Beschreibung

Dichtungsfehler sind für unerwünschte und ungeplante Maschinenstillstände im Feld verantwortlich und können bei Verwendung gefährlicher Fluide zu Gefahren für Mensch und Umwelt führen. Die Forschung an berührungslosen Gleitringdichtungen mit Trockengasschmierung, die im Allgemeinen als DGS (Dry Gas Seals) abgekürzt werden, wird aufgrund des geringen und kontrollierbaren Leckagestroms, des berührungslosen Betriebs und der Eignung für die Hochdruckumgebung, als Dichtungslösung eingesetzt. Der Betrieb berührungsloser Gleitringdichtungen beruht auf dem Dichtspalt zwischen rotierenden und nicht-rotierenden Bauteilen in einem Bereich von wenigen Mikrometern. Bisher basiert die Kenntnis des Strömungsverhaltens im Dichtspalt noch auf den theoretischen Annahmen und Leistungstests zur Messung des Eingangsdrucks und des Leckagemassenstroms. Diese Modelle sind in begrenztem Umfang in der Lage, die Leistung der Dichtungskonstruktion zu validieren und Konstruktionsprobleme anhand der anvisierten Betriebskriterien zu identifizieren. Die meisten Dichtungsfehler im Feld sind jedoch auf unvorhergesehene Umstände wie Verschmutzungen, Vibrationen, häufiges Starten/Stoppen und unerwartete Bedingungen zurückzuführen. Infolgedessen kann das Versagen der Dichtung mit den heutigen Methoden nur unzuverlässig bzw. gar nicht vorhergesehen werden.

Projektziel

Im Projekt (FKZ: 03EE5041H) wurden die Prognosemodelle zur Berechnung des Dichtspaltes entwickelt und in das digitale Zwillingsmodell implementiert. Die gesamte Architektur des digitalen Zwillings basierend auf einer Open Source IoT-Plattform, die am Laborprüfstand erfolgreich getestet wurde. Das Modell ist basierend auf den gemessenen Betriebsbedingungen der Dichtung in der Lage eine Echtzeitvorhersage des Dichtspaltes bereitzustellen. Im neuen Projekt wird das Gesamtkonzept auf eine reale Maschine übertragen. Die relevanten und messbaren Prozessgrößen an dem Verdichter müssen identifiziert werden. Um die KI-Modelle zur Lebensdauervorhersage zu entwickeln, sind die erforderlichen Sensoren in den Verdichter einzubauen. Die Einflüsse von Prozessgrößen und ihre gegenseitige Beeinflussung auf den Dichtspalt (Zielgröße) werden identifiziert.

Die messbaren und nicht messbaren Prozessgrößen der realen Anlage und ihre logischen Zusammenhänge werden mit Hilfe von maschinellem Lernen und physikbasierten Modellen analysiert. Diese ermöglicht nicht nur die Trockengasdichtungen in der frühen Entwicklungsphase zu optimieren, sondern auch die Möglichkeit den aktuellen „Gesundheitszustand“ der Dichtungen zu ermitteln und so an einem proaktiven Servicekonzept zu arbeiten.

Projektergebnisse

Laufendes Forschungsprojekt

Zeitraum

01.09.2023 – 31.08.2026

Partner

Siemens Energy Global GmbH & Co. KG, Duisburg (SE)

Projektträger

Forschungszentrum Jülich GmbH (PT-J.ESE5)