Hat man Daten erfasst, helfen computergestützte Mustererkennungs-Methoden, 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.
Daten können genutzt werden, um die Anlage beispielsweise so zu flexibilisieren, dass in Phasen hohen Marktbedarfs und Gewinnmöglichkeiten die geplanten Wartungsfenster verschoben werden können, ohne den sicheren Anlagenbetrieb zu gefährden. In geplanten Stillstandzeiten kann die Nutzung der erfassten Daten dazu dienen, die Arbeiten auf die Assets zu konzentrieren, die tatsächlich einer Wartung bedürfen. So können Wartungsfenster kurz gehalten werden. Auch aufwändige Maßnahmen wie der Ein- und Ausbau von Komponenten in explosionsgefährdeten Bereichen oder bei toxischen Medien können vermieden werden.
Smarte Sensoren erfüllen oft die Anforderungen nicht
Dieser Trend hat jedoch in der Prozessindustrie durch die strengen Anforderungen an den Schutz von Firmenwissen noch keine erkennbaren Spuren hinterlassen. Auch erfüllen handelsübliche „smarte Sensoren“ häufig nicht die Zertifikatsvoraussetzungen, 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 etwa werden nur die Daten des zyklischen Kommunikationskanals vom Leitsystem genutzt und in der Operator Station angezeigt. Die umfangreichen Geräteinformationen des azyklischen Kommunikationskanals dagegen finden häufig keine Beachtung.
Viele Assetmanagement-Systeme beschränken sich bei der HART-Kommunikation auf die Haupt-Variablen und das einfache Diagnosebyte – 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.
Automatische Datensammlung ermöglicht 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 nur in seltenen Fällen wird ein Assetmanager 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 Assetmanager immer nur die Momentaufnahme des Gerätezustands sähe, 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 Konfigurations- und 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-Experten zur Verfügung gestellt werden. Mit der Simatic PDM Maintenance Station wird also erstmals automatisiert Big Data erfasst. Dies läutet eine ganz neue Ära an Servicemöglichkeiten und -produkten ein.
Erfahrung trifft auf intelligente Algorithmen
Ähnliche Darstellungen werden bei der Siemens Prozessinstrumentierung zu vielen Problemstellungen inklusive den zugehörigen Berichten erzeugt und dem Kunden zur Verfügung gestellt. Dabei enthalten die Serviceberichte auch Algorithmen zur automatischen Erkennung von Anomalien oder Abweichungen zur Historie.
Abweichungen entstehen beispielsweise durch Änderungen im Prozess oder an den Umgebungsbedingungen, aber auch bei schleichender Abnutzung an Ventilen, durch Ablagerungen, Reibung oder Leckage. Liegt die Regelabweichung bei geschlossenem Ventil bei 1 %, kann das eine Ursache in einer lang zurückliegenden Initialisierung oder einem losen Anbauteil der Positionserfassung haben oder etwa von Ablagerungen am Ventilkegel herrühren. Durch das Auslesen des Gerätezustands in festen Zeitrastern und sinnvollen Abhängigkeiten werden Veränderungen systematisch erkennbar und Ursachen ermittelt.
Bei der Interpretation der Daten ist der enge Austausch zwischen dem Assetmanager und dem Anlagenführer 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 von 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.
Think big
Weg von Momentaufnahmen, hin zu größeren Datensätzen über längere Zeit: 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, verschiedene Service-Leistungen an, von Remote Services, Expertenanalysen und -berichten bis hin zu einem cloudbasierten Tool zum Auffinden von zustandsbasiertem Wartungsbedarf bei Ventilen. Die App Valve Predictive Maintenance hilft hier, Wartungsbedarf rechtzeitig zu erkennen und ereignisgesteuerte Wartungspläne zu erstellen. Eine der Herausforderungen in der Umsetzung ist aktuell 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.
