www.industriogteknik.com
18
'26
Written on Modified on
Integration af kunstig intelligens til fejlprediktion i energiproduktion
Ørsted A/S tester en AI-baseret softwareløsning fra ABB til tidlig detektering af elektriske fejl på Avedøre Kraftværk. Den digitale infrastruktur skal øge anlæggets pålidelighed under stigende elektrificering.
global.abb
Den accelererende elektrificering inden for transport, industri og opvarmning øger belastningen på elnettet og kræver maksimal oppetid af produktionsanlæggene. Traditionelt vedligehold baseres ofte på periodiske inspektioner, hvilket øger risikoen for uforudsete driftsstop, da elektriske fejl typisk udvikler sig gradvist uden tidlige, synlige indikationer. For at imødegå dette har Ørsted A/S og ABB indgået et samarbejde om et pilotprojekt, der transformerer reaktivt vedligehold til prædiktiv tilstandsovervågning uden at øge systemets fysiske kompleksitet.
Teknisk arkitektur og ansvarsfordeling
Den implementerede løsning udnytter kunstig intelligens til at analysere eksisterende måledata direkte fra værkets elektriske systemer. Systemet integreres i det igangværende relæbeskyttelsesprogram på Avedøre Kraftværk.
- ABB leverer beskyttelsesrelæer, det centraliserede beskyttelses- og kontrolsystem samt den AI-baserede analyseplatform. ABB yder desuden teknisk support og tæt samarbejde det første år for at omsætte data til konkrete handlinger.
- Ørsted A/S stiller testfaciliteterne rådighed og integrerer softwaren i den eksisterende digitale infrastruktur på kraftværket for at validere systemets ydeevne under reelle driftsforhold.
Løsningen overvåger løbende elektriske parametre og identificerer subtile anomali-mønstre, som indikerer begyndende komponentfejl. Dette giver operatørerne et udvidet tidsvindue til at planlægge korrigerende handlinger.
Implementering og industrielle anvendelsesscenarier
Pilotprojektet udrulles trinvist på Avedøre Kraftværk, der forsyner over 215.000 husstande med fjernvarme og producerer elektricitet svarende til 600.000 husstandes forbrug. Testfasen bygger på den eksisterende elinfrastruktur, hvilket eliminerer behovet for yderligere hardwareinstallationer og reducerer implementeringsomkostningerne. Denne tilgang skaber et skalerbart fundament for fremtidig udrulning på tværs af Ørsteds produktionsportefølje.
Forventede resultater og teknologisk merværdi
Formålet med projektet er at dokumentere, hvordan industriel automation og AI-analyse kan optimere processtabiliteten. Ved at detektere fejl i et tidligt stadie kan driftsteams prioritere vedligeholdelsesopgaver, minimere uplanlagte afbrydelser og reducere de samlede operationelle omkostninger.
"Generelt udvikler de fleste elektriske fejl sig over tid, men de opdages ofte sent, hvilket giver begrænset handlefrihed. Denne løsning giver operatører tidligere varsler og mere tid til at handle," forklarer Søren Bagge Skou, salgschef hos ABB Distribution Solutions i Danmark. "Det handler om at bevæge sig fra periodiske inspektioner til tidligere detektering, hurtigere diagnose og mere velinformerede vedligeholdelsesbeslutninger."
"Vi søgte en praktisk og omkostningseffektiv måde at afprøve fejlprediktion på uden at tilføje yderligere kompleksitet. Hvis pilotprojektet hjælper os med at reagere tidligere på blot ét begyndende problem, vil det være et stærkt bevis på værdien," uddyber Michael Jeppesen, Lead Electrical Systems Specialist hos Ørsted.
Redigeret af Evgeny Churilov, Induportals Media - Tilpasset af AI.
www.new.abb.com
Implementering og industrielle anvendelsesscenarier
Pilotprojektet udrulles trinvist på Avedøre Kraftværk, der forsyner over 215.000 husstande med fjernvarme og producerer elektricitet svarende til 600.000 husstandes forbrug. Testfasen bygger på den eksisterende elinfrastruktur, hvilket eliminerer behovet for yderligere hardwareinstallationer og reducerer implementeringsomkostningerne. Denne tilgang skaber et skalerbart fundament for fremtidig udrulning på tværs af Ørsteds produktionsportefølje.
Forventede resultater og teknologisk merværdi
Formålet med projektet er at dokumentere, hvordan industriel automation og AI-analyse kan optimere processtabiliteten. Ved at detektere fejl i et tidligt stadie kan driftsteams prioritere vedligeholdelsesopgaver, minimere uplanlagte afbrydelser og reducere de samlede operationelle omkostninger.
"Generelt udvikler de fleste elektriske fejl sig over tid, men de opdages ofte sent, hvilket giver begrænset handlefrihed. Denne løsning giver operatører tidligere varsler og mere tid til at handle," forklarer Søren Bagge Skou, salgschef hos ABB Distribution Solutions i Danmark. "Det handler om at bevæge sig fra periodiske inspektioner til tidligere detektering, hurtigere diagnose og mere velinformerede vedligeholdelsesbeslutninger."
"Vi søgte en praktisk og omkostningseffektiv måde at afprøve fejlprediktion på uden at tilføje yderligere kompleksitet. Hvis pilotprojektet hjælper os med at reagere tidligere på blot ét begyndende problem, vil det være et stærkt bevis på værdien," uddyber Michael Jeppesen, Lead Electrical Systems Specialist hos Ørsted.
Redigeret af Evgeny Churilov, Induportals Media - Tilpasset af AI.
www.new.abb.com
