Predictive Analytics – Wie man Hindernisse bei der Einführung in der Energiebranche überwindet

Die Betreiber bei ihren echten Problemen unterstützen

„Im Land der Blinden ist der Einäugige König.“ Dieses alte Sprichwort sagt was ganz Wichtiges: Selbst ein kleiner Wissensvorsprung kann einen großen Unterschied machen – vor allem bei komplexen Problemen wie der Integrität von Pipelines. Die Herausforderung ist, dass sich verschiedene Risiken, fehlende Daten und neue Anforderungen ständig ändern. Dazu kommen noch wechselnde Risikoprofile und steigende Erwartungen durch den technologischen Fortschritt. Klar ist: Um vorne zu bleiben, braucht man proaktive, zukunftsorientierte Strategien.

Es gibt keine Wunderwaffe – nur die Lösungen, die wir uns durch harte Arbeit erarbeiten.

Neue Technologien wie fortschrittliche Inspektionstools und Vermessungstechniken sind super wichtig, vor allem mit neuen Anforderungen von Produkten wie Wasserstoff, die neue Integritätsprobleme mit sich bringen. Die Branche muss sich diesen Risiken mit Zuversicht stellen.

Das Integritätsmanagement muss flexibel sein – Daten nutzen, wo sie vorhanden sind, anpassen, wo sie fehlen, und die Lücke zwischen risikobasierten und regelbasierten Ansätzen schließen.

Vorhersagen müssen genau, transparent und entscheidungsreif sein – idealerweise funktionieren sie für molchbare, nicht molchbare und alle dazwischen liegenden industriellen Anlagen. Aber können sie dieses Niveau erreichen? Und wenn ja, reicht das aus, um sie von einer Innovation zum Industriestandard zu machen?

Die Vorhersage-Engine – klare Definitionen

Vorhersagen sind schon immer ein normaler Teil des Integritätsmanagements gewesen. Von der „groben Schätzung“ des/der IntegritätsingenieurIn bis hin zu konservativen und strengen, regelbasierten Entscheidungen – die Wege, die wir einschlagen, sind das Ergebnis unserer Versuche, uns in den trüben Gewässern des Integritätsmanagements zurechtzufinden. Vorhersagen werden immer gemacht: „Dieser Ansatz wird uns ans Ziel bringen“ oder „Das wird ausreichen“. In den letzten Jahren haben sich lediglich die Techniken zur Erstellung dieser Prognosen und deren Abstraktion vom eigentlichen Problem geändert. Leider bringen diese größere Komplexität und Abstraktion zusätzliche Herausforderungen bei der Interpretation und Validierung mit sich. Moderne KI muss einer strengen Validierung in mehreren Phasen unterzogen werden, darunter (aber nicht ausschließlich):

• Eingabedatenvalidierung – passen die Daten, die wir nutzen wollen, zu dem Problem, das wir lösen wollen?
• Modellausgabevalidierung – sind die Modellergebnisse „gut genug“ und bedeuten sie das, was wir denken, dass sie bedeuten?

Außerdem muss die Qualität der Ergebnisse klar und verständlich dargestellt werden – es ist nicht fair, von einem vielbeschäftigten Betreiber zu erwarten, dass er die Sprache der Datenwissenschaft lernt, um etwas Sinnvolles mitnehmen zu können; sonst geht er eben. Deshalb bieten wir bei ROSEN klare und einheitliche Leistungskennzahlen für Vorhersagemodelle für unsere Vorhersagedienste für nicht molchbare Anlagen.

Kleine, aber stetige Schritte machen

Wie gehen wir mit neuen Daten um, die für die Vorhersage der Pipeline-Integrität wichtig sind? Da wir langfristig dabei sind, muss ein klarer Prozess für die Integration neuer Inspektionen oder neuer Variablen standardmäßig eingebaut sein.

Ebenso werden georäumliche Datenquellen wie Geländebewegungen, Landnutzungsänderungen oder Aufzeichnungen über Eingriffe in das Gelände regelmäßig aktualisiert. Die Integration dieser Informationen ermöglicht eine dynamischere Vorhersage von Risiken im Zusammenhang mit Georisiken. Dazu ist keine komplette Neugestaltung der Modelle erforderlich, sondern ein modulares System, in dem neue Erkenntnisse zur Anpassung der Risikobewertung oder zur Neuausrichtung der Felduntersuchungen genutzt werden.

