In Schubladen denken

Sidap-Datenmodell strukturiert Diagnosedaten für die automatisierte Datenanalyse

Fehleranalyse soll Wartungsbedarf nicht nur von Armaturen senken helfen

Die Detailarbeit bei der Modellierung und die Erweiterung bewährter Werkzeuge hat sich gelohnt. Nur wenn die Datenbasis stimmt, können darüber später auch Algorithmen laufen, die z. B. schleichende Fehler aufspüren und Muster in Kennlinien erkennen, woraus ein Wartungsbedarf erkennbar wird. Dabei soll dies wesentlich früher möglich sein als bisher. Ziel ist es, den Wartungsbedarf zu senken, etwa indem man eine Überdimensionierung abbaut, vielleicht aber auch die Sicherheit erhöht, indem man immer wieder eine Abfrage über die gelieferten Daten laufen lässt.

Dabei sind die Stellventile aus den chemienahen Prozessen nur ein Beispiel. „Positiv wäre es, wenn man das Modell auf alle Armaturen in einem Chemiepark übertragen könnte, also auch auf Armaturen, die nicht unmittelbar verfügbarkeitsrelevant für unsere Anlagen sind, und so den Wartungsbedarf aller Armaturen senken“, wagt Fabritz zudem einen Blick in die Zukunft. Denn langfristig versprechen sich die Projektbeteiligten von dem Ansatz noch mehr: Zwar bezieht sich dieses Datenmodell nur auf Armaturen, die Vorgehensweise lässt sich jedoch auch auf andere Komponenten in der Prozessindustrie übertragen. Für Fabritz ist es durchaus denkbar, dass dieser Ansatz zum einen Input für eine spätere Norm liefert und zum anderen sich auch für Lebenszyklusbetrachtung, z. B. von Pumpen, eignen würde. „Auch Pumpen liefern im Augenblick Informationen, die nicht gesammelt bzw. unstrukturiert abgelegt werden. Ich bin überzeugt davon, dass die Vorgehensweise von Sidap auch hier anwendbar wäre.“ (4/4)

Projekt Sidap

Die im täglichen Betrieb entstehenden Daten liegen meist unstrukturiert vor, sodass sich diese nicht nutzen lassen. Das Forschungsprojekt Sidap (Skalierbares Integrationskonzept zur Datenaggregation, -analyse, -aufbereitung von großen Datenmengen in der Prozessindustrie) will Geräteausfälle in chemischen Anlagen besser vorhersagen, indem z. B. Messdaten besser analysiert und daraus Assistenzsysteme zur besseren Führung der Anlagen entwickelt werden können.

Heftausgabe: Pharma+Food Juli 2019
Seite:
Emanuel Trunzer, TU München

Über den Autor

Emanuel Trunzer, TU München
Loader-Icon