KI als strategische Erweiterung für zusätzlichen Mehrwert
Die Aveva Unified Architecture beschreibt Avevas strategischen Ansatz zur Konvergenz von Daten, Systemen und Prozessen über den gesamten Lebenszyklus einer Industrieanlage hinweg. Anstatt Daten in separaten Silos, wie Dokumenten, Tabellen oder isolierten CAD-Tools, zu verwalten, setzt Aveva auf eine datenzentrierte, cloudfähige Architektur auf ihrer gemeinsamen Datenplattform Connect. (Quelle: Aveva)
Auf dieser durchgängigen Datenbasis setzt AP Consultoria auf eine Kombination aus Generative Design AI, einem Industrial AI Assistant und PredAI Machine Learning. Die Lösungen unterstützen unterschiedliche Aufgaben im Engineering:
- Generative Design AI für intelligente Routenplanung: Die KI analysiert Designanforderungen und generiert automatisch machbare Layout-Lösungen für Rohrleitungsführungen. Ingenieure definieren dafür Systembedingungen, Parameter, Einschränkungen sowie Start- und Endpunkte.
- Industrial AI Assistant für schnelle technische Unterstützung: Der Industrial AI Assistant bietet technischen Support auf Basis der offiziellen Aveva-Dokumentation und ist mehrsprachig verfügbar. Er liefert präzise Informationen und unterstützt dadurch die Einarbeitung neuer Nutzer und die Produktivität der Ingenieure.
- PredAI Machine Learning für optimierte Rohrhalterungen: Die Lösung ist direkt in Aveva E3D integriert und nutzt das Wissen aus früheren Projekten sowie die Erfahrung der Ingenieure, um die Auswahl und Positionierung von Rohrhalterungen zu optimieren.
Rohrhalterungen als konkreter KI-Anwendungsfall
Gerade die Auslegung von Rohrhalterungen stellte für die Ingenieure von AP Consultoria eine besonders zeitintensive Herausforderung dar, da dafür häufig mehr Zeit benötigt wurde als im Projektplan vorgesehen. Verzögerungen in dieser Phase können den Gesamtzeitplan und die Effizienz eines Projekts beeinträchtigen. Aus diesem Grund wurde die Auslegung von Rohrhalterungen als geeigneter Workflow für die Entwicklung einer KI-/ML-Lösung betrachtet.
Das Rohrleitungsdesign erfordert spezialisiertes technisches Wissen, hohe Präzision und sorgfältige Planung. Komplexe Systeme, beispielsweise mit Pumpen oder Verdichtern sowie hohen Drücken und Temperaturen, machen häufig mehrere Überarbeitungen erforderlich.
Bei der Entwicklung der KI-/ML-Lösung gemeinsam mit Aveva erkannte das Team von AP Consultoria, wie wichtig es ist, die zu lösende Problemstellung klar zu definieren und sicherzustellen, dass die Parameter der Aufgabe eindeutig verstanden und abgebildet sind.
„Wir sprechen darüber, Fachwissen sowie das Ingenieurs-Wissen aus früheren Projekten zu nutzen. Es ist wichtig, die Herausforderung zu kennen, vor der man steht, denn dadurch kann man die Entwicklung von KI-Lösungen wesentlich präziser steuern“, so Thiago Oliveira, Director, Tech Support Americas, Aveva.
Die sorgfältige Planung, die anschließende Entwicklung und die Erweiterung der KI-Lösung um Expertenwissen führten bei AP Consultoria zu deutlichen Effekten. Dazu gehörten Kostensenkungen durch eine schnellere Projektabwicklung sowie weniger Engineering-Zeitaufwand infolge der höheren Genauigkeit.
Anzahl, Typ und Position vorhersagen
Die Aufgabe des Machine-Learning-Modells ist klar abgegrenzt: Es soll zwei wesentliche Größen für die Auslegung der Rohrhalterungen vorhersagen – die benötigte Position und den geeigneten Halterungstyp.
Dafür analysierten die Projektpartner zunächst, welche Informationen im konventionellen Engineering-Prozess für diese Entscheidungen herangezogen werden. Einbezogen wurden dabei auch Eingangsgrößen aus der Rohrspannungsanalyse. Auf Grundlage dieser Informationen erzeugt das ML-Modell eine erste Prognose für die Rohrhalterungen. Dadurch lassen sich bereits früh im Engineering Hinweise für ihre Auslegung gewinnen und Iterationen in der nachgelagerten Spannungsanalyse reduzieren. Nach dem Training wurden die ersten Modellergebnisse von Ingenieuren von AP Consultoria und Aveva überprüft. Der Machine-Learning-Ansatz wurde anschließend um regelbasierte Engineering-Mechanismen ergänzt.
Die Vorschläge des ML-Modells werden damit nicht ungeprüft in das Engineering übernommen. Sie werden zusätzlich mit den Randbedingungen des Anlagenentwurfs abgeglichen. Dafür werden die KI-Ergebnisse mit regelbasierten Designmechanismen kombiniert. Es entsteht ein hybrider Ansatz aus Machine Learning und klassischen Engineering-Regeln. Damit verbindet die Lösung zwei Wissensquellen: Auf der einen Seite stehen Daten und Erfahrungswissen aus früheren Projekten, die für das Machine Learning nutzbar gemacht werden. Auf der anderen Seite bleiben die technischen Regeln und Randbedingungen des Engineerings erhalten. Die Ergebnisse werden in den Engineering-Workflow mit Aveva E3D eingebunden.