators für vier Wochen erzwang und teure Reparaturen zur Folge hatte. SVP hatte ein monatliches Walk-Around-Programm zur Schwingungsüberwachung eingesetzt. Die Methode, die in der Industrie zwar weit verbreitet ist, hat aber drei Hauptherausforderungen:

■ Durch die Datenerfassung nur einmal im Monat können einige Probleme, die zwischen den monatlichen Runden auftreten, übersehen werden.
■ Die manuelle Datenerfassung führt zu Fehlern, indem sie unter ähnlichen Betriebsbedingungen keine Schwingungsdaten sammelt, da die Belastungen und Bedingungen variieren; dies führt zu inkonsistenten Daten, die zu potenziell ungenauen Rückschlüssen auf den Maschinenzustand führen.
■ Die Analystenberichte können verloren gehen oder zu technisch sein, was spezielle Kenntnisse in der Schwingungsanalyse erfordert, um sie zu interpretieren.

Kritische Gas- und Dampfturbinen sind in der Regel gut instrumentiert und entsprechend überwacht, aber für jede Turbine gibt es auch zahlreiche geschäftskritische Balance-of-Plant-(BOP)-Ausrüstungsteile wie Pumpen, Motoren, Getriebe und Ventilatoren. In einigen Fällen werden diese nach einem präventiven, zeitabhängigen Zeitplan gemäß den Empfehlungen des Herstellers eingehalten.

Bis vor kurzem wurde die Mehrheit der Hilfsmaschinen von SVP jeden Monat manuell überwacht; die Arbeiter überwachten die Bedingungen (wie Vibration, Motorstrom, Thermografie und andere Parameter), überprüften die Ausrichtung, schmierten Lager und mehr in regelmäßigen Abständen. Auch mit diesen Präventivmaßnahmen stellte das Unternehmen bei geplanten Wartungsstillständen immer noch schwere mechanische Mängel fest. Die Reparaturen und der Austausch würden die Ausfallzeiten von SVP um Tage oder sogar Wochen verlängern, was einen großen Einfluss auf die Fähigkeit des Unternehmens hatte, die Energieerzeugung mit voller Kapazität zu erreichen.

Predictive-Maintenance

Der Wert einer kontinuierlichen Überwachung

SVP erkannte, dass es ein System brauchte, das eine kontinuierliche Überwachung, einfachen Datenzugriff, Echtzeit-Warnungen und automatisierte Analysen ermöglichte. Es führte einen Versuch mit Petasense, einem industriellen Internet der Dinge (IIoT) Startup, an mehreren kritischen Pumpen durch.

Petasense bietet fest installierte drahtlose Sensoren (genannt Motes) und Software, die eine Kombination aus Vibrationsanalysetechniken und fortgeschrittenem maschinellen Lernen verwendet, um Geräteprobleme genau vorherzusagen. Die Software von Petasense weist jeder Maschine eine Bewertung der Maschinengesundheit zu. Dieser Zustandswert basiert auf einem ausgeklügelten Algorithmus zum maschinellen Lernen, der das Ausmaß der Abweichung einer Schwingungsmessung von einer mehrdimensionalen Grundlinie analysiert und Echtzeit-Managementsignale liefert, wenn der Wert unter eine akzeptable Zahl fällt.

Der Pilotversuch brachte schnell Erfolge bei der Erkennung potenzieller Ausfälle, und als SVP beschloss, die Anlagenüberwachung auf andere kritische Anlagen auszudehnen, waren die Generatorventilatoren angesichts des jüngsten katastrophalen Ausfalls erste Wahl. Gerade als die Hitzewelle im September 2017 eintrat, erhielt SVP einen Echtzeitalarm über einen Generatorkühlventilator. Der Ventilator lief an alarmierenden Grenzen (ungewöhnlich hohe Vibrationswerte). Die Warnung zeigte einen Maschinengesundheitsstatus von 4, weit unter dem akzeptablen Wert von 7 (innerhalb der Software erhalten die Maschinen einen Zustandswert von 1 bis 10 basierend auf der Abweichung von der Basislinie). Am freien Ende des Ventilators wurden viele Oberwellen der Wellendrehzahl beobachtet, die eine hohe Amplitude aufweisen – ein Indikator für eine rotierende Lockerung.

