AutoDiagCM

Um die energiepolitischen Ziele der Bundesregierung und der Europäischen Union zum Thema erneuerbare Energien zu erreichen, müssen die Ressourcen für die Energieversorgung effizient genutzt werden. Die Zustandsüberwachung von Windenergieanalgen spielt dabei eine wichtige Rolle, da sie Stillstandzeiten und Folgeschäden verhindern kann. Darüber hinaus ermöglicht eine präzise Fehlerfrüherkennung eine Steigerung des Energieertrags und den Übergang von reaktiver Instandhaltung zu einer zustandsbasierten Instandhaltung (condition based maintenance).

Die Leistungsfähigkeit erneuerbarer Erzeugungsanlagen ist in den letzten Jahren kontinuierlich gestiegen, wodurch zunehmend mehr Informationen zur Verfügung stehen. Ohne maschinelle Unterstützung wird es dadurch immer schwieriger, den Zustand der Anlagen zu beurteilen. Jede neue Analyse, Überwachungsmethode oder Kennwert erhöht den Bedarf an manueller Klassifizierung durch Fachexperten. Mit zunehmender Anzahl der zu überwachenden Kennwerte oder verfügbaren Signale wird auch die Verwaltung und Aktualisierung von Schwellenwerten zur Erkennung von Abweichungen immer komplexer und zeitintensiver. Zusätzlich erschweren unterschiedliche Arten von Informationen und deren zeitliche Auflösung die Situation (Datenheterogenität).

Da Schäden selten und sehr vielfältig auftreten können, benötigen selbstlernende Verfahren viele charakterisierende Schadendaten. Diese Daten fehlen in der Praxis, wodurch solche Verfahren in der Regel nur allgemeine Aussagen über den Zustand einer Anlage machen können. Konkret bedeutet dies, dass eine sehr allgemeine Klassifikation durch ein Modell z.B.  "Die Anlage ist auffällig" eine manuelle Analyse nach sich zieht, um auf bestimmte Defekte und spezifischen defekte Komponenten zu schließen.

Um die Ziele des Ausbaus erneuerbarer Energieerzeugung und die Optimierung der Instandhaltungskosten zu erreichen, ist die Entwicklung von skalierbaren Überwachungsmethoden entscheidend. Der Überwachungsaufwand darf sich mit dem steigenden Anlagenzubau nicht weiter erhöhen. Dies erfordert automatisierte Diagnosen von Schäden und den Austausch von Erkenntnissen zwischen Anlagen. Der manuelle Diagnoseaufwand sollte sich auf seltene und schwierige Schäden konzentrieren.

Das Projekt hat fünf Hauptziele:

1. Eine hohe Überwachungsbreite und -tiefe
2. Automatisierung des Diagnoseprozesses
3. Eine kontinuierliche Weiterentwicklung des Modells auf Basis historischer und bereits erkannter Schäden
4. Eine Übertragbarkeit von Erkenntnissen und Fehlern auf Anlagen des gleichen Typs
5. Flexibel erweiterbar, indem zusätzliche Datenquellen und Analysemethoden integriert werden können

Durch die Verfolgung dieser Ziele wird eine ganzheitliche und fortschrittliche Überwachungslösung angestrebt und der manuelle Überwachungsaufwand gesenkt.

Kleinere Modelle (Detektoren) überwachen kontinuierlich einzelne Komponenten und bewerten ihren Zustand. Ein übergeordnetes Meta-Modell soll auf Grundlage der Zustandsbewertungen der Detektoren Probleme identifizieren und den betroffenen Komponenten zuordnen können. Dadurch könnte eine hohe Überwachungsbreite und -tiefe erreicht werden. Indem die Zustandsbewertungen der Detektoren zur Problemidentifikation herangezogen werden und die Detektoren nur einen Teil der Sensorsignale nutzen, könnte so das Problem der Datenheterogenität reduziert werden.

Laufendes Projekt von 01.10.2022 bis 30.09.2025