Nachricht

Apr 03, 2024

Vorhersage von Ventilfehlern an Kolbenkompressoren mithilfe digitaler Technologie

Ungeplante Ausfallzeiten sind heute eines der größten Probleme für Industriehersteller und kosten sie jedes Jahr schätzungsweise 50 Milliarden US-Dollar. Noch gravierender sind die Kosten von Ausfallzeiten für die Öl- und Gasindustrie

Ungeplante Ausfallzeiten sind heute eines der größten Probleme für Industriehersteller und kosten sie jedes Jahr schätzungsweise 50 Milliarden US-Dollar. Noch gravierender sind die Kosten von Ausfallzeiten für die Öl- und Gasindustrie, wo der Umsatz direkt mit der Betriebszeit kritischer Geräte zusammenhängt. Beispielsweise erfordert die Midstream- und Upstream-Erdgasverarbeitung den kontinuierlichen Betrieb von Kolbenkompressoren mit hohem Druckverhältnis, um den Pipelinedruck zu erreichen. Da der Gasfluss kontinuierlich ist, wird beim Stoppen der Verarbeitung typischerweise unverarbeitetes Gas abgefackelt, was zu einem Produktverlust führt. Für diese Kompressoren gibt es oft nur wenige oder gar keine Ersatzteile. Wenn sie also wegen Wartungsarbeiten vom Netz genommen werden, bleibt den Betreibern häufig keine andere Wahl, als die Kapazität zu reduzieren oder den Prozess zu stoppen, wodurch der Überschuss abbrennt.

Die Einführung digitaler Technologien wie dem industriellen Internet der Dinge (IIoT) verspricht, diese Bedrohungen zu mindern, indem Geräteausfälle im Voraus vorhergesagt und Fehler erkannt werden, bevor sie zu außerplanmäßigen Abschaltungen führen. In der Praxis treten jedoch mehrere Herausforderungen auf, wenn Wartungspersonal und Betriebsleiter an der Implementierung einer IIoT-Lösung arbeiten, die darauf abzielt, ungeplante Ausfallzeiten zu vermeiden.

Kompressorventile sind eine große Ursache für Ausfallzeiten von Kolbenkompressoren. Obwohl es die Zustandsüberwachung von Kolbenkompressorventilen schon seit langem gibt, ist eine geeignete Technologie zur Vorhersage von Ventilfehlern nur langsam ausgereift. Die besten verfügbaren Lösungen bieten im Allgemeinen nur eine Frühwarnung. Die Vorhersage von Kompressorventilausfällen ist vor allem aus zwei Gründen schwierig:

Durch die Bewältigung dieser Herausforderungen kann die Vorhersage von Ventilausfällen ermöglicht werden.

Mit der fünften Ausgabe des Standards 670 des American Petroleum Institute (API) haben spezifische Anforderungen an Originalgerätehersteller (OEMs), die Bestimmungen für Überwachungspunkte enthalten, die Ausweitung der Online-Zustandsüberwachung für Kolbenkompressoren ermöglicht und gefördert. Mehrere häufige Fehlermodi können durch Instrumentierung gemäß API-Standards erkannt und diagnostiziert werden, darunter Reiterbandverschleiß, Traversenverschleiß, Lagerfehler und mehr. Insbesondere Kurbelwinkelsensoren und die Überwachung des Zylinderinnendrucks ermöglichen in Verbindung mit der Druck-Volumen-Analyse die Erkennung und Diagnose von Ventilausfällen, Kolbenring- und Packungslecks sowie Problemen auf Systemebene, wie etwa Änderungen des vorgeschalteten Prozessdrucks und der Kapazität Störungen der Steuergeräte.

Obwohl die meisten in Betrieb befindlichen Kompressoren über eingebaute Montageorte für Zustandsüberwachungsinstrumente gemäß API-Standards verfügen, sind viele, insbesondere ältere Geräte, derzeit nicht instrumentiert.

Die Nachrüstung aktuell in Betrieb befindlicher Geräte steht vor mehreren Herausforderungen:

Angesichts dieser Hindernisse verlief die weitverbreitete Einführung von zustandsbasierter Wartung (CBM) und vorausschauender Wartung (PdM) bei Kolbenkompressoren im Vergleich zu anderen Gerätetypen nur langsam. Durch den Einsatz neuer und aufkommender digitaler Technologien können CBM und PdM jedoch ermöglicht werden, indem die Kosten gesenkt werden, die mit der Installation von Überwachungssystemen auf bereits in Betrieb befindlichen Geräten verbunden sind. Bei Verwendung eines hybriden Ansatzes aus physikbasierten Modellen und maschinellen Lernalgorithmen sind möglicherweise weniger Überwachungspunkte erforderlich, um den gleichen Wert für ein CBM- oder PdM-Programm zu erzielen. Durch den Einsatz neuerer Hochfrequenz-Sensor- und Datenerfassungshardware können aus den überwachten Signalen mehr Informationen extrahiert werden, was einen besseren Einblick in den Zustand der Ausrüstung ermöglicht.

