Automatisierte Anomaliedetektion in Dampf- und Gasturbosätzen

Ausgangssituation

Die Firma Siempelkamp NIS Ingenieurgesellschaft mbH betreut große Dampf- und Gasturbosätze in der Energiewirtschaft mit Leistungen im Bereich 50 MW bis 1000 MW. Für diese Anlagen wurde über viele Jahre ein Monitoringkonzept auf Basis hochaufgelöster Schwingungserfassung und -analyse entwickelt. Um Abweichungen vom Normalbetrieb zu erkennen und Schäden zu verhindern, werden aktuell rechnergestützt Toleranzbänder gebildet und durch Expert*innen optimiert. Deren Überschreitungen werden softwareseitig erkannt und manuell ausgewertet.

Problemstellung

Im Zuge der Energiewende werden Großturbinen an Bedeutung verlieren und die Energieerzeugung wird sich auf kleinere, dezentrale Industrieturbinen verlagern. Hierdurch wird eine Reduktion der manuellen Datenauswertung notwendig. Daher wurde im Rahmen des QuickChecks untersucht, inwiefern eine KI-/ML Lösung entwickelt werden kann, um das Anlageverhalten der Maschine automatisiert zu überwachen.

Lösungsansatz

Die Fragestellung lässt sich seitens ML als eine Form der Anomaliedetektion auffassen. Im QuickCheck wurde dieser Ansatz in Form von zwei Datensätzen, einmal Normal- und einmal Störbetrieb untersucht. Zur Analyse wurde ein maschinelles Lernverfahren auf den Daten im Normalbetreib trainiert und gegen einen Datensatz mit enthaltener Störung validiert. Mittels des trainierten Modells war es möglich, die im Prozess auftretende Störung korrekt zu erkennen und die Fehlerquelle anhand der relevanten Sensoren zu detektieren.

Quick-Check-Ergebnisse

Die Ergebnisse des QuickChecks haben gezeigt, dass mittels eines KI-gestützten Assistenzsystems eine Überwachung der betrachteten Turbine realisiert werden kann: Fehler werden zuverlässig erkannt und Fehlerursachen können mit Hilfe von Expert*innen identifiziert werden. Der QuickCheck hat zu ermutigenden Ergebnissen seitens des Einsatzes einer KI zur Turbinenüberwachung geführt. Zudem wurde im QuickCheck noch auf eine mögliche Systemarchitektur zur Umsetzung der KI-Methodik in räumlich entfernten Anlagen eingegangen und diese hinsichtlich Skalier- und Wartbarkeit der KI bewertet.