Projekt-Details

Projekt-Details

Förderkennzeichen: 03EE2032

Laufzeit: 01.05.2021 – 30.04.2024

Das ADWENTURE-Projekt

Die prädiktive Instandhaltung ist ein wichtiger Instandhaltungskonzept, in dem die Möglichkeiten des Maschinenlernens eingesetzt werden können, um Ausfälle oder ungeplante Stillstandszeiten zu vermeiden und die Anlageneffizienz zu verbessern.

Dieser Prozess beginnt mit der Analyse der Betriebsdaten auf Anomalien. Für die Instandhaltung reicht die Aussage, dass eine Anomalie erkannt wurde, jedoch nicht aus. Um vorbeugende IH-Maßnahme veranlassen zu können, muss auch eine Interpretation der Anomalie erfolgen, die den wahrscheinlich zu erwartenden Fehler beschreibt und den IH-Einsatz spezifisch macht.

Im Projekt ADWENTURE soll eine Methode zur automatischen Interpretation der gefunden Anomalien für Windenergieanlagen (WEA) entwickelt werden. Dazu werden die Informationen aus den Service-Berichten mit den Betriebsdaten kombiniert. Neben der Anwendung auf das Gesamtsystem WEA sollen auch Verfahren zur Anomalieerkennung an Systemen zur Strukturüberwachung der Rotorblätter und für elektrische Systeme entwickelt werden.

Darüber hinaus wird ein Ringvergleich unterschiedlicher Erkennungs-Software anhand eines Vergleichsdatensatzes durchgeführt.

Ausgehend von einer Anomalieerkennung anhand eines Autoencoders werden zusätzliche Merkmale mit Informationen für das Verfahren integriert (Feature-Engineering). Unterschiedliche Ansätze zur Bewertung der Kritikalität von Anomalien werden verglichen und Verfahren, die die Informationen von mehreren Anlagen gleichzeitig nutzen und deren Ergebnisse auf neue Anlagen übertragbar sind, entwickelt (Transfer-Learning). 

Das Verfahren wird für die Betriebsdaten von drei Windparks eingesetzt. Die gefundenen Anomalien werden auf auftretende Muster untersucht, die dann in Bezug zu tatsächlich dokumentierte Servicemaßnahmen gesetzt und technisch-analytisch bewertet werden.

Anschließend wird ein Verfahren entwickelt, das in der Lage ist, Anomalien entsprechend der bekannten Mustern von Fehlern in konkret nutzbare Kategorien zu klassifizieren.

WordPress Cookie Plugin von Real Cookie Banner