Schließlich können durch die Anwendung von Prognosemethoden die Zeit bis zum Ausfall und der Fehlerort explizit abgeschätzt werden, was den Betreibern eine bessere Klarheit darüber gibt, wann und wo Wartungsarbeiten durchgeführt werden müssen, wodurch der Wert ihres PdM-Programms gesteigert wird.

Auf den instrumentierten Kompressoren wurde ein Prognosealgorithmus implementiert, um die verbleibende Nutzungsdauer (RUL) der Kompressorventile vorherzusagen. Der Prognosealgorithmus liefert im Vergleich zu CBM-Ansätzen eine viel frühere Warnung vor zukünftigen Ventilfehlern sowie eine explizite Schätzung der RUL der überwachten Ausrüstung. Im Allgemeinen ist die Prognose von Ventilausfällen von Kolbenkompressoren eine Herausforderung, da die Verschlechterung in hohem Maße nichtlinear ist und in verschiedenen Zeitskalen auftritt. Um dieses Problem anzugehen, wurde ein intelligenter Prognoseansatz verwendet, der den Grad der Nichtlinearität und den Zeitrahmen der Verschlechterung an die für jeden Fehler verfügbaren historischen Daten anpasst. Um das Verhalten eines prognostischen Ansatzes zu veranschaulichen, wurde ein Beispiel eines Fehlers untersucht, der sich über mehrere Wochen in der Verarbeitungsanlage fortsetzte. Wie in Bild 1 zu sehen ist, begann der RUL als Reaktion auf den Abwärtstrend in den Daten zu sinken, lange bevor das Schadensniveau deutlich vom gesunden Zustand abwich.

Sehr oft fallen Maschinenfehler zunächst schleichend und dann gegen Ende der Lebensdauer schnell aus. Sobald also der Schweregrad eines Fehlers ein Niveau erreicht hat, bei dem problemlos Warnungen ausgelöst werden können, steht die Lebensdauer der Komponente normalerweise kurz vor dem Ende. Wie in Bild 2 dargestellt, lösten die Warnschwellenwerte für diesen Fehler wiederholt Warnungen aus, sobald die Fehlerschwere den Warnschwellenwert erreichte (rote horizontale Linie). Die ersten Alarme wurden möglicherweise als Fehlalarme interpretiert, da der Schaden noch nicht erheblich war. Wie in Bild 3 zu sehen ist, erfolgten die späteren Warnmeldungen jedoch nur wenige Tage vor dem Ausfall, während der Prognostiker genau vorhersagte, dass das Ende der Lebensdauer nur noch wenige Tage entfernt war. Mit fortschreitender Zeit und wenn der Prognosealgorithmus mehr Historie des wachsenden Fehlers berücksichtigt, wird das geschätzte Fehlerdatum stabiler und die Vorhersage genauer.

Vor der Implementierung der Ventilprognoselösung war das Ölunternehmen auf die regelmäßige Messung der Ventilkappentemperaturen mit tragbaren Geräten angewiesen, um festzustellen, ob ein Ventil undicht war. Normalerweise wurde erwartet, dass diese Messungen täglich durchgeführt werden, dies war jedoch je nach täglichem Wartungsaufwand und Prioritäten nicht immer der Fall. Mit der implementierten Überwachungslösung werden Störungen kontinuierlich verfolgt und Alarme können per SMS an die Außendienstmechaniker gesendet werden. Durch die Kombination der regelmäßigen Überwachung mit der Prognoselösung konnte das Ölunternehmen ein fünf- bis siebentägiges Warnfenster für Geräteausfälle sehen. Dies hat es dem Wartungspersonal ermöglicht, Arbeiten zu planen und dringendere Anforderungen zu erfüllen und dabei weniger Personal einzusetzen. Darüber hinaus ermöglicht die frühzeitige Warnung vor Ventilausfällen die Durchführung von Wartungsarbeiten während der Schichten, wenn Ausfallzeiten weniger kostspielig sind.

In der Praxis war es in der Vergangenheit schwierig, Ventilausfälle von Kolbenkompressoren vorherzusagen, da die erforderliche Prognosetechnologie noch nicht ausgereift genug war. Bisher haben sich Kompressorbetreiber fast ausschließlich auf die Zustandsüberwachung verlassen, um Ventilleckagen zu erkennen, nachdem diese bereits aufgetreten sind, und so gezwungen, das Wartungspersonal erst im Nachhinein auf Ventilausfälle zu reagieren. Darüber hinaus ist die Installation der für die Zustandsüberwachung erforderlichen Geräte und Instrumente, ganz zu schweigen von der Prognose, in der Regel eine kostspielige Angelegenheit. Mit der richtigen Kombination aus physikbasierten und datengesteuerten Algorithmen und der Anwendung modernster Prognosetechnologie kann jedoch eine Vorhersage von Ventilausfällen erreicht werden, bevor sie normalerweise mit herkömmlichen Mitteln erkennbar sind.

