KI überwacht Windkraftanlagen

Die Zustandsüberwachung von Windenergie­anlagen kann Stillstand­zeiten und Folgeschäden verhindern. Für dieses Ziel starteten jüngst Christine Preisach aus der Fakultät für Informatik und Wirtschafts­informatik der Hochschule Karlsruhe und Martin Kato vom Energie­versorger EnBW das gemeinsame Projekt  „Condition Monitoring 4.0 bei Windenergie­anlagen (AutoDiagCM)“. Eine präzise Fehler­früherkennung soll zudem eine Steigerung des Energie­ertrags und den Übergang von einer rein reaktiven zu einer zustands­basierten Instand­haltung der Anlagen ermöglichen. Das Projekt wird vom Bundes­ministerium für Wirtschaft und Klimaschutz mit rund 1,34 Millionen Euro bis Ende September 2025 gefördert. 

Die Leistungsfähigkeit erneuerbarer Erzeugungs­anlagen ist in den letzten Jahren kontinuierlich gestiegen, wodurch auch zunehmend mehr Informationen verfügbar sind. Jede neue Analyse, Überwachungs­methode oder ein neuer Kennwert erhöht jedoch den Aufwand in deren Bewertung durch Experten. Mit zunehmender Anzahl der zu überwachenden Anlagen, Kennwerte und verfügbaren Signale wird auch die Verwaltung und Aktuali­sierung von Schwellen­werten zur Erkennung von Abweichungen immer komplexer und zeit­intensiver. Ohne automatisierte und damit maschinelle Unterstützung wird es dadurch immer schwieriger, den Zustand der Anlagen zu beurteilen.

Da Schäden selten und sehr vielfältig auftreten können, benötigen selbstlernende Verfahren viele charak­terisierende Schadensdaten. Diese Daten fehlen in der Praxis, wodurch solche Verfahren in der Regel nur allgemeine Aussagen über den Zustand einer Anlage erlauben, bspw. dass die Anlage auffällig ist. Notwendig wird dann eine manuelle Analyse, um auf bestimmte defekte Komponenten zu schließen. Um die Ziele des Ausbaus erneuerbarer Energie­erzeugung und die Optimierung der Instandhaltungskosten zu erreichen, ist daher die Entwicklung von skalierbaren Überwachungs­methoden notwendig. 

Der Überwachungs­aufwand darf sich mit steigendem Ausbau solchern Anlagen nicht weiter erhöhen. Dies erfordert automatisierte Diagnosen von Schäden und den Austausch von Erkenntnissen zwischen Anlagen. Eine moderne Windenergie­anlage verfügt heute über knapp 2000 Betriebs­datenpunkte bzgl. Temperaturen, Druck­verhältnisse oder Ströme. Hinzu kommen Messdaten und Ergebnisse von Spezial­systemen wie Rotorblatt-, Struktur- oder Triebstrangüberwachung. Will man alle diese Daten aus verschiedenen Blickwinkeln beleuchten, Abweichungen von deren Normalzuständen interpretieren oder müssen diese Daten für unterschiedliche Überwachungs­aufgaben speziell aufbereitet und weiterverarbeitet werden, entstehen schnell zehntausende von Parametern pro Anlage, die überwacht werden müssen. 

Werden diese vielen Parameter allerdings mit Schäden und Ereignissen kombiniert, wie sie sich etwa aus Instandsetzungs­protokollen ergeben, entstehen Datensätze, mit denen maschinelles Lernen möglich wird. Deutlich wird dieses Prinzip bei der Betrachtung eines defekten Windgeschwindig­keitssensors. Das Signal „Windgeschwin­digkeit“ kann aus verschieden Richtungen eingeordnet werden: Passt die Windgeschwindigkeit noch zur Leistung? Verhält sich das Signal an sich auffällig? Hat sich das Verhältnis der Windgeschwin­digkeit von der einen Anlage zur Windgeschwin­digkeit der Nachbaranlage geändert? All diese Fragen lassen sich mit modernen Überwachungs­methoden beantworten und in Form von Parametern ausdrücken, die eine Abweichung beschreiben. 

Problematisch ist allerdings dabei, dass jede Überwachungs­methode nicht vollkommen und damit fehleranfällig ist. Ein solches System produziert ohne weitere Nach­bearbeitung bei entsprechend großer Abweichung eine Vielzahl von Alarmen, die nur für den Einzelfall händisch analysierbar sind und zur richtigen Diagnose führen. Angewendet auf eine Vielzahl von Anlagen versagt dieser Ansatz schlicht schon aufgrund der absoluten Fallzahl und des zu bearbeitenden Datenvolumens. Die Verknüpfung der Vielzahl an Informationen mithilfe künstlicher Intelligenz könnte hier helfen, das Problem zu lösen.

Folgende Ziele sollen erreicht werden: eine hohe Überwachungs­breite und -tiefe, eine Auto­matisierung des Diagnose­prozesses, eine konti­nuierliche Weiter­entwicklung auf Basis historischer und bereits erkannter Schäden, eine Übertrag­barkeit von Erkennt­nissen und Fehlern auf Anlagen des gleichen Typs und eine flexible Erweiter­barkeit, indem zusätzliche Datenquellen und Analysemethoden integriert werden können. Durch die Verfolgung dieser Ziele wird eine ganzheitliche und fortschrittliche Über­wachungslösung angestrebt, die den manuellen Überwachungs­aufwand deutlich senkt.

HKA / JOL