• Steigerung von Pumpenwirkungsgraden mithilfe von Machine Learning

    Energieeinsparung mit Hilfe von Sensordaten entdecken

    Steigerung Pumpenwirkungsgrade: Machine Learning

Die TAL-Gruppe ist Betreiber der Transalpine Pipeline, die Raffinerien in Österreich, Deutschland und der Tschechischen Republik mit rund 45 Millionen Tonnen Rohöl pro Jahr versorgt. Entlang der Pipeline werden Sensoren eingesetzt, um Daten fĂŒr die BetriebsĂŒberwachung zu sammeln, darunter Durchflussmengen, Druckwerte, Öltemperaturen, Öldichten und Stromverbrauche. Ziel des Projekts war es, anhand der Sensordaten zu untersuchen, ob entlang der Pipeline Energieeinsparungen bei einer weitgehend konstanten Durchflussmenge erzielt werden können.

Da die zur Förderung eingesetzten Elektromotoren mit Leistungen im Megawattbereich betrieben werden, haben Energieeinsparungen ein erhebliches Kosteneinsparungspotential. Durch den Einsatz von Machine Learning wurde festgestellt, dass der Wirkungsgrad einzelner Pumpen durch gezielte technische Maßnahmen erhöht werden kann.

Logo Transalpine Pipeline
Whitepaper anfordern

Energieeinsparungspotenziale mit Hilfe von Sensordaten aufdecken

Unsere Cloud Platforms Services bieten Infrastructure-as-Code

Herausforderung

Das ĂŒbergeordnete Projektziel war die Untersuchung von Energieeinsparpotenzialen in Pumpstationen entlang der Ölförderpipeline. Durch gezielte Aufbereitung, Visualisierung und Analyse der Sensordaten konnten zunĂ€chst ineffiziente BetriebszustĂ€nde als Potenzial fĂŒr Energieeinsparungen in diesen Anlagen identifiziert werden. Anschließend sollten die Ursachen fĂŒr diese ineffizienten ZustĂ€nde mithilfe von Machine Learning ermittelt werden.

Cloud Native FlexibilitÀt

Lösung

ZunĂ€chst wurde eine Methode zur Berechnung des Wirkungsgrades der Pumpstation unter BerĂŒcksichtigung verschiedener Pumpenschaltkombinationen entwickelt, um ineffiziente BetriebszustĂ€nde zu identifizieren. Mithilfe von Methoden des Machine Learnings wurden dann die Ursachen dieser BetriebszustĂ€nde analysiert. Hieraus konnten direkte Handlungsempfehlungen zur Effizienzsteigerung abgeleitet werden.

Wir sorgen fĂŒr Begeisterung bei esentri

Nutzen

Durch den Einsatz der entwickelten Machine-Learning-Modelle ist die technische Abteilung der TAL-Gruppe in der Lage, GrĂŒnde fĂŒr ineffiziente Betriebspunkte zu identifizieren und diese durch gezielte Pumpensteuerung zu vermeiden. Dies bewirkt erhebliche Kosteneinsparungen fĂŒr die TAL-Gruppe im operativen Betrieb der Pipeline.

Unsere Lösung

Welchen Mehrwert können Daten aus Sensoren liefern?

Oftmals verfĂŒgen Unternehmen bereits ĂŒber Sensoren und die entsprechenden Daten in ihrer Infrastruktur. Das Problem ist jedoch, dass oft nicht klar ist, welche Informationen in diesen Daten stecken und wie diese einen Mehrwert fĂŒr das operative GeschĂ€ft liefern können.

Aus diesem Grund unterstĂŒtzen wir unsere Kund:innen bereits an dieser Stelle, durch die gezielte Aufbereitung, Visualisierung und Analyse von Sensordaten in Zusammenarbeit mit den Fachabteilungen mögliche Ansatzpunkte fĂŒr die Optimierung des Wirkungsgrades von Pumpen oder anderen Maschinen zu ermitteln und konkrete Data Science-Problemstellungen abzuleiten. So ergeben sich Handlungsfelder fĂŒr weitere Analysen, wie beispielsweise die Suche nach Ursachen von ineffizienten BetriebszustĂ€nden von Pumpen in der Ölpipeline.

