AllgemeinDigitaler Service

Use Case | Predictive Maintenance für Tauchpumpen | Siemens AG

Anwender und Bediener des Use Cases

Die Tauchkreiselpumpe (ESP) wird in unterschiedlichen Tiefenlagen eingesetzt. In der Kohlenwasserstoffindustrie werden die Systeme in bis zu mehreren tausend Metern Tiefe installiert. Hohe Temperaturen wirken sich dabei extrem auf die Lebensdauer der Pumpe aus. Dies liegt unter anderem an der begrenzten thermischen Stabilität einiger Motorenbauteile, vorrangig Polymerwerkstoffe, die bei hohen Umgebungsbedingungen eine begrenzte Lebensdauer haben und somit durch die ungenügende Kühlung frühzeitig zerstört werden können.

Problembeschreibung | Was verliert der Bediener heute?

In der Öl- und Gasindustrie kommt es im Betrieb der Tauchpumpen zum Ausfall. Diese Ausfälle im Feld werden häufig zu spät registriert, weshalb hohe Kosten und Zeiteinbußen im Prozess in Kauf genommen werden müssen.

Lösungsbeschreibung

Siemens hat hierfür eine Lösung für die vorausschauende Wartung entwickelt, bei der AI zur Überwachung von 30 elektrischen Tauchpumpen (ESP) eingesetzt wird, die in einem einzigen Feld an Land arbeiten, um die Verfügbarkeit zu erhöhen und erzwungene Ausfälle zu verhindern. Die Lösung nutzt ein neuronales Netzwerk, das maschinelles Lernen einsetzt und über eine Ethernet-Verbindung sicher mit einer IoT-basierten Cloud-Plattform verbunden ist. 

Eine Grundlinie eines normal arbeitenden ESP-Systems wurde erstellt, indem im Laufe der Zeit eine ausreichende Datenmenge gesammelt wurde. Der verwendete Datensatz wurde von sieben intelligenten Sensoren ausgewertet, die Variablen wie den Produktionsöldruck, den Motorstrom, die Motordrehzahl und den Einlassöldruck der Pumpen in Intervallen von 5 bis 10 Sekunden maßen. Die IoT-Lösung verwendete dann ein neuronales Netzwerk zur Durchführung datengesteuerter Analysen, um normales ESP-Betriebsverhalten von abnormalem Verhalten zu unterscheiden. Nach dem Training war das neuronale Netz in der Lage, die Anomalien zu nutzen, um frühe, probabilistische Vorhersagen des ESP-Versagens zu treffen. Bei einem Test stellte das neuronale Netz ESP-Betriebsanomalien bereits 14 Tage vor dem Ausfall fest. 

Die Lösung kann die Ausfallrate einer einzelnen ESP-Pumpe um ca. 143 Tonnen pro Jahr reduzieren, was einem jährlichen Einsparpotenzial von USD 1.827.500 im Ölfeld von 30 ESP-Pumpen entspricht. Weiterhin kann der Überwachungsaufwand jeder ESP-Pumpe von ca. 40 auf 5 Arbeitsstunden pro Woche reduziert werden.

Jetzt direkt zu Siemens Kontakt aufnehmen

Mehr zu diesem Umsetzungspartner

Die Siemens AG (Berlin und München) ist ein führender internationaler Technologiekonzern, der seit mehr als 170 Jahren für technische Leistungsfähigkeit, Innovation, Qualität, Zuverlässigkeit und Internationalität steht. Das Unternehmen ist weltweit aktiv, und zwar schwerpunktmäßig auf den Gebieten Stromerzeugung und -verteilung, intelligente Infrastruktur bei Gebäuden und dezentralen Energiesystemen sowie Automatisierung und Digitalisierung in der Prozess- und Fertigungsindustrie. Durch das eigenständig geführte Unternehmen Siemens Mobility, einer der führenden Anbieter intelligenter Mobilitätslösungen für den Schienen- und Straßenverkehr, gestaltet Siemens außerdem den Weltmarkt für Personen- und Güterverkehr. Über die Mehrheitsbeteiligungen an den börsennotierten Unternehmen Siemens Healthineers und Siemens Gamesa Renewable Energy gehört Siemens zudem zu den weltweit führenden Anbietern von Medizintechnik und digitalen Gesundheitsservices sowie umweltfreundlichen Lösungen für die On- und Offshore-Windkrafterzeugung. Im Geschäftsjahr 2019, das am 30. September 2019 endete, erzielte Siemens einen Umsatz von 86,8 Milliarden Euro und einen Gewinn nach Steuern von 5,6 Milliarden Euro. Ende September 2019 hatte das Unternehmen weltweit rund 385.000 Beschäftigte. Weitere Informationen finden Sie im Internet unter www.siemens.com.

Fragen? Jetzt direkt Kontakt aufnehmen.

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.

Solve : *
17 + 8 =