Entlang der Pipeline sollten bisher ungenutzte Energieeinsparpotenziale sichtbar werden, doch die vorhandenen Sensordaten boten dafür keine ausreichende Transparenz. Zwar lagen umfangreiche Messwerte vor, jedoch fehlte eine verlässliche Grundlage, um ineffiziente Betriebszustände klar zu erkennen und gezielt zu verbessern. Gleichzeitig erschwerten unterschiedliche Betriebsbedingungen und variierende Messwerte eine systematische Auswertung, sodass wichtige Optimierungspotenziale unentdeckt blieben.
TAL-Gruppe
Effizienz steigern mit Machine Learning
Die TAL‑Gruppe wollte mithilfe ihrer Sensordaten Energieeinsparpotenziale in den Pumpstationen identifizieren. Die Gofore Tochter esentri entwickelte dafür ein Machine‑Learning‑Verfahren, das ineffiziente Betriebszustände erkennt und Optimierungspotenziale sichtbar macht.
HERAUSFORDERUNG
Fehlende Transparenz über Energieeinsparpotenziale
ANSATZ
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. Bei Pumpstationen mit signifikanten Abweichungen von der erwarteten Pumpenkennlinie wurden im Rahmen eines Proof of Concept (PoC) erste Machine Learning Modelle trainiert.
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 Gegensatz zu klassischen ingenieurtechnischen Ansätzen, bei denen Pumpen entweder aufwendig gewartet oder mithilfe zahlreicher Parameter physikalisch nachsimuliert werden, arbeitet der datengetriebene Ansatz direkt mit Produktivdaten, um belastbare Rückschlüsse auf den Wirkungsgrad zu ziehen.
Das regelmäßige Feedback aus allen Fachbereichen und das Domänenwissen der Expert:innen 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.
Ergebnis
Mehr Effizienz durch intelligente Datenanalyse
Durch die gezielte Aufbereitung, Visualisierung und Analyse von Sensordaten werden gemeinsam mit den Fachabteilungen potenzielle Ansatzpunkte zur Optimierung des Wirkungsgrades von Pumpen und anderen Maschinen identifiziert und konkrete Data-Science-Problemstellungen abgeleitet. Daraus ergeben sich Handlungsfelder für weiterführende Analysen, etwa zur Ursachenanalyse ineffizienter Betriebszustände von Pumpen in der Ölpipeline. Auf dieser Basis konnten bei nahezu gleichbleibendem Durchfluss deutliche Energieeinsparungen erzielt werden.
Projekthighlights
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.
Ansatz
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.
Lösung
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.
EXPERTISE