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 für die Betriebsüberwachung 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.

Energieeinsparungspotenziale mit Hilfe von Sensordaten aufdecken

Unsere Cloud Platforms Services bieten Infrastructure-as-Code

Herausforderung

Das übergeordnete Projektziel war die Untersuchung von Energieeinsparpotenzialen in Pumpstationen entlang der Ölförderpipeline. Durch gezielte Aufbereitung, Visualisierung und Analyse der Sensordaten konnten zunächst ineffiziente Betriebszustände als Potenzial für Energieeinsparungen in diesen Anlagen identifiziert werden. Anschließend sollten die Ursachen für diese ineffizienten Zustände mithilfe von Machine Learning ermittelt werden.

Cloud Native Flexibilität

Lösung

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

Nutzen

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

Unsere Lösung

Welchen Mehrwert können Daten aus Sensoren liefern?

Oftmals verfügen Unternehmen bereits über 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 für das operative Geschäft liefern können.

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

Machine Learning zur Steigerung von Pumpenwirkungsgraden

Nachdem gemeinsam mit den Fachbereichen eine Analyse der Daten stattgefunden hat, konnten zunächst 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.

Steigerung von Pumpenwirkungsgraden

In diesem Fall wurden die Machine Learning Modelle benutzt, um Zusammenhänge in den Daten erklärbar zu machen. Im konkreten Fall wurde untersucht, welche Eingangsgrößen gemäß der Daten für 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 sämtlichen Parametern physikalisch nachzusimulieren, wurde bei diesem datengetriebenen Ansatz direkt mit den Produktivdaten gearbeitet, um Wirkungsrückschlüsse zu ziehen.

Das regelmäßig Feedback aus allen Fachbereichen und das Domänenwissen der Experten wurden in einem iterativen Prozess eingebunden. Letztendlich konnten so ineffiziente Schaltkombinationen, bei denen das Drücken einer Pumpe nicht im Einklang mit dem Ansaugen der nächsten Pumpe stand, identifiziert werden.

Frühzeitige Erkennung und Vermeidung ineffizienter Betriebszustände

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

Vortrag auf der Predictive Analytics World

Podcast anhören

Im Podcast bei „KI in der Industrie“ erklärt Simon Kneller, welche Rolle die Datenanalyse und das Lernverfahren bei der Effizienzverbesserung der Transalpine Pipeline spielen.

Kostenfreies Whitepaper zur Steigerung von Pumpwirkungsgraden

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