Ein Ölunternehmen betreibt im Rahmen seines Midstream-Erdgasbetriebs eine Verarbeitungsanlage im Perm-Becken. Die Verarbeitungsanlage verfügt über mehrere Kolbenkompressoren, um sowohl süßes als auch saures Erdgas auf Pipeline-Druck zu verdichten. Im Rahmen eines PdM-Pilotprogramms wurden mehrere Kompressoren instrumentiert und eine PdM-Lösung zur Vorhersage von Ventillecks implementiert. Bei den instrumentierten Kompressoren handelte es sich allesamt um generalüberholte 4-stufige 3-Stufen-Kompressoren. Um Ventilleckagen vorherzusagen, wurde ein hybrider physikbasierter und datengesteuerter Ansatz verwendet, der auf einer Druck-Volumen-Analyse basiert. Die Kompressoren waren mit Druckwandlern in den Zylinderanzeigeanschlüssen und Kurbelwinkelsensoren zur Messung der Drehposition ausgestattet. Ein Ziel des Pilotprogramms bestand darin, die Leistung eines neuen Ansatzes zur Vorhersage von Ventilleckagen mithilfe einer Druck-Volumen-Analyse zu validieren, die kein Kurbelwinkelsignal erfordert. Dies wurde durch den Vergleich des neuen Ansatzes mit einem traditionelleren Ansatz erreicht.

Es gab mehrere Herausforderungen, die die Nachrüstung der Kompressoren erschwerten. Die größten Herausforderungen waren die Hardware-Vorlaufzeit und die erforderliche Installationszeit. Rotationspositionssysteme und Instrumente zur Messung des Kurbelwinkels sind oft nicht von der Stange erhältlich und erfordern in der Regel mehrere Wochen bis Monate Beschaffungszeit.

Darüber hinaus erfordert die Nachrüstung eines Kolbenkompressors zur Kurbelwinkelmessung mehrere Stunden Installationszeit, um den Installationsort zu reinigen, das Multi-Event-Band zu installieren, es auf den oberen Totpunkt auszurichten und den Positionssensor mit kundenspezifischen Halterungen zu installieren, um nur bereits vorhandene Zapfstellen zu verwenden. Allerdings waren Vorlaufzeiten von mehreren Monaten und Installationszeiten von mehreren Stunden für den Kunden nicht optimal. Darüber hinaus waren die Kosten für die Hardware unerschwinglich. Daher würde der Wegfall der Notwendigkeit von Kurbelwinkelmessungen den Wert der PdM-Lösung erheblich steigern und eine breite Akzeptanz ermöglichen.

Die Leckageerkennung erfolgt mittels Druck-Volumen-Analyse. Bei der Druck-Volumen-Analyse wird normalerweise ein Zylinderdrucksignal mit der Winkelposition synchronisiert, die von einem Kurbelwinkelsensor gemessen wird. Das Volumen des komprimierten Gases kann dann als Funktion der Winkelposition berechnet werden. Die Leckage wird geschätzt, indem die gemessene Thermodynamik des Drucks gegenüber dem Volumen mit einem idealen polytropen Prozess verglichen wird.

Um eine Leckerkennung ohne den Einsatz einer Kurbelwinkelmessung zu ermöglichen, verwenden die Leckvorhersagealgorithmen einen hybriden physikbasierten und datengesteuerten Ansatz. Das physikbasierte Element stützt sich auf die herkömmliche Druck-Volumen-Analyse, um die Menge der Leckage abzuschätzen, während die datengesteuerten Elemente eine Möglichkeit bieten, die Drehposition zu extrahieren und das Volumen direkt aus dem Zylinderdrucksignal zu berechnen, wodurch die Notwendigkeit entfällt synchronisierter Kurbelwinkelsensor. Wie in Bild 4 zu sehen ist, stimmt die aus dem Drucksignal geschätzte Drehposition weitgehend mit der gemessenen Drehposition überein. Daher können Ausfallvorhersagen mit dem geschätzten Signal statt mit dem wahren Signal getroffen werden, ohne dass es zu Leistungseinbußen kommt.

Daniel Nelson ist leitender Modellierungsingenieur bei Novity. Er verfügt über mehr als 12 Jahre Erfahrung in der multiphysikalischen Modellierung von Industrieanlagen, mit besonderem Schwerpunkt auf mechanischer Degradation und Fehleranalyse. Dr. Nelson erwarb seinen BS und Ph.D. in Computerphysik von der San Diego State University. Weitere Informationen finden Sie unter www.novity.us.