01. Juli 2024
Projektlaufzeit: 07.2024 - 06.2027
Projektstatus: laufend
Förderkennzeichen: W 202406
Projekt des DVGW-Zukunftsprogramms Wasser
Am Projekt sind folgende Partner beteiligt:
Ziel von TRINK-Predict ist es, ein besseres Verständnis und den praktischen Nutzen von "Predictive Maintenance"-Ansätzen zu illustrieren. Dadurch soll eine Wissensbasis geschaffen und die Hemmschwellen in Wasserversorgungsunternehmen abgebaut werden. Zu diesem Zweck wird in drei beispielhaften Anwendungen innerhalb der Trinkwasseraufbereitung folgendes Arbeitsprogramm umgesetzt:
Unter dem Bergiff "Predictive Maintenance" versteht man die vorausschauende Instandhaltung der wasserwirtschaftlichen Infrastruktur, die aus historischen als auch aus in Echtzeit verfügbaren Daten lernt. Ihr Ziel ist es, Maschinen und Anlagen proaktiv zu warten und so Störungszeiten zu minimieren. Optimalerweise lassen sich Störungen vorhersagen, bevor es zu unerwünschten Prozessverschlechterungen oder gar Ausfällen kommt. Dies erfordert eine valide und vollständige Prozessdatenbasis sowie Analysen, Prognosen, Optimierungen und Regelungen, die neben klassischen statistischen Verfahren auch auf Methoden der Künstlichen Intelligenz und des Machine Learnings zurückgreifen.
Dies ist besonders bei Verfahrensstufen sinnvoll, die ein hochpräzises Steuerungs- und Überwachungssystem benötigen, um den Aufbereitungserfolg zu überwachen und den energieintensiven Betrieb möglichst nah an den optimalen Bedingungen zu halten. Regelmäßige Wartung und Überwachung erhöhen gleichzeitig die Produktivität und Lebensdauer der Anlagen.
Die praktische Implementierung in Wasserversorgungsunternehmen scheitert bislang an technischen Hürden. Dazu gehören eine unzureichende IT-Infrastruktur, eingeschränkte Verfügbarkeit und Sicherheit von Daten sowie mangelndes Know-how und fehlende Ressourcen. Im Forschungsprojekt TRINK-Predict werden nun Verfahrensstufen genauer betrachtet, die sowohl technisch als auch betriebswirtschaftlich besonders bedeutend sind und für die Anwendung der "Predictive Maintenance" geeignet wären.
