Eckdaten

Übersicht zum Projekt

Im Rahmen der Energiewende spielen Biomethan und Wasserstoff eine entscheidende Rolle als erneuerbare Energieträger. Die Einspeisung in das Verteil- oder Transportnetz erfolgt zumeist dezentral. Die dafür notwendige Druckerhöhung wird mit (Hub-)Kolbenverdichtern realisiert. 

Mit zunehmender Anzahl von Lastwechseln steigt der Verschleiß der Anlagen und der Wirkungsgrad sinkt. Dies ist umso bedeutsamer, da bei Wasserstoff eine um den Faktor 3,5 bis 4 höhere Verdichtungsarbeit zu leisten ist. Um Effizienz­verlust, Störungen und Ausfallzeiten zu vermeiden, ist eine dezidierte Strategie zur Predictive Maintenance und zur Optimierung des Anlagenbetriebes hin zu einer langlebigen, verschleißarmen Fahrweise erforderlich.

Arbeitsschwerpunkte

Der Fokus des Projekts liegt auf der Erkennung, der Abbildung und der Bewertung von Verschleißmechanismen an Kolbenverdichtern. Dafür werden physikalische Modelle des Verdichtungsprozesses erarbeitet, auf deren Basis Kennzahlen gebildet werden, die als Verschleißindikatoren dienen können. Die Entwicklung erfolgt zunächst für einstufige Verdichter. Darauf aufbauend werden weitere Indikatoren für mehrstufige Verdichter entwickelt. Anschließend sollen die definierten Verschleißindikatoren und deren physikalische Zusammenhänge auf Basis bisheriger Ansätze zur Verschleißüberwachung mittels künstlicher Intelligenz, insbesondere neuronaler Netze, datenbasiert abgebildet werden. Dazu wird das Verhalten der relevanten Prozessgrößen untereinander mittels neuronaler Netze angelernt. Die verschiedenen datenbasierten Ansätze werden evaluiert. Sie sollen geeignet sein, um Verschleiß an Kolbenverdichtern zu überwachen und vorherzusagen. Die Erkenntnisse sollen in einen Prototyp für ein solches KI-Modell überführt werden.

Kernaussagen/-ergebnisse

Im Rahmen des Projektes sollen Ansätze zur Verschleißerkennung und -überwachung von (Hub-)Kolbenverdichtern erarbeitet werden. Diese Ansätze und das methodische Vorgehen sind so aufzubereiten, dass sie auf andere Anwendungen im Bereich der Gastechnik übertragbar werden. Die Ergebnisse können auch für Verdichter anderer Branchen, beispielsweise in der chemischen Industrie, genutzt werden. Mit den Ansätzen soll ein prototypisches KI-Modell zur Verschleißüberwachung und ‑vorhersage entwickelt werden, mit dem die untersuchten Verdichter automatisiert überwacht werden können. So werden erforderliche Reparatur­maßnahmen rechtzeitig und genau vor dem Ausfall eingegrenzt und Ausfallzeiten minimiert. Außerdem kann der optimale Zeitpunkt für eine möglichst ressourcenschonende Wartung in Bezug auf Verschleißteile und Betriebsenergie­verbrauch gewählt werden.