In diesem speziellen Fall (neben ungeplanten Ausfallzeiten und enormen Reparaturkosten) hätte dies zu einem Zeitpunkt, an dem die Nachfrage schnell stieg, zu einer geringeren Energieversorgung des Energienetzes geführt. Angesichts der kritischen Situation hatte Petasense ein persönliches Gespräch mit dem Zuverlässigkeitsteam von SVP. Nach eingehender Analyse und Prüfung der Daten beschloss die SVP, sofort Maßnahmen zu ergreifen und das Gerät präventiv abzuschalten, auf Empfehlung von Petasense, um Reparaturen durchzuführen.

Die Anlage war innerhalb weniger Stunden wieder einsatzbereit. Die Lager wurden geschmiert und die defekten Lager ausgetauscht. Der Generatorlüfter wurde wiederhergestellt und die Vibrationen an Motor und Lüfter wurden auf akzeptable Grenzen zurückgeführt, so dass SVP weiterhin Energie produzieren kann, um den industriellen Spitzenbedarf zu decken. Die vorübergehende Abschaltung und Reparatur kostete $100.000, aber wenn der defekte Lüfter unbemerkt geblieben wäre, hätten die ungeplanten Stillstandszeiten und Reparaturkosten leicht über $1.000.000 liegen können.

Paul Manchester, Betriebs- und Wartungsmanager von SVP bei Generation: “Mit einem drahtlosen Predictive Maintenance System werden wir automatisch benachrichtigt, sobald sich ein Maschinendefekt entwickelt, was uns enorm viel Zeit und Geld spart. Wir sammeln keine Daten mehr manuell, wir führen keine vorbeugende Wartung mehr an Maschinen durch, von denen wir wissen, dass sie gesund sind, und wir machen uns keine Sorgen mehr darüber, dass eine Maschine plötzlich ausfällt und uns Ausfallzeiten kostet. Wir sahen die Vorteile der Lösung buchstäblich innerhalb weniger Tage.”

 

Implementierung einer größeren Lösung

Mit Wurzeln im Silicon Valley ist SVP immer auf der Suche nach innovativen Wegen, um seine Effizienz zu verbessern und seinen Kunden sichere und zuverlässige Stromversorgung zu bieten. Durch den Einsatz einer Predictive Maintenance-Technologie ist SVP an vorderster Front dabei, die neuesten Innovationen in den Bereichen Sensorik, Wireless-Technologie und Big Data Analytics zu nutzen. SVP ist derzeit dabei, diese in seiner gesamten Anlage zu implementieren, einschließlich anderer multiparametrischer IIoT-Sensoren, die verschiedene Arten von Anlagen abdecken und mehr Daten aus bestehenden Anlagen einbringen.

Es wird erwartet, dass das multiparametrische Monitoring ein ganzheitlicheres Bild der Anlagengesundheit liefert. So wie eine Person mehrere Labortests durch einen Arzt durchführen lässt, bietet die Integration mehrerer verschiedener Sensoreingänge eine bessere Diagnose. SVP plant, Daten wie Temperatur, Druck, Strom, Ultraschall und Vibration zu integrieren, um nicht nur bessere Diagnosen zu erhalten, sondern auch ein besseres Verständnis der Betriebsleistung und ihrer Auswirkungen auf die Instandhaltung zu erhalten.

Anstatt nur die Schwingungsdaten isoliert zu betrachten, können die Machine Learning Algorithmen Schwingungen unter den gleichen Bedingungen analysieren, einschließlich variabler Parameter wie Geschwindigkeit und Last. Das System kann auch so konfiguriert werden, dass es nur dann Alarme auslöst, wenn die Last innerhalb eines bestimmten Bereichs liegt. Dies ist besonders wichtig bei der Anlagenoptimierung für Anlagen wie Pumpen, die oft suboptimal arbeiten, auch ohne zugrunde liegende Fehler.

