In raffinaderijomgevingen – drukke, risicovolle en structureel complexe omgevingen – is de foutmarge klein. Installaties werken onder extreme temperaturen en drukken. De faciliteiten zijn doolhofachtig, het resultaat van decennia van uitbreidingen, aanpassingen aan bestaande installaties en vaak onvolledige documentatie. In deze context kan de traditionele aanpak van onderhoud, waarbij teams vertrouwen op periodieke inspecties of op storingen gebaseerde ingrepen, of zelfs verouderde 2D-tekeningen, niet langer voldoen aan de eisen op het gebied van schaalgrootte, veiligheid en bedrijfsvoering van de moderne energiemarkten. Dit is waar voorspellende onderhoudssoftware voor raffinaderijen een cruciale factor wordt voor veiligheid, continuïteit en prestaties.
Een succesvolle strategie voor voorspellend onderhoud is afhankelijk van het beheer van 3D-scangegevens. Om de conditie van installaties te monitoren, te voorspellen en daarop in te spelen, moeten exploitanten eerst hun fysieke omgeving digitaliseren en in kaart brengen met een nauwkeurigheid op millimeterniveau. Raffinaderijen behoren tot de meest complexe omgevingen om te scannen. Ze omvatten pijpenrekken die zich in de loop van decennia hebben opgestapeld, roterende apparatuur in krappe ruimtes, verticale constructies, drukvaten, fakkeltorens, koeltorens en elektriciteitsruimtes. Het vastleggen en beheren van deze complexiteit vereist gespecialiseerde lidar-scans, fotogrammetrie met drones en op SLAM gebaseerde mobiele kartering. Daarnaast is geavanceerde software nodig die deze gegevens niet alleen efficiënt kan weergeven, maar deze ook kan koppelen aan de bredere systemen voor activabeheer en digitale tweelingen van een raffinaderij.
Het beheer van scangegevens in raffinaderijen begint met het nauwkeurig vastleggen van de werkelijkheid. Over de procesunits worden terrestrische scanners van landmeetkundige kwaliteit ingezet om puntenwolken met hoge resolutie te verzamelen. Deze scans worden vervolgens uitgelijnd en geregistreerd in één uniform ruimtelijk model. Voor raffinaderijen betekent dit vaak dat de gegevens worden opgedeeld in logische werkzones – bijvoorbeeld ruwe-oliedestillatie-eenheden, hydrokrakers, coker-eenheden en hulpvoorzieningen. Het resulterende mesh moet nauwkeurig genoeg zijn om vervorming, corrosie, uitlijningsafwijkingen en de beschikbaarheid van tussenruimtes te detecteren. Zodra deze gegevens zijn vastgelegd en verwerkt, worden ze gevisualiseerd in platforms zoals Cintoo, waar ze worden omgezet in een navigeerbaar 3D-mesh, waardoor teams vanaf elke locatie toegang hebben tot actuele digitale weergaven.
Het belang van voorspellend onderhoud in raffinaderijen vloeit voort uit de hoge kosten van ongeplande stilstand en de risico’s die het uitvallen van installaties met zich meebrengt. Eén dag stilstand in een grote raffinaderij kan leiden tot verliezen variërend van honderdduizenden tot enkele miljoenen dollars, afhankelijk van de productiecapaciteit en de productmix. Storingen in warmtewisselaars, compressoren of leidingen kunnen veiligheidsuitschakelingen, HSE-incidenten of catastrofale schade veroorzaken. Voorspellend onderhoud maakt gebruik van een combinatie van sensorgegevens, historische prestaties en indicatoren voor de fysieke toestand – vaak afgeleid uit scangegevens – om storingspunten te voorspellen voordat ze zich voordoen. Hierdoor kunnen teams activa op het optimale moment vervangen, repareren of versterken.
Het uitvoeren van voorspellend onderhoud met Cintoo omvat een combinatie van visuele gegevens, gemarkeerde metagegevens van activa, vergelijkingen met historische scans en integratie met technische modellen. Zodra de scangegevens van een raffinaderij zijn geüpload naar Cintoo, kunnen gebruikers beginnen met het taggen van individuele componenten– zoals kleppen, structurele steunen of pompen – met behulp van nauwkeurige coördinaten en classificatievelden. Deze tags worden verrijkt met metadata, waaronder installatiedatum, inspectiefrequentie, laatste onderhoudsactie en operationele kriticiteit. In de loop van de tijd voeren operators aanvullende scans uit en vergelijken deze met eerdere datasets. Hierdoor kunnen gebruikers geometrische verschuivingen, verkeerde uitlijningen of oppervlakteverslechtering detecteren. Met de afwijkingsanalyse en de ‘scan-naar-model’-vergelijkingsfuncties van Cintoo kunnen onderhoudsmanagers exact kwantificeren in hoeverre een asset is afgeweken van de uitgangstoestand of ontwerpspecificatie.
