Informationen über KI verknüpfen
Die Herausforderung für Anlagenbetreiber von Windenergieanlagen beim Condition Monitoring ist heute nicht mehr die Vielzahl an Spezialmesssystemen, die Daten über den Zustand ihrer Anlagen liefern, sondern die Verknüpfung der vielfältigen Informationen zu einer Gesamtaussage. Hier können die Entwicklungen im Bereich der künstlichen Intelligenz (KI) einen entscheidenden Beitrag leisten, um Diagnosen zu präzisieren, Stillstandszeiten zu verkürzen, Ausfälle zu vermeiden und damit den Energieertrag zu steigern.
An der Entwicklung eines solchen Systems arbeiten Expert*innen der EnBW derzeit mit Hochdruck im Rahmen des Projektes „Condition Monitoring 4.0“. Das Projekt wird vom Bundesministerium für Wirtschaft und Klimaschutz gefördert.
Schaut man auf die Anlagenüberwachung mit einem ganzheitlichen Ansatz (also nicht nur auf einzelne Komponenten wie z.B. das Getriebe) wird schnell klar, dass die Fülle an Informationen kaum mehr manuell zu verarbeiten ist. Denn eine moderne Windenergieanlage verfügt heute über knapp 2000 Betriebsdatenpunkte wie Temperaturen, Drücke 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 z.B. aus Instandsetzungsprotokollen (Service Berichten) ergeben, entsteht ein Datensatz, mit dem maschinelles Lernen möglich wird.
Betrachtet man ausschließlich einen Sensor als solchen, ist beispielsweise lediglich ein Rückschluss auf eine überhöhte Temperatur des Getriebeöls möglich. Die Ursache dessen lässt sich häufig allein aus der Sensorinformation nicht schlussfolgern. Die Verknüpfung mit unterschiedlichen Daten erlaubt jedoch wesentlich präzisere Aussagen. Diese könnte beispielsweise sein: „Getriebeölkühler defekt mit einer Wahrscheinlichkeit von 97%“. Hierbei wurden Informationen weiterer Sensoren wie Getriebeöldrücke, Getriebelagertemperaturen, Kühleraktivitäten, usw., mit Instandsetzungsinformationen vergangener Serviceeinsätze kombiniert und die wahrscheinlichste Diagnose errechnet. Für die Instandsetzung wäre dies ein enormer Vorteil, da das voraussichtlich benötigte Ersatzteil von dem Instandsetzungspersonal direkt mitgenommen werden kann und die Fehleranalysezeit und damit die Ausfalldauer deutlich verkürzt wird.
Die Unterscheidung der verschiedenen möglichen Diagnosen und die Lokalisierung eines Schadens gelingt, wenn die Daten aus unterschiedlichen Blickwinkeln miteinander in Beziehung gesetzt werden. Deutlich wird dieses Prinzip z.B. bei der Betrachtung eines defekten Anemometers (Windgeschwindigkeitssensors). Das Signal Windgeschwindigkeit kann aus verschieden Richtungen eingeordnet werden:
- Passt die Windgeschwindigkeit noch zur Wirkleistung?
- Verhält sich das Signal an sich auffällig (z.B. verhält sich träger oder im Niveau verändert)?
- Bei zwei verbauten Sensoren: Weicht die Windgeschwindigkeit A von der Windgeschwindigkeit B der gleichen Anlage ab?
- Hat sich das Verhältnis der Windgeschwindigkeit von der einen Anlage zur Windgeschwindigkeit der Nachbaranlage geändert?
All diese Fragen lassen sich mit modernen Überwachungsmethoden adressieren und in Form von Parametern ausdrücken, die eine jeweilige Abweichung beschreiben. Problematisch ist allerdings dabei, dass jede Überwachungsmethode nicht 100% genau und damit fehleranfällig ist. Ein solches System produziert ohne weitere Nachbearbeitung eine Vielzahl an Alarmen, welche nur für den Einzelfall händisch analysierbar sind und zur richtigen Diagnose führen. Angewendet auf eine Vielzahl von Anlagen versagt der Ansatz, weil man schlicht den „Wald vor lauter Bäumen“ nicht mehr sieht. Die Verknüpfung der Vielzahl an Informationen mithilfe der künstlichen Intelligenz hilft, das Problem zu lösen.
Projektpartner
Die Hochschule Karlsruhe (HKA) ist eine der größten und forschungsstärksten Hochschulen für angewandte Wissenschaften in Baden-Württemberg. Mit ihrem breiten Fächerspektrum aus den Ingenieurwissenschaften, der Informatik, den Wirtschaftswissenschaften und der Gestaltung sind wir in der Lage, Lehre, Forschung und Weiterbildung auf eine breite Wissensbasis zu stellen. Vom fachübergreifenden Austausch und dem interdisziplinären Arbeiten profitieren Studierende, Lehrende, Forschende, aber auch Kooperationspartner und Auftraggeber. Leitthemen, an denen wir unser Handeln ausrichten, stellen die Digitalisierung, die Nachhaltigkeit sowie das Miteinander an der HKA dar.
Mit praxisnaher und anwendungsreifer Forschung und Entwicklung trägt die Hochschule zur Zukunftsfähigkeit unserer Gesellschaft bei. Um dieses übergeordnete Ziel zu ermöglichen und zu unterstützen, adressiert sie insbesondere die hierfür essentiellen Bedarfe Ressourcen, Arbeit, Mobilität und Information im Rahmen unserer spezifischen Forschungsgebiete.