KWB | Störungsfrei Heizen mit Biomasse – Wie KWB mit Fraunhofer Austria die Grundlage für Predictive Maintenance schafft

© Patrick Barylla, Leonhard Czarnetzki, KWB Energiesysteme GmbH
KPI Übersicht
© Leonhard Czarnetzki, KWB Energiesysteme GmbH
Beispiel Klassifizierung zu temperaturbedingten Alarmmeldungen

Biomasse-Heizungen sind ein zentraler Baustein nachhaltiger Energiesysteme. Damit sie dauerhaft zuverlässig laufen, braucht es smarte Lösungen für Wartung und Instandhaltung. Genau hier setzt das Projekt FutureHeat an: Gemeinsam mit KWB hat Fraunhofer Austria eine daten- und modellbasierte Grundlage geschaffen, um Störungen frühzeitig zu erkennen und Wartung planbar zu machen.

Daten intelligent nutzen – für mehr Anlagenverfügbarkeit

Im Projekt wurden vier Jahre Maschinen- und Störungsdaten aus dem Betrieb von 888 Heizungen analysiert. Ergänzt wurde die Datenbasis durch mobile Vibrationsmessungen mittels der Fraunhofer Austria Oktobox – eine Smart-Retrofit-Lösung, die zusätzliche Zeitreihen liefert. Die synchronisierten und aufbereiteten Daten ermöglichen eine präzise Analyse des Anlagenverhaltens und die Ableitung robuster Merkmale.

Frühzeitig erkennen, gezielt handeln

Basierend auf diesen Daten entwickelte Fraunhofer Austria mehrere Klassifikationsmodelle zur Störungserkennung mit Fokus auf geringer Fehlalarmrate. Das Ergebnis: Ein Proof-of-Concept mit dokumentierter Modellleistung und identifizierten Störmustern, die als Grundlage für zukünftige Optimierungen dienen.

FutureHeat zeigt, wie Predictive Maintenance in der Praxis funktionieren kann. Für Hersteller wie KWB entstehen wertvolle Impulse für serviceorientierte Produktentwicklung. Betreiber profitieren von höherer Ausfallsicherheit und planbaren Wartungseinsätzen.

„Mit FutureHeat liegen Daten und Methodik vor, um Störungen nicht nur zu dokumentieren, sondern künftig frühzeitig zu erkennen und gezielt gegenzusteuern. Das macht unsere Wartung planbarer und erhöht die Anlagenverfügbarkeit.“
David Oblak, Leitung Digitalisierung, KWB Energiesysteme GmbH

 

Eckdaten

Projekt

FutureHeat – Predictive Maintenance Daten- & Modellgrundlage für störungsfreie Biomasse-Heizungen

methoden

  • Datenintegration: Biomasse-Heizungen – Zusammenführung von vorhandenen Maschinen- und Störungsdaten aus 4 Jahren Betriebslaufzeit 
  • Smart-Retrofit: Mobile Zeitreihen-Erfassung von Vibrationsdaten mittels Fraunhofer Oktobox und Ableitung von Erkenntnissen über Bestandssensorik hinaus 
  • Datenaufbereitung: Synchronisierung, Resampling, Aggregation sowie Test verschiedener Label-Logiken für gestörte Betriebszustände 
  • Feature-Engineering: Robuste Merkmalsextraktion aus Maschinensensorik und Alarmmeldungen für eine nachvollziehbare Zustandsanalyse der Heizung 
  • Predictive Maintenance Modellbildung: Erprobung von Klassifikationsmodellen mit Fokus auf der Vermeidung von Falsch-Positiv-Bewertungen zur Reduktion von Servicetechniker Einsätzen

projektdauer

7 Monate

projektergebnisse

  • Integration und Analyse der Alarmmeldungen an den betrachteten Biomasse-Heizungen
  • Proof-of-Concept zur Störungsvorhersage mit dokumentierten Leistungskennzahlen
  • Identifizierte Störmuster und Verbesserungspotenziale des Predictive Maintenance Modells
  • Analysebericht der Modellleistung, sowie Empfehlungen für zukünftige Optimierung und Implementierung des Predictive Maintenance Modells

KPIs

  • 20 Billionen Datenzeilen aus 4 Jahren und 888 Anlagen zur Auswertung aufbereitet
  • 614 Anlagen- und Sensorparameter auf 37 relevante Parameter (Ist- und Soll-Werte) reduziert
  • 5 Modellansätze in über 30 Experimenten getestet
  • Abhängig von Störbild und geforderter Falsch-Positiv-Rate Erkennung von bis zu 70% der Störfälle in den Testdatensätzen