Flexibilität ist auch wichtig, damit man alle zusätzlichen Daten, die ein Betreiber vielleicht hat, wie zum Beispiel kathodischen Schutz, Pipeline-Untersuchungen oder Betriebsdaten, einbauen kann. Solche Daten sind ein Segen und ein Fluch zugleich, denn diese zusätzlichen Infos sind zwar super wertvoll, aber wir müssen dafür Inspektionsdaten weglassen, für die diese zusätzlichen Infos nicht vorliegen. Trotzdem denken wir, dass kleine, fokussierte Modelle mit relevanteren Daten insgesamt zu einer besseren Leistung führen werden. Dieser Standpunkt wird durch die Tatsache bestätigt, dass es möglich ist, deutlich bessere Vorhersagen für teilweise inspizierte Pipelines zu erstellen.

Letztendlich geht es hier um Pragmatismus. Es geht nicht darum, das perfekte Modell zu erstellen und sich dann zurückzulehnen – es geht darum, offen für Iterationen, Verbesserungen und Lernen zu bleiben. Eine schrittweise Weiterentwicklung wird immer besser sein als das Streben nach einer einzigen perfekten Lösung.

Nützliche Services, umsetzbare Informationen

Der Schlüssel zu einer guten Vorhersage in großem Maßstab ist Flexibilität. Wie schon gesagt, wollen verschiedene Leute verschiedene Sachen aus unterschiedlichen Gründen. IntegritätsingenieurInnen suchen vielleicht nach frühen Anzeichen für einen lokalen Metallverlust, während RisikomanagerInnen sich mehr für die systemweite Ausfallwahrscheinlichkeit interessieren.

Vorhersagedienste müssen an diese unterschiedlichen Endanwendungen angepasst werden können. Bei Vorhersagen, die auf Inspektionsdaten basieren, müssen bei der Festlegung der relevanten Parameter nicht nur die Engineering-Theorie berücksichtigt werden, sondern auch der Entscheidungskontext, in dem sie angewendet werden. Vorhersagen sollten wie folgt sein:

• Kontextbezogen – Die Ergebnisse müssen die Sprache des Entscheidungsträgers sprechen, egal ob es um Risiken, Kosten oder die operative Planung geht.
• Mehrschichtig und modular – Je nachdem, was gefragt wird, sollten verschiedene Vertrauensstufen, Details oder Bereiche verfügbar sein.
• Handlungsorientiert – Die Ergebnisse sollten nicht nur eine Vorhersage sein, sondern auch Vorschläge, was als Nächstes zu tun ist. Das kann eine empfohlene Inspektion, eine Reparaturpriorität oder eine Umleitungsempfehlung sein.

Das meinen wir, wenn wir von „umsetzbaren Informationen“ reden: Es geht nicht nur darum, zu wissen, dass etwas passieren könnte. Es geht darum, zu verstehen, was man dagegen tun kann.

Lernen, Risiken zu akzeptieren

In der Zwischenzeit haben auch die Betreiber einiges zu tun, vor allem die, die sich an den gesetzlichen Vorgaben orientieren. Risiken und Unsicherheiten sind in allen Bereichen des Pipeline-Integritätsmanagements da, von der Unsicherheit bei den Materialeigenschaften über die Messungen bis hin zur Auswertung der Signale der Inspektions-Tools. Inspektionen sind natürlich Momentaufnahmen von zufälligen Prozessen mit komplexen Auslösekriterien und unterschiedlichen Folgen. Das grundlegende Paradigma des Integritätsmanagements ist und war schon immer das Risiko. Um die Komplexität zu bewältigen, wenden wir als Branche pragmatische Regeln an, um dieses Risiko effizient zu managen. Im Hintergrund sind es jedoch die Interpretation historischer Ausfälle, unser quantitatives Verständnis der Pipeline-Mechanik und unsere numerische Validierung der Messungen, die unser Verständnis vorantreiben und die Strategien hervorbringen, die wir einsetzen.

