Diese Webseite nutzt Cookies

Diese Webseite verwendet Cookies zur Verbesserung der Benutzererfahrung. Indem Sie weiterhin auf dieser Webseite navigieren, erklären Sie sich mit der Verwendung von Cookies einverstanden.

Falls Sie Probleme mit einer wiederauftauchenden Cookie-Meldung haben sollten, können Ihnen diese Anweisungen weiterhelfen.

Essenzielle Cookies ermöglichen grundlegende Funktionen und sind für die einwandfreie Funktion der Website erforderlich.
Statistik Cookies erfassen Informationen anonym. Diese Informationen helfen uns zu verstehen, wie unsere Besucher unsere Website nutzen.
Mitglied werden Sponsor werden

14:30-14:50 Uhr - Forum 11

Zustandsbasierte Prognose von ESP-Ausfällen unter Einsatz von maschinellem Lernen

Philipp Schlegel1, Maximilian Schulz2, Frank Wendel2

1SWM Services GmbH, München; 2Universität Stuttgart, Institut für Energiewirtschaft und Rationelle Energieanwendung, Stuttgart

Die Förderpumpe bildet das zentrale Element von Tiefengeothermie-Anlagen. Ihr Ausfall führt bei einer geothermischen Dublette immer zum Stillstand der Gesamtanlage. Tauchkreiselpumpen (ESP - electrical submersible pumps) sind hier als Fördertechnologie weit verbreitet. Die Beschaffung von Ersatz sowie der Tausch der Pumpensysteme bedingen häufig lange Stillstandzeiten. Unerwartet auftretende ESP-Ausfälle stellen die Betreiber daher vor logistische sowie wirtschaftliche Herausforderungen und verringern zudem die Verfügbarkeit der Geothermie-Anlagen für die Energieversorgung. Die frühzeitige Erkennung drohender Schäden ermöglicht das Einleiten geeigneter Instandhaltungsmaßnahmen (Predictive Maintenance). Lässt sich ein Schaden nicht abwenden, kann durch optimierte Planung dennoch die Ausfallzeit während des Pumpenwechsels minimiert werden. Die zuverlässige Einschätzung des ESP-Zustands ist derzeit zeitintensiv und erfordert erfahrenes Personal. Der hier vorgestellte Ansatz nähert sich der Problemstellung mit Methoden der künstlichen Intelligenz, genauer des maschinellen Lernens.

Aus mehrjährigem Betrieb dreier Anlagen (v.a. zur Stromerzeugung) im bayrischen Molassebecken stehen umfangreiche Aufzeichnungen historischer ESP-Betriebsdaten zur Verfügung. Nach der Aufbereitung werden diese zum Training eines künstlichen neuronalen Netzes (KNN) verwendet. KNN bilden die Informationsverarbeitung des menschlichen Gehirns durch die unterschiedliche Verbindung von gewichteten Neuronen nach. Solche Netzwerke können Zusammenhänge und Muster in Datensätzen erkennen, die im Gegensatz zu vielen anderen Algorithmen nicht zwingend im Voraus bekannt sein müssen.

In diesem Anwendungsfall wird ein KNN vom Typ „Multi Layer Perceptron“ verwendet. Es ordnet verschiedenen Eingangssignalen einen bestimmten Ausgangswert zu. Für das Training ist ein Datensatz mit bekannten Ausgangswerten erforderlich (Label). In der späteren Anwendung prognostiziert das KNN den unbekannten Ausgangswert ausgehend von den Eingangssignalen. Im hier vorgestellten Fall wird nur ein Ausgangswert prognostiziert, nämlich ob die betrachtete ESP im Prognosezeitraum (z.B. in den nächsten 7 Tagen) ausfällt oder nicht (binäre Klassifizierung). Nach Bereinigung der Rohdaten stehen Datensätze zu insgesamt 15 ESP-Systemen zur Verfügung. Davon werden 13 für das Training und jeweils einer für Validierung und Test des Modells verwendet. Anhand eines Versuchsplans werden verschiedene Modellparameter variiert.

Die Ergebnisse zeigen, dass das Modell grundsätzlich in der Lage ist, Muster im Betriebsverhalten der ESP-Systeme zu erkennen. Mit einem Prognosehorizont von einem Monat können Ausfälle am Testdatensatz relativ zuverlässig vorhergesagt werden. Das betrachtete Beispielsystem war bis zum Ausfall etwa sechs Monate in Betrieb. Im Monat unmittelbar vor dem tatsächlichen Ausfall bewertet das Modell 20 Tage mit einer Ausfallwahrscheinlichkeit größer 75%. Dies ermöglicht dem Betreiber eine zielgerichtete Reaktion auf die Situation.

Die limitierte Datenbasis des Modells erlaubt derzeit noch keinen Einsatz der Prognosemethode im realen Anlagenbetrieb. Eine abschließende Validierung des Modells steht aus. Anhand weiterer Zeitreihen soll das Modell fortlaufend trainiert werden um die Prognosegüte und Generalisierbarkeit zu verbessern. Überdies wird derzeit der Einfluss verschiedener KNN-Architekturen auf die Prognoseergebnisse erprobt. Nach entsprechender Validierung kann die Methode künftig einen Beitrag zur Anlagenverfügbarkeit sowie ‑wirtschaftlichkeit leisten.

Präsentation (PDF)

Unsere Medienpartner

Impressionen