Warmtekrachtkoppelingsdata omzetten in impact met AI en thermodynamische modellen

Cogeneratiedata omzetten in impact: hoe AI gecombineerd met thermodynamische modellen de efficiëntie van biomassa- en WKK-installaties herdefinieert

Samenvatting: Voor exploitanten van cogeneratie-installaties ligt de uitdaging niet in een gebrek aan data, maar in het vermogen om die data om te zetten in snellere en betere beslissingen. Door thermodynamische context te combineren met AI-gestuurde monitoring wordt het mogelijk om meer inzicht te krijgen in prestaties, afwijkingen vroeger te detecteren en het risico op ongeplande stilstand van kritieke assets te verminderen. De belangrijkste boodschap is eenvoudig: hybride monitoring, die fysieke modellen en AI-modellen combineert, kan operatoren helpen om sneller en met meer vertrouwen te handelen, terwijl technische expertise centraal blijft staan in de besluitvorming.

In een cogeneratie-installatie verwerken distributed control systems — DCS — en historians duizenden tags in realtime. Met voortdurend schommelende stoomdebieten, temperaturen en drukken, bovenop de impact van veranderende omgevingscondities, soot blowing, de toenemende volatiliteit op de energiemarkten en strengere milieuregelgeving, hoe kunnen operatoren en ingenieurs dan echt weten: is mijn productie op dit moment optimaal? Is mijn proces werkelijk gezond?

Vertrouwen op manuele data-aggregatie of statische SPC-drempels — Statistical Process Control — is economisch niet langer haalbaar. Data is een echte goudmijn voor verbetering, maar alleen wanneer ze gekoppeld wordt aan de juiste operationele intelligentie. Hier komt Indao in beeld: een industrieel analyse- en AI-platform dat ontworpen is om deze kloof te overbruggen.

Als Belgische scale-up is Indao gespecialiseerd in het automatiseren van datacollectie en het inzetten van geavanceerde AI-modellen om de globale prestaties te maximaliseren, energieconversie te optimaliseren en productieactiviteiten 24/7 te stabiliseren. Door vooraf ontworpen, gebruiksklare industriële packs — zoals een Cogen Asset — rechtstreeks bovenop bestaande fabrieksdatabronnen te leggen, zoals SCADA, PLC’s en historians, stelt Indao teams op de werkvloer in staat om beter te beslissen en slimmer te produceren.

---

Navigeren door de operationele complexiteit van cogeneratie

Een warmtekrachtkoppelingsinstallatie — WKK, of CHP — exploiteren betekent navigeren door een complex geheel van onderling verbonden variabelen. Teams worden voortdurend geconfronteerd met uitdagingen die rechtstreeks impact hebben op het rendement:

Heterogeniteit van de brandstof en instabiliteit van de verbranding: in biomassa- en waste-to-energy-WKK’s zorgen variaties in brandstofkwaliteit en vochtgehalte voor voortdurende manuele bijsturingen. Dat leidt tot operationele drift en prestatieverschillen tussen verschillende operationele teams.

Informatie-overload: door de hoge instrumentatiedichtheid worden operatoren vaak overspoeld met data, waardoor kritieke inzichten en subtiele micro-anomalieën verborgen blijven.

Assetdegradatie en ongeplande stilstand: ongeplande stilstanden van kritieke componenten zoals biomassaconveyors, ketels en turbinewarmtewisselaars verstoren energieleveringsverplichtingen en tasten de rentabiliteit aan.

Indao helpt deze obstakels te overwinnen door alle proces- en productiedata eenvoudig toegankelijk te maken en een geïntegreerd overzicht te bieden van productie, energie en de gezondheid van apparatuur.

Door realtime thermodynamische modellering — zoals de Rankine-cyclus — te combineren met AI-gedreven datamodellen, evalueert het platform verliezen en identificeert het procesdrift om de globale efficiëntie van warmtekrachtkoppeling te maximaliseren.

---

Reële impact: procesdrift oplossen bij 2Valorise

Bij 2Valorise, een toonaangevende industriële site gespecialiseerd in energierecuperatie hoofdzakelijk op basis van biomassa, werden de modellen van Indao ingezet om de prestaties van thermische assets continu te monitoren en subtiele afwijkingen te voorspellen voordat ze bredere problemen veroorzaakten.

