Die KI denkt mit

---

Ener­gie­netz­be­treiber und Asset Manager müssen bereits heute den wach­senden Verlust an perso­nellem Wissen und den stei­genden Wartungs­be­darf alternder Betriebs­mittel kompen­sieren. Gleich­zeitig steigen die Heraus­for­de­rungen und Belas­tungen:

Der drin­gende Netz­ausbau, die Einspei­sung erneu­er­barer Ener­gien und die Dezen­tra­li­sie­rung der Ener­gie­ver­sor­gung bei immer höheren Ener­gie­be­darfen scheinen kaum zu bewäl­tigen. Eine Schlüs­sel­rolle kommt deshalb neuen Tech­no­lo­gien zu, die bei der Über­wa­chung und Diagnose der Assets unter­stützen. Solch intel­li­gente daten­ge­stützte Systeme ermög­li­chen es, die vorhan­dene Infra­struktur effi­zi­enter zu nutzen und ihre Lebens­dauer zu verlän­gern. Das perfekte Zusam­men­spiel aller Auto­ma­ti­sie­rungs­ebenen ist dafür entschei­dend: vom Sensor zum Daten­knoten am Trafo bis zur globalen Ebene im Asset Manage­ment.

Das ist keine Zukunfts­musik mehr, sondern heute schon möglich. Das erklärt Tobias Gruber. Er ist Produkt­ma­nager und in der Entwick­lung für Algo­rithmen und mathe­ma­ti­schen Trai­nings­me­thoden invol­viert. „Ein großes Port­folio dazu­ler­nender Sensoren und Systeme bietet Rein­hausen bereits an. Und ihr Können vergrö­ßert sich laufend, durch die Vernet­zung unter­ein­ander und ihre stetig wach­sende Lern­kurve.“ Die Digi­ta­li­sie­rung der Assets ist aus genannten Gründen ein notwen­diger Schritt. Dieser Trans­for­ma­ti­ons­pro­zess aber, das selbst­stän­dige Weiter­ent­wi­ckeln der Systeme selbst, wird in allen Bran­chen Verän­de­rungen bewirken und auch Vorteile bringen, die heute noch nicht vorstellbar sind. Dass KI aber nicht mehr wegzu­denken ist, liegt auf der Hand; darum ergibt es Sinn, die Ener­gie­branche auf allen Ebenen damit zu unter­stützen.

Auf der Prozess­ebene erfassen unter­schied­liche Sensoren zahl­reiche Signale – zuver­lässig und präzise – direkt am Trans­for­mator und leiten sie an einen zentralen Kommu­ni­ka­ti­ons­knoten in der Feld­ebene zur Zusam­men­füh­rung weiter. So stehen belast­bare Infor­ma­tionen über den

Wartungs- und Gesund­heits­zu­stand der jewei­ligen Trafos zur Verfü­gung. In der Leit­ebene kommen diese Auswer­tungen zusammen. Dort können dann Wartungs­stra­te­gien für die gesamte Flotte eruiert werden. Das funk­tio­niert aber nur, wenn die Sensorik modular erwei­terbar und herstel­ler­un­ab­hängig funk­tio­niert, um auf künf­tige Bedürf­nisse in der Flot­ten­war­tung und ‑erneue­rung agil reagieren zu können. Und: Bei einem so hohen Daten­aus­tausch zwischen den Ebenen kommt der Cyber­si­cher­heit eine beson­dere Bedeu­tung zu.

INTELLIGENTE SENSORIK

Sensoren sammeln Infor­ma­tionen – so viel ist klar. Schlaue Sensoren können sie auch noch bewerten. Aber was bedeutet das ganz konkret? Welche Daten können mittels Maschi­nen­lernen besser ausge­wertet werden als mit den bishe­rigen Methoden? Eine wich­tige regel­mä­ßige Maßnahme ist beispiels­weise die Analyse des Isolieröls in der Gasphase (DGA – dissolved gas analysis). Bei allen übli­chen Analy­se­me­thoden wird das Gas extra­hiert, was es jedes Mal erneut schwan­kenden äußeren Faktoren aussetzt wie der Umge­bungs­tem­pe­ratur, dem Luft­druck, der Luft­feuchte und vielem mehr. Sicher­zu­stellen, dass diese Werte für die Messung immer konstant bleiben, würde Unsummen verschlingen und die Komple­xität des DGA-Systems deut­lich erhöhen.

