OFF-THE-SHELF-DATENMODELLE: PREDICTIVE MAINTENANCE REVOLUTIONIERT WARTUNG IN DER WASSERKRAFT
Gemeinsam mit dem deutschen KI-Spezialisten LexaTexer hat die Salzburg AG beim Wasserkraftwerk Wald im Pinzgau den Einsatz von Predictive Maintenance getestet. Basierend auf der vorhandenen Sensortechnik und der Anwendung von künstlicher Intelligenz entstand aus einem Datenpool ein leistungsfähiges Modell, das nicht nur den Verschleiß des Turbinen-Laufrads vorhersagen kann. Als Nebenprodukte entstanden unter anderem digitale Werkzeuge, mit denen Anomalien im Betrieb frühzeitig erkannt werden können. Die Erkenntnisse aus dem Pionierprojekt sind so überragend, dass die Anwendung auf weitere Kraftwerke ausgerollt wird.
Beim Pilotprojekt Kraftwerk Wald im Pinzgau lag der Untersuchungsfokus auf der Vorhersage der Laufradabnutzung der vertikalachsigen Francis-Turbine. Im Regelfall wird das Laufrad mit einem Durchmesser von 1.475 mm einmal jährlich inspiziert. Ein Kernpunkt bestand darin, dass das Projekt ohne den Einbau zusätzlicher Sensoren an der Turbine umgesetzt werden kann. Die Messungen sollten bewusst mit den bestehenden Möglichkeiten am Maschinensatz auskommen. Die zentral erfassten Werte, wie Drehzahl, Fallhöhe oder Lagertemperaturen, die ohnehin zur Betriebsführung notwendig sind, liefern wertvolles Datenmaterial zur Anwendung von Predictive Maintenance.
Darüber hinaus konnten bei der Datensammlung und Auswahl auf die vom Leitsystem automatisch für einen Zeitraum von 12 Jahren gespeicherten Betriebsdaten der Anlage zurückgegriffen werden. Die von LexaTexer entwickelte Plattform ermöglicht es, dass auch schriftliche Aufzeichnungen einbezogen werden konnten. Die Erfahrungen des Betriebspersonals, das über die Feinheiten der Anlage dank jahrzehntelanger Erfahrung bestens Bescheid weiß, flossen ebenfalls in den Datenpool ein.
PREDICTIVE MAINTENANCE HAT ZUKUNFT
Bei der Salzburg AG zeigte man sich überrascht, wie genau das Vorhersagemodell den Zustand des Laufrads vorhersagen konnte. Innerhalb von zwei Jahren wurden mehrere Messreihen durchgeführt, wobei der prognostizierte Verschleiß jeweils punktgenau innerhalb der Messtoleranz lag. Aus dem Predictive Maintenance-Projekt entstanden zudem eine ganze Reihe von nützlichen digitalen „Nebenprodukten“. So kann die Software beispielsweise die Anpassung verschiedener Einflussparameter vorschlagen, um einen gewünschten Wartungstermin zu erreichen, bevor das Laufrad zu starken Schaden nehmen würde. Außerdem wurde ein System zur Analyse von Anomalien entwickelt, das ungewöhnliches Verhalten der Anlage erkennt, noch bevor ein offenkundiger Fehler vorliegt bzw. bevor Grenzwerte erreicht werden, die zu einer Alarmierung führen. „Basierend auf den präzisen Vorhersagen beim Kraftwerk Wald wurde beschlossen, die Predictive Maintenance-Methode auch bei weiteren Anlagen der Salzburg AG anzuwenden.
Der durchschnittliche Wartungszyklus des Laufrads konnte beim Kraftwerk Wald um bis zu 31 Prozent verlängert werden. Für den LexaTexer-Geschäftsführer Günther Hoffmann ist der Projekterfolg eine Kombination aus dem Betriebswissen der Salzburg AG, der richtigen Daten und einer leistungsfähigen technischen Plattform (LXTXR), die sich leicht in bestehende Prozesse und Bestands-IT integrieren lässt. „Es handelte sich um eine komplexe Aufgabe, von deren gemeinsamer Lösung letztendlich beide Seiten profitiert haben.“ Bei der Salzburg AG ist man überzeugt, dass das Thema Predictive Maintenance zukünftig eine noch gewichtigere Rolle spielen wird. Im Fokus kommender Predictive Maintenance-Projekte liegen die Einbindung weiterer Turbinentypen sowie eine Ausweitung auf den elektrotechnischen Bereich (z.B.: Generatoren) in den Kraftwerken der Salzburg AG.
Über uns
Wir bieten Predictive Analytics Automation, um Unternehmen bei der direkten Entscheidungsfindung zu unterstützen, indem unstrukturierte, strukturierte und alternative Daten mit Machine Learning Technologie integriert und analysiert werden.
Für mehr Infos kontaktieren Sie uns unter contact@lexatexer.com.