Veröffentlicht am25 Jan 2019
min lesen
Ansichten
Anlagenintensive Industrien sind oft mit einer überwältigenden Komplexität bei der Anlagenverwaltung konfrontiert. Herausforderungen wie eine unstrukturierte Wartungsplanung und eine schlechte Bestandsverwaltung führen häufig zu erhöhten Investitions- und Betriebskosten. Fragmentierte Asset-Management-Lösungen und das Fehlen einer einheitlichen Datenbank verschlimmern die Situation zusätzlich.
In der O&G-Industrie, in der eine der Hauptursachen für Pipeline-Störungen die alternde Infrastruktur ist, können diese Herausforderungen besonders kostspielig sein. Im Fall der Öl- und Gasanlagen in Pennsylvania führten fehlerhafte Anlagen zu einem Austritt von 520.000 Tonnen Methan pro Jahr, wodurch Energieressourcen im Wert von fast 68 Millionen Dollar verschwendet wurden. Dies zeigt, dass ein integriertes Management aller Anlagen für die Optimierung der Ressourcen und die Beseitigung von Umweltschäden unerlässlich ist.
Integrierte Asset-Management-Systeme (IAM) sind von einem der effizientesten vernetzten Systeme inspiriert, das wir kennen: dem menschlichen Gehirn. Ähnlich wie das Netzwerk der Neuronen im menschlichen Körper verbindet ein IAM-System digital alle Anlagen in einer Einrichtung. Dadurch kann das System den gesamten Lebenszyklus der Anlagen auf Informationen ausrichten. Doch wie bei jedem datenzentrierten Prozess sind auch IAM-Systeme nur so gut wie die Informationen, mit denen sie arbeiten. Da Unternehmen weitgehend auf unstrukturierte Datenquellen wie Dokumentenkopien, Dateien und Lieferantendokumente angewiesen sind, müssen IAM-Systeme eine robuste Datenstrategie verfolgen.
Um Anlagendaten genau zu erfassen und in einer einzigen integrierten Datenplattform zusammenzuführen, müssen diese Systeme Daten effektiv digitalisieren und eine qualitativ hochwertige Datenmigration gewährleisten. Darüber hinaus muss die Informationsmanagement-Plattform multidimensionale Dateneingaben für Greenfield- und Brownfield-Projekte unterstützen. Um jedoch eine wirklich vernetzte Plattform zu schaffen, muss das System die Referenzdatenbibliothek regelmäßig aktualisieren und abbilden. Dies wiederum vereinfacht die Datenwiederherstellung und -analyse.
Das Ergebnis ist, dass Anlagen und Einrichtungen in Echtzeit Einblick in den Zustand und die Leistung der Anlagen haben. Dies trägt folglich zur Verbesserung der Gesamteffizienz der Anlagen (OEE) bei. Das Konzept der Anlagenintegrität kann den Anlagenbetrieb und die Verwaltungsdienste mit verschiedenen Technologien der neuen Generation optimieren. Ein solcher Ansatz kann die Entwicklung neuer Geschäftsmodelle wie wertorientierte Managed Services erleichtern.
Mit IAM-Tools können Analysen des technischen Informationsstatus die Sicherheit, die Zuverlässigkeit, den Betrieb und die rechtzeitige Übergabe verbessern. Qualitäts-, Konsistenz- und Redundanzprobleme können durch Zusammenarbeit und Integration über den gesamten Lebenszyklus von Anlagen beseitigt werden.
IAM-Systeme konsolidieren alle Geschäftsanwendungen entlang der Wertschöpfungskette, einschließlich Enterprise Asset Management (EAM), Enterprise Resource Planning (ERP), Manufacturing Execution Systems (MES), Human Resource Management Systems (HRMS) und Finanzmanagementsysteme. Die Datenaggregation spielt bei diesem Aspekt der integrierten Anlagenverwaltung eine wichtige Rolle. Durch die Erfassung von Daten aus den verschiedenen Einzelanwendungen und die Nutzung von Big-Data-Analysen zur Gewinnung von Erkenntnissen helfen Datenaggregatoren bei der Entwicklung von Geschäftsstrategien und dem Treffen fundierter Entscheidungen.
Mit den Fortschritten im Bereich der künstlichen Intelligenz (KI) haben anlagenintensive Unternehmen zudem die Möglichkeit, große Mengen an Betriebsdaten von ihren IoT-fähigen Anlagen zu erfassen und durch maschinelles Lernen ein verbessertes prädiktives Anlagenmanagement zu ermöglichen. Im Fall eines großen O&G-Unternehmens entwickelte ein in Israel ansässiges Startup eine Plattform, die Deep Learning und maschinelles Lernen einbezog, um sechs Monate historischer Sensordaten eines ausgefallenen Ölbohrlochs zu untersuchen und dem Unternehmen zu helfen, ungeplante Ausfallzeiten für seine anderen Maschinen zu reduzieren. Die Plattform nutzte Datenanalyse und Algorithmen des maschinellen Lernens, um einen Basiswert zu ermitteln. Anhand dieser Zahlen lernte das System, Druck- und Temperaturwerte zu erkennen, die auf einen bevorstehenden Ausfall hinwiesen.
Dieses Beispiel zeigt, dass IAM-Lösungen den Zustand der Anlagen weiter optimieren und eine produktive Anlagenumgebung schaffen können. Darüber hinaus unterstreicht es das Potenzial, das, was wir das Gehirn einer Anlage nennen, mit der Zeit immer erfahrener und reichhaltiger zu machen.
Auf kognitivem Lernen basierende Lösungen erweitern die Möglichkeiten des Anlagendatenmanagements, wenn sie in einem frühen Stadium des Anlagenlebenszyklus eingesetzt werden. In der O&G-Industrie beispielsweise kann die Kombination von kognitivem Lernen mit der Verwaltung von Untergrunddaten die Wahrscheinlichkeit des Scheiterns eines Feldprojekts verringern. Darüber hinaus kann es die Effizienz der Exploration verbessern und das Geschäftsrisiko und die Kosten senken.
Zweifellos bieten IAM-Lösungen größere Chancen für CEOs anlagenintensiver Branchen, die ihre Produktivitätskennzahlen eher an der Anlagenauslastung als an Umsatz und Gewinn ausrichten. Viele Anlagenbetreiber haben bereits mit der Einführung von Asset-Management-Systemen reagiert und profitieren von Produktivitätssteigerungen und der Betriebszeit ihrer Anlagen. Dies hat dem Markt für Asset-Management-Systeme Auftrieb gegeben, der zwischen 2016 und 2022 mit einer durchschnittlichen Wachstumsrate von 15,17 % wachsen wird. Wir haben heute sowohl den Bedarf als auch die Ressourcen, um eine höhere Anlageneffizienz zu erreichen. Eine frühzeitige Einführung der IAM-Lösung wird empfohlen, um die Gesamteffizienz der Anlage zu steigern und einen Wettbewerbsvorteil auf dem Markt zu erlangen.