Hier kommt die künst­liche Intel­li­genz ins Spiel. Über Trai­nings­da­ten­sätze lernt der Algo­rithmus im schlauen DGA-System die Zusam­men­hänge zwischen der Gaskon­zen­tra­tion im Isolieröl, dem Sensor­si­gnal und den mögli­chen Stör­ein­flüssen kennen. Mithilfe von mathe­ma­tisch-statis­ti­schen Methoden aus dem Werk­zeug­kasten des maschi­nellen Lernens wird der DGA-Sensor in seiner Entwick­lungs­phase also „ausge­bildet“. Die neue intel­li­gente Fach­kraft wird anschlie­ßend am Trafo instal­liert und weiß sofort, was zu tun ist. „Mit der Labor­ana­lyse des Öls als Refe­renz­punkt lernt der DGA-Sensor dann auch seinen Trans­for­mator kennen und reka­li­briert sich laufend selbst“, erklärt Gruber. „Auf diese Weise können Effekte wie Sens­or­drift, Alte­rung des Isolieröls und Ähnli­ches kompen­siert und eine gleich­blei­bende Mess­wie­der­hol­bar­keit gewähr­leistet werden.“

Die Gasana­lyse für Stufen­schalter sieht hier schon etwas schwie­riger aus, da im Gegen­satz zum Trans­for­mator weniger Daten­sätze zu Gasbil­dungs­raten und typi­schen Gaskon­zen­tra­tionen erar­beitet wurden. „Die Analyse von Stufen­schal­tern erfor­dert viel Exper­ten­wissen über die Funk­ti­ons­weise des jewei­ligen Stufen­schal­ter­typs und dessen Betriebs­weise“, erzählt Gruber. Deshalb kommt es nicht nur auf die Analyse der Schlüs­sel­gase an: Statis­tisch­ma­the­ma­ti­sche Algo­rithmen nutzen einen deut­lich brei­teren Daten­satz. Als Eingangs­größen werden neben den Gaskon­zen­tra­tionen auch Infor­ma­tionen über den Stufen­schalter verwendet, wie beispiels­weise die Anzahl der Schalt­vor­gänge, die Ölmenge oder die Zeit seit dem letzten Ölwechsel. Als Ergebnis erhält man eine Diagnose mit Angabe der Wahr­schein­lich­keit, die der reinen Gasana­lyse weit voraus ist.

„Die Analyse von Stufen­schal­tern erfor­dert viel Exper­ten­wissen über die Funk­ti­ons­weise des jewei­ligen Stufen­schal­ter­typs und dessen Betriebs­weise“

Tobias Gruber, Maschi­nen­fa­brik Rein­hausen

Um Stufen­schal­tern noch umfas­sender auf den Zahn zu fühlen, gibt es MSENSE® VAM®, das Online-Diagno­se­tool, das eine vibro­akus­ti­sche Messung durch­führt, indem es Schwin­gungen erfasst, die während des Schalt­vor­gangs eines Last­stu­fen­schal­ters auftreten. Der zuge­hö­rige Algo­rithmus stellt den Schalt­vor­gang in einer Grenz­wert­kurve dar, die mit jeder Schal­tung präziser berechnet wird. So lernt das System iterativ während der Schalt­vor­gänge, wie die akus­ti­sche Signatur eines korrekt arbei­tenden Last­stu­fen­schal­ters aussieht. „Und das funk­tio­niert überall“, erklärt Gruber, „sowohl bei neuen als auch bei bestehenden Last­stu­fen­schal­tern aller Hersteller und Bauarten.“

Was niemand in seinem Trafo finden möchte: Feuch­tig­keit. Neben vielen mögli­chen Prüf­stellen gibt vor allem die Durch­schlags­span­nung des Isolieröls konkrete Hinweise auf eine mögliche Verschmut­zung. Die von aktu­ellen Normen vorge­schla­genen Methoden zur Analyse dieser Span­nung sind aber umständ­lich und teuer. Auch hier ist die Online-Über­wa­chung durch mitler­nende Algo­rithmen besser: Sie erlernen den Zusam­men­hang zwischen rela­tiver Ölfeuchte, Öltem­pe­ratur und Durch­schlags­span­nung. Dabei werden die Daten für die Durch­schlags­span­nung bei verschie­denen Öltem­pe­ra­turen und ‑feuchten expe­ri­men­tell mit einer Refe­renz­me­thode, z. B. IEC 60156, ermit­telt. Mit diesen Daten wird ein mathe­ma­ti­sches Modell trai­niert. Das Modell wird anhand von Test­daten, die von den Trai­nings­daten unab­hängig sind, vali­diert und opti­miert – wieder steht eine ausge­bil­dete künst­liche Fach­kraft zur Seite und erkennt verläss­lich, wo sich Probleme anbahnen könnten.