Tegelijkertijd kunnen op scans gebaseerde inspecties worden gekoppeld aan externe conditiebewakingssystemen. Zo kan een pomp bijvoorbeeld visueel worden geïnspecteerd aan de hand van 3D-scangegevens, terwijl tegelijkertijd gegevens worden ontvangen van trillingssensoren, temperatuursensoren en debietgegevens. Wanneer deze informatie wordt gebundeld, kan voorspellende onderhoudssoftware prioriteit toekennen aan de activa die het grootste risico lopen, de resterende levensduur berekenen en aanbevelingen doen voor het juiste moment om in te grijpen. Integratie met CMMS- of ERP-tools van Cintoo zorgt ervoor dat werkorders en de aanschaf van onderdelen ruim van tevoren kunnen worden gepland, waardoor vertragingen tot een minimum worden beperkt en de uptime wordt gemaximaliseerd.
De waarde van deze workflows ligt in hun vermogen om een intelligentere digital twin-strategie te stimuleren. Een digital twin is slechts zo nuttig als de gegevens die hij bevat. Met tools voor voorspellend onderhoud die bovenop een 3D-mesh met hoge resolutie zijn gelegd, kunnen raffinaderijexploitanten de overstap maken van reactieve workflows naar proactieve infrastructuurintelligentie. Teams zijn niet langer afhankelijk van statische 2D-tekeningen of aannames over de toestand van activa. In plaats daarvan werken ze vanuit een dynamische omgeving die de werkelijke fysieke toestand van de raffinaderij weergeeft, regelmatig wordt bijgewerkt en verrijkt is met inzichten in de prestaties van activa. Na verloop van tijd ontstaat zo een uitgebreide digitale draad die ontwerp, exploitatie, inspectie en ontmanteling omvat.
De ROI van voorspellende onderhoudssoftware voor raffinaderijen kan worden gekwantificeerd aan de hand van verschillende belangrijke maatstaven. Ten eerste is er de vermindering van ongeplande stilstand. Door problemen in een vroeg stadium op te sporen – zoals corrosie onder isolatie (CUI) of verkeerde uitlijning van flenzen – kunnen raffinaderijen stilstand van procesunits voorkomen, wat vaak miljoenen per dag aan productieverlies kost. Ten tweede verlengen voorspellende workflows de levenscyclus van activa door zich uitsluitend te richten op die componenten die ingrijpen vereisen, waardoor overmatig onderhoud en verspilling worden verminderd. Ten derde verbetert de veiligheid van het veldpersoneel doordat handmatige inspecties in risicovolle zones worden verminderd, aangezien virtuele inspecties vanuit een centraal kantoor kunnen worden uitgevoerd met behulp van scangegevens. Ten slotte worden nalevings- en auditprocessen gestroomlijnd door het bijhouden van een digitaal overzicht van inspecties, afwijkingen en corrigerende maatregelen die aan specifieke asset-tags zijn gekoppeld.
Een sprekend voorbeeld van deze aanpak in de praktijk komt van een raffinaderijklant die Cintoo gebruikt om de inspectie van warmtewisselaarstructuren in een reformeringsinstallatie te beheren. Uit de eerste scans bleek dat verschillende steunbalken doorhingen tot onder de ontwerptoleranties. Deze werden binnen het scanplatform gelabeld en vergeleken met historische scangegevens van een onderhoudsbeurt die twee jaar eerder was uitgevoerd. Uit de afwijkingsanalyse bleek een versnelde vervormingstrend, wat aanleiding gaf tot preventieve versterking vóór de volgende geplande stillegging. Het resultaat was dat een ongeplande stilstand werd voorkomen, met een geschatte besparing van meer dan 750.000 dollar aan uitgestelde stilstandkosten en structurele reparaties. Bovendien werden de scangegevens gebruikt om het digitale tweelingmodel voor de raffinaderij bij te werken, waardoor de technische afstemming voor toekomstige aanpassingen werd verbeterd.
Aangezien raffinaderijen steeds meer onder druk staan op het gebied van bedrijfstijd, veiligheid en duurzaamheid, zal de rol van voorspellende onderhoudssoftware – gebaseerd op zeer nauwkeurige 3D-scangegevens – alleen maar centraler worden. Met platforms zoals Cintoo kunnen raffinaderijexploitanten de overstap maken van statische inspecties naar dynamische digitale intelligentie. Het resultaat is niet alleen beter onderhoud, maar ook een slimmere, veerkrachtigere raffinaderij die storingen altijd een stap voor is.
Lees meer over digitale tweelingen in de energiesector om te ontdekken hoe voorspellend onderhoud en 3D-scangegevens de bedrijfsvoering van uw raffinaderij kunnen moderniseren .
