Use Case

Predictive Maintenance für Tauchpumpen

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

Jetzt mehr zu diesem Use Case im Podcast hören:

Was ist Ihr Use Case?

Was ist Ihr Use Case?

Ich freue mich mehr über Ihr Kerngeschäft zu erfahren.

Kontakt aufnehmen

Anwender

Anbieter

Was ist Ihr Use Case?