2. INTELLIGENTE DATENAUSWERTUNG

Über­wa­chungs­sys­teme an Leis­tungs­trans­for­ma­toren spielen vor allem in Bezug auf eine stabile Fehler­er­ken­nung bereits eine große Rolle. Damit alleine ist es aber nicht getan. Die laufend gemel­deten Infor­ma­tionen und Daten müssen auch ausge­wertet und in Bezug zuein­ander inter­pre­tiert werden. Und das für jeden Trans­for­mator. Keine leichte Aufgabe. Vor allem, wenn mehrere Sensoren dieselbe Funk­tion beherr­schen. „Wenn zum Beispiel Temperatur‑, Teil­ent­la­dungs- und DGA-Sensoren alle in der Lage sind, Wick­lungs­fehler zu erkennen, werden ihre Aussagen nicht mitein­ander vergli­chen. So kann es zu wider­sprüch­li­chen Aussagen kommen und eine einfache Diagnose ist nicht möglich“, erklärt Tobias Gruber.

Darum werden im ETOS® alle Sensoren inte­griert und von den selbst­ler­nenden Algo­rithmen der ISM®-Recheneinheit im ETOS® bewertet. „Ein Bayes’sches Netz prüft, welche Fehler­muster am besten zu den aufge­tre­tenen und nicht aufge­tre­tenen Warn­mel­dungen passen. Zusätz­lich werden die A‑priori-Wahr­schein­lich­keiten für typi­sche Trans­for­ma­tor­fehler sowie die Zuver­läs­sig­keit der Sensoren berück­sich­tigt.“ Das Ergebnis ist eine Wahr­schein­lich­keits­schät­zung für alle bekannten Trans­for­ma­tor­pro­bleme, wobei dem Kunden die wahr­schein­lichsten Probleme zusammen mit einer Liste von Gründen für die Fest­stel­lungen ange­zeigt werden. Dies ermög­licht der Fach­kraft eine verein­fachte und effi­zi­ente Inter­pre­ta­tion der Diagno­se­er­geb­nisse. „Das Bayes’sche Netz Asset Intel­li­gence für Leis­tungs­trans­for­ma­toren bietet einen Leit­faden, um Risiken zu mini­mieren und schnell Abhil­fe­maß­nahmen zu ergreifen“, so Gruber.

3. Intel­li­gentes Flot­ten­ma­nage­ment

Die meisten Trans­for­ma­to­ren­flotten bestehen derzeit aus verschie­denen Vari­anten, die von unter­schied­li­chen Liefe­ranten stammen und sich in Alter sowie Ausstat­tung unter­scheiden. Das Asset Manage­ment muss ihnen allen gerecht werden. Das geht am besten mit einer zentralen Lösung, die alle Online- und Offline-Daten nutzt und auswertet – von den Sensor­daten bis zu von Hand einge­ge­benen Mess­werten nach einer Inspek­tion vor Ort. Rein­hausen hat dafür TESSA® APM® entwi­ckelt. Die Soft­ware hinter der Platt­form wertet die Daten aus, erkennt Trends und gibt selbst­ständig Hand­lungs­emp­feh­lungen aus. Dabei lernt die intel­li­gente Soft­ware umso mehr mit, je länger sie im Betrieb ist und ihre verbun­denen Assets „kennen­lernt“. Denn irgend­wann fehlt die entspre­chende Fach­kraft und es ist TESSA® APM®, das beispiels­weise sagt: „Schaut mal bei Trafo 5A vorbei, der ist immer ein biss­chen empfind­lich beim Öl.“

Dadurch, dass die Soft­ware alle Daten vereint, remote nutzbar ist und selbst­ständig bei Störungen auch prophy­lak­tisch warnt, spart sie dem Asset Manage­ment wert­volle Zeit und springt zudem in die perso­nelle Versor­gungs­lücke ein. Ein Drei­klang aus intel­li­genter Sensorik auf der Prozess­ebene, Daten­aus­wer­tung in der Feld­ebene am Trans­for­mator und Flot­ten­ma­nage­ment in der Leitungs­ebene bereitet also Netz­be­treiber und OEMs auf die Heraus­for­de­rungen von heute und morgen vor.