Fraunhofer-Institut für Integrierte Schaltungen IIS, Institutsteil Entwicklung Adaptiver Systeme

Forschungsthema
Industrielle Datenanalyse

Kundenreferenz: Zustandsüberwachung in Kohlekraftwerken

Effizienz steigern und Kosten senken

Herausforderung des Kunden

Kohlekraftwerke sind komplexe Anlagen, bei denen die Mühlen, in denen Braunkohle zu Kohlestaub gemahlen wird, eine zentrale Rolle spielen. Für den Betreiber ist es eine große Herausforderung, den Zustand dieser Mühlen genau zu überwachen. Bisher konnte der Verschleiß der Verschleißteile nur bei Stillstand und Zerlegung der Mühle festgestellt werden. Das führte häufig zu ungeplanten Stillständen, erhöhten Wartungskosten und einer geringeren Betriebsstabilität.

Mehrwert des Ergebnisses für den Kunden

Durch die geleistete Arbeit wurde Transparenz geschaffen, indem messbare Einflussgrößen auf den Verschleiß identifiziert und Ansätze entwickelt wurden, um einen Verschleiß-Indikator aus indirekten Messgrößen abzuleiten. Dies ermöglicht dem Kunden, den Zustand seiner Mühlen besser zu überwachen, Wartungsarbeiten frühzeitig und gezielt zu planen sowie die Betriebskosten zu senken. Gleichzeitig profitiert der Kunde von einer stabileren Anlagenperformance, einer erhöhten Anlagenverfügbarkeit und einer effizienteren sowie wirtschaftlicheren Energieerzeugung.

Ziele des Kunden:

Indirekte Bestimmung des Verschleißgrades: Durch die Analyse von Material- und Prozessdaten soll der Verschleiß der Verschleißteile frühzeitig erkannt werden, ohne die Mühle stilllegen zu müssen.
Kostenreduktion: Durch eine bessere Planung der Wartungsintervalle sollen Stillstandszeiten und Instandhaltungskosten reduziert werden.
Optimale Nutzung der Laufzeiten: Die Verschleißteile sollen möglichst effizient genutzt werden, um die Wirtschaftlichkeit zu steigern.

Lösung:

Durchführung einer intelligenten Datenanalyse mit folgenden Schritten:

Workshop & Anforderungsanalyse: Gemeinsam mit dem Kunden wurde das Problem verstanden und die wichtigsten Anforderungen ermittelt.
Datenübernahme: Historische Prozess- und Labordaten wurden gesammelt.
Explorative Datenanalyse: Das Fraunhofer IIS hat die Daten untersucht, um wichtige Eigenschaften und Zusammenhänge zu erkennen.
Anomaliedetektion: Außergewöhnliche Verschleißprozesse wurden identifiziert, um gezielt darauf reagieren zu können.
Modellbildung: Mit modernen Machine Learning-Verfahren wurde ein Modell entwickelt, das den Verschleiß indirekt quantifiziert.