Steigerung von Pumpenwirkungsgraden

Machine Learning zur Steigerung von Pumpenwirkungsgraden

Nachdem gemeinsam mit den Fachbereichen eine Analyse der Daten stattgefunden hat, konnten zunÀchst Wirkungsgrade einzelner Pumpstationen im Zeitverlauf visualisiert werden. Pumpstationen, bei denen eine signifikante Abweichung zur erwarteten Pumpenkennlinie identifiziert wurde, wurden in Form eines Proof-of-Concept (PoC) erste Machine Learning Modelle trainiert.

In diesem Fall wurden die Machine Learning Modelle benutzt, um ZusammenhĂ€nge in den Daten erklĂ€rbar zu machen. Im konkreten Fall wurde untersucht, welche EingangsgrĂ¶ĂŸen gemĂ€ĂŸ der Daten fĂŒr ungewöhnlich geringe Wirkungsgrade verantwortlich sind. Im Vergleich zu einem typischen ingenieurstechnischen Ansatz, bei dem oft auf aufwendige Weise versucht wird, entweder die Pumpe zu warten oder mit sĂ€mtlichen Parametern physikalisch nachzusimulieren, wurde bei diesem datengetriebenen Ansatz direkt mit den Produktivdaten gearbeitet, um WirkungsrĂŒckschlĂŒsse zu ziehen.

Das regelmĂ€ĂŸige Feedback aus allen Fachbereichen und das DomĂ€nenwissen der Experten wurden in einem iterativen Prozess eingebunden. Letztendlich konnten so ineffiziente Schaltkombinationen, bei denen das DrĂŒcken einer Pumpe nicht im Einklang mit dem Ansaugen der nĂ€chsten Pumpe stand, identifiziert werden.

FrĂŒhzeitige Erkennung und Vermeidung ineffizienter BetriebszustĂ€nde

Der Einsatz von Machine Learning zur Optimierung von Maschinenwirkungsgraden stellt eine effektive und sinnvolle Nutzung von Sensordaten dar, welche in Unternehmen oft ungenutzt zur VerfĂŒgung stehen. Durch die aufgebauten Berechnungen und den entsprechenden Visualisierungen können ineffiziente Betriebspunkte frĂŒhzeitig erkannt werden. Mithilfe von Machine Learning konnten auch die Ursachen fĂŒr diese Ineffizienzen identifiziert werden und letztendlich gezielt vermieden werden. Dadurch konnten bei etwa gleichbleibendem Durchfluss deutliche Energieeinsparungen erzielt werden.

Whitepaper anfordern

Vortrag auf der Predictive Analytics World

Making Sense Out of Sensor Data – Data Science at TAL-Group with Simon Kneller

Das Video wird von YouTube eingebettet und erst beim Klick auf den Play-Button geladen. Dabei können Daten an Google ĂŒbertragen werden. Es gilt die DatenschutzerklĂ€rung von Google.

Mehr Informationen zum Thema Industrial Analytics & IoT

Unsere Leistungen

Erfahren Sie mehr ĂŒber unser Portfolio im Bereich Industrial Analytics & IoT.

>  Zu den Leistungen

Wissenswertes

Unser Magazin bietet BeitrÀge rund um das Thema Industrial Analytics & IoT.

>  Zum Magazin

Podcast anhören

Im Podcast bei „Industrial AI Podcast“ erklĂ€rt Simon Kneller, welche Rolle die Datenanalyse und das Lernverfahren bei der Effizienzverbesserung der Transalpine Pipeline spielen.

Zum Podcast

Kostenfreies Whitepaper zur Steigerung von Pumpwirkungsgraden

In unserem Whitepaper gewÀhren wir tiefere Einblicke in die Steigerung von Pumpwirkungsgraden mit Hilfe von Machine Learning Modellen.