SVP verwendet das OSIsoft PI-System seit 2004 für seinen Datenhistoriker und expandiert bis 2013 zu einer vollständigen unternehmensweiten Bereitstellung. Es verwendet OSI PI als primäre Quelle für Asset-Informationen, die zur Optimierung von Erzeugungs- und Vertriebsanlagen verwendet werden, und zur Verfolgung von Prozessparametern, um die Betriebszeit und die betriebliche Effizienz zu gewährleisten.

Ein Teil der Erweiterung von SVP um Wireless IIoT war ein Pilotprojekt zur Integration von Petasense mit dem PI-Datenhistoriker. Dies soll es Managern ermöglichen, Anlagen- und Prozessdaten zu korrelieren und prädiktive Modelle zu erstellen, die Vibrationen zusammen mit anderen Prozessparametern nutzen. Die Kombination von Prozess- und Vibrationsdaten ermöglicht es SVP, die Zuverlässigkeit der Anlagen und die Prozessleistung zu maximieren, indem es seine Ingenieure mit einer multiparametrischen Sicht auf die Daten, besseren Erkenntnissen und leistungsfähigeren Analysen ausstattet, um fundierte Betriebs- und Wartungsentscheidungen zu treffen.

SVP erkannte die Vorteile von IIoT, insbesondere die niedrigen Kosten, die Einfachheit und die Skalierbarkeit des Programms. Das Predictive Maintenance ist eine kostengünstige Möglichkeit, IIoT zu implementieren, da sie die Überwachung auf Geräte ausweiten kann, die nicht ohne zusätzliche Verkabelungskosten, dedizierte Server oder andere Kosten im Zusammenhang mit der Programmierung des verteilten Steuerungssystems und der Systemadministrationssoftware instrumentiert werden.

Chris Karwick, SVPs Bereichsleiter von Generation, sagte: “Mit der Einführung eines drahtlosen prädiktiven Wartungsprogramms haben wir bereits einen hervorragenden Return on Investment erzielt”.

Die Fähigkeit, mit bestehenden Systemen zu arbeiten und die Möglichkeit, auf mehr als Vibrationssensoren zu erweitern, um bessere Entscheidungen zu treffen, waren beide wichtig für das gesamte IIoT-Programm. Nach dem erfolgreichen Test stattete SVP alle wichtigen BOP-Ausrüstungen mit Petasense Motes aus, darunter Kühlturmgebläse, Kesselspeisepumpen, Generatorgebläse und Kondensatpumpen. Dadurch konnten die Wartungskosten um 15% bis 30% und ungeplante Ausfallzeiten um 2% bis 5% reduziert werden. Das Unternehmen prüft nun die Möglichkeiten, das Programm über rotierende Maschinen hinaus auf Geräte wie Kondensatableiter, Transformatoren, Ventile und Schalttafeln auszuweiten.

Oftmals ist es schwierig, die Spannung der zukünftigen IIoT-Technologie von der heutigen Realität zu trennen. Einige Unternehmen beginnen mit kompletten digitalen Transformationen, während andere erfolgreich sind, indem sie sich auf einen bestimmten Bedarf konzentrieren und daraus aufbauen. Beide können je nach Ausführung und Unternehmenskultur erfolgreich sein, aber der Schlüssel liegt darin, echte, greifbare Ergebnisse zeigen zu können, die andere in der Organisation sehen können.

Dieses Beispiel zeigt, wie SVP einen spezifischen Bedarf hatte, eine häufigere Datenerfassung zu integrieren, um Ausfälle zu reduzieren. Es verzeichnete schnell hervorragende Ergebnisse bei der Implementierung neuer Technologien und erweiterte sein IIoT-Framework um eine größere Perspektive. Die nächsten Schritte der Integration des Unternehmens, einschließlich der Erweiterung um mehr multiparametrische Überwachung und der Erweiterung auf mehr Anlagen, werden der Stadt Santa Clara helfen, ihr Versprechen, sichere, zuverlässige und kostengünstige Energie bereitzustellen, weiterhin zu erfüllen.