De oplossing van Indao werd geïnstalleerd om meer dan 2.700 variabelen in realtime te verzamelen. Door Machine Learning-modellen — ML — te trainen op historische referentieregimes, bouwde het platform een dynamische operationele digital twin op. Tijdens de eerste acht maanden van de uitrol identificeerden de anomaliedetectie- en voorspellende modellen van Indao tientallen procesafwijkingen en hielpen ze die op te lossen. Eén bijzonder kritisch incident had betrekking op een complexe turbine trip.

Case study predictief onderhoud: vacuümdeviaties detecteren

Na een turbine trip volgden de operatoren de standaardparameters op. Door de zeer dynamische randvoorwaarden — waaronder schommelingen in de stoomproductie van de ketel, stoomdebieten aan inlaat en aftap, en weersomstandigheden — bleef het voor hen echter moeilijk om te bepalen of het actuele vacuümniveau zich gedroeg zoals verwacht.

Het multivariate anomaliedetectiemodel van Indao en het voorspellende elektriciteitsmodel gaven een waarschuwing: de vacuümdruk werd gedetecteerd op 0,1 bar onder het verwachte niveau na de turbine trip.

Het voorspellende model evalueerde de actuele externe omstandigheden — waaronder weersvoorspellingen — samen met operationele parameters, zoals stoomdebieten aan inlaat en aftap en koelwatertemperaturen, om te bepalen dat de elektriciteitsproductie onder de doelwaarde lag en dat een verandering van 0,1 bar in vacuümdruk statistisch abnormaal was voor deze post-tripfase.

In tegenstelling tot standaardalarmen of SPC-achtige benaderingen ligt de kracht van het AI-model van Indao in het feit dat het:

• een multivariaat model gebruikt dat meerdere bedrijfsmodi kan analyseren, inclusief de invloed van seizoensgebondenheid, ketellast, enzovoort;
• abnormale omstandigheden kan identificeren ondanks aanzienlijke variabiliteit;
• de variabelen in drift precies kan aanduiden;
• voor elke variabele in drift een bereik kan aangeven om terug te keren naar normale omstandigheden.

Door deze afwijking vroegtijdig zichtbaar te maken via intuïtieve dashboards, kon het engineeringteam de root cause identificeren en onderhoud plannen tijdens de volgende stilstand. Het corrigeren van deze drift voorkwam langdurige productiestilstand en beschermde de stoomturbine tegen mogelijke degradatie op lange termijn.

Case study trage drift: drift in turbinevibraties detecteren

Kort na de ingebruikname begon het AI-driftdetectiemodel van Indao subtiele problemen met de turbinevibraties te signaleren. Cruciaal daarbij was dat deze vibratieniveaus ruim onder de standaard SCADA-alarmdrempels bleven, maar dat de trage, aanhoudende drift door het model als abnormaal werd aangeduid.

Deze vroege waarschuwing gaf het operationele team de nodige zichtbaarheid om onmiddellijk contact op te nemen met de turbineconstructeur, terwijl de asset nog onder garantie viel.

Door proactief te handelen, kon het team het vereiste mechanische onderhoud plannen tijdens de volgende voorziene kleine onderhoudsperiode. Als het team had gewacht tot de vibraties de SCADA-limieten bereikten, had het risico gelopen op ongeplande stilstand, mogelijk buiten de garantieperiode, en op aanzienlijk grotere en duurdere herstellingen.

“Indao heeft onze operationele efficiëntie verbeterd door ons in staat te stellen de prestaties van de installatie te monitoren, afwijkingen te detecteren en de oorzaken ervan te diagnosticeren. Dankzij bijkomende sensoren en data-analyse werd de stilstand tot een minimum beperkt, waardoor de algemene efficiëntie werd gemaximaliseerd.”
— Filip Lesaffer, CEO, 2Valorise

---

Bewezen, meetbare resultaten

De uitrol van Indao in veeleisende industriële omgevingen toont aan dat AI niet langer een optionele luxe is, maar een kerninstrument voor strategisch assetmanagement. Cogen-projecten die met het platform worden uitgevoerd, leveren doorgaans de volgende resultaten op:

Directe impact:

• +/- 1% op de energieproductie

Indirecte impact:

• minder ongeplande stilstand;
• beter procesinzicht voor operatoren;
• eenvoudiger systeembediening voor personeel;
• tijdwinst bij productieopvolging;
• meer tijd beschikbaar voor andere taken.

Door data-integriteit te koppelen aan geautomatiseerde operationele intelligentie zorgt Indao ervoor dat uw installatie sitespecifieke expertise kan vastleggen en behouden. Tegelijk ondersteunt het uw operationele teams om complexe cogeneratieprocessen nauwkeurig aan te sturen.