Aus dieser Perspektive fordere ich die Branche dringend auf, sich darauf vorzubereiten, den grundlegend risikobasierten Charakter des Integritätsmanagements zu akzeptieren. Damit meine ich, dass die Betreiber Folgendes tun sollten:

• Identifizieren und sammeln von Daten, die nach traditionellem Engineering-Wissen für die Integrität einer bestimmten Pipeline relevant sein sollten. Die erforderlichen Daten variieren in der Regel je nach Art der jeweiligen Gefahr. In vielen Fällen werden diese Daten mit den eigenen Plänen der Betreiber zur Datenerfassung übereinstimmen.
• Sicherstellen, dass angemessene Aufzeichnungen über Ausfälle (Nachlaufindikatoren) und andere relevante Messungen (Vorlaufindikatoren) innerhalb der Organisation aufbewahrt werden
• Sicherstellen, dass angemessene Aufzeichnungen über Pipelines, einschließlich Reparaturen und Umleitungen, aufbewahrt werden. Inspektionsdaten von mehreren Betreibern sollten in ein gemeinsames Format umgewandelt werden, und es sollte eine Verbindung zu den ursprünglichen Inspektionsdaten hergestellt werden, um die Herkunft nachweisen zu können
• Proaktive Beteiligung an Kooperationsprojekten, um wertvolle Pipeline-Daten auszutauschen, die zu einer insgesamt sichereren und effizienteren Branche beitragen

Diese relativ einfachen Maßnahmen helfen den Betreibern, gut auf Veränderungen in der Branche zu reagieren, die zum Beispiel durch aktualisierte regulatorische Anforderungen entstehen.

Feedback-Zyklen und Überprüfung vor Ort

Prognosen allein reichen nie aus. Sie müssen überprüft, verbessert und hinterfragt werden. Ohne Feedback können selbst die besten Modelle schnell an Relevanz verlieren. Deshalb muss Integritätsmanagement auch gute Mechanismen für Feedback und Überprüfung in der Praxis beinhalten.

Dazu gehören:

• Überprüfung nach der Aktivität – Vergleich der vorhergesagten mit den tatsächlichen Bedingungen während der Ausgrabungsprogramme oder Sanierungsarbeiten. War das Modell richtig? Wenn nicht, warum nicht?
• Rückblick auf verfehlte Vorhersagen – Wenn Fehler oder Anomalien ohne Vorwarnung auftreten, muss eine gründliche Analyse folgen. Wurden Signale übersehen? Waren die Eingabedaten fehlerhaft? Basierte das Modell auf falschen Annahmen?
• Feedback-Schleifen für Betreiber – Außendiensttechniker und Techniker merken oft als Erste, wenn etwas nicht stimmt. Ihre Meinung sollte aktiv eingeholt und in das Systemdesign und die Modellverbesserung einfließen.

Dieser Feedback-Prozess ist nicht nur ein Mechanismus zur Qualitätssicherung, sondern Teil des wissenschaftlichen Zyklus: Vorhersage, Beobachtung und Korrektur. Ein lebendiges Lernsystem wird immer besser sein als ein statisches.

Ein Auftrag für das Pipeline-Integritätsmanagement

Wo es Prozesse gibt, die Vorhersage-Services unterstützen, wird ihr Wert durch die formelle Anerkennung innerhalb des Unternehmens sofort gesteigert. Ohne einen Auftrag – sei er regulatorisch, kommerziell oder kulturell – kann Predictive Analytics in der Ecke bleiben und eher als optionales Extra statt als zentrales Asset des Unternehmens behandelt werden.

Um das zu vermeiden, müssen Unternehmen mehr tun, als nur in Modelle oder Technologien zu investieren. Sie müssen die Voraussetzungen schaffen, damit diese Tools effektiv genutzt werden können. Dazu gehören:

• Klare Verantwortlichkeiten – Festlegen, wer für die Umsetzung von Vorhersagen verantwortlich ist, und ihnen die Möglichkeit geben, Entscheidungen auf der Grundlage von zukunftsorientierten Erkenntnissen zu treffen.
• Institutionelles Engagement – Vorausschauendes Integritätsmanagement muss in Integritätsverfahren, Risikorahmenwerken und Leistungsberichten festgeschrieben werden.
• Strategische Ausrichtung – Sicher stellen, dass Predictive Analytics mit den größeren Zielen wie Sicherheit, Nachhaltigkeit, Effizienz und Langlebigkeit der Assets zusammenpasst.

Der Wert einer Vorhersage wird erst dann echt, wenn sie das Verhalten der Leute verändert. Diese Veränderung wird erst dann in großem Stil passieren, wenn die Organisation den prädiktiven Ansatz nicht nur als Tool, sondern als Denkweise annimmt.