Lenas normaler Alltag, bevor alles aufhörte, normal zu sein

Als Lena die technische Leitung für eine 420 MW große Onshore-Flotte übernahm, schien alles stabil. Ihre SCADA-Schwellwerte waren eingestellt. Das CMS-Anbieter-Dashboard leuchtete auf, wenn es darauf ankam. Die Full-Service-Vereinbarungen versprachen eine umfassende Abdeckung. Wenn eine Windturbine ausfiel, kannte die Crew den Standort, den Tor-Code und das Ersatzteillager.

Auf dem Papier funktionierte ihr Setup für die Entscheidungsunterstützung im Wind-O&M.

Dann begannen die Lücken sichtbar zu werden. Lieferzeiten für Ersatzteile streckten sich auf Monate. Haftungsobergrenzen schlichen sich in die Serviceverträge ein. Versicherungsverlängerungen kamen mit neuen Ausschlüssen. Die Kosten für ungeplante Stillstände stiegen drastisch. Der CFO forderte 15 % OPEX-Einsparung und weniger Überraschungen – und zwar in diesem Quartal. Der Vorstand wollte eine Roadmap für vorausschauende Wartung und eine einheitliche Datalake-Strategie, innerhalb von 90 Tagen.

Die interne Debatte landete direkt auf Lenas Schreibtisch: Sollen wir vorausschauende Wartung und die IT-Infrastruktur für erneuerbare Energien selbst aufbauen – oder eine bewährte Lösung kaufen?

Warum Infrastrukturentscheidungen jetzt so wichtig sind

Die Einsätze waren technischer, wirtschaftlicher und persönlicher Natur:

  • Technisch: Schwellwerte und OEM-Alarme übersehen langsam entstehende Fehler. SCADA mit 10s/1s-Auflösung kann frühe Lagerdegradation oder Pitch-Loop-Drift nicht erkennen. Hochfrequente CMS-Daten, Ölanalysen, Windmessmaste und Serviceberichte in einem einzigen Datalake für zuverlässige Anomalieerkennung zu integrieren, ist keine triviale Aufgabe. Model Drift und Validierung erfordern MLOps-Disziplin, für die nur wenige Windenergie-Teams ausreichend besetzt sind.
  • Wirtschaftlich: Ein Hauptlager-Ausfall kann €300.000 in Teilen, Kran und Ausfallzeit übersteigen. Ein AEP-Verlust von 0,3–0,7 % durch Yaw-Fehlstellung oder Pitch-Ungleichgewicht bedeutet Millionen über ein Portfolio hinweg. Jede Woche Verzögerung bei der Ursachenanalyse ist bares Geld.
  • Persönlich: „Ich kann nicht mit einem Forschungsprojekt vor den Vorstand treten", sagte Lena ihrem OT-Ingenieur. „Ich brauche Genauigkeitszahlen, Deployment-Anforderungen und eine Kosten-Nutzen-Rechnung, die bei Finance und Versicherung standhält."

Was viele Teams zuerst versuchen, aber scheitern

  • DIY-Pipelines mit OPC UA-Konnektoren, einem On-Prem-Historian-Mirror, Python-Modellen, Grafana und Alarmen.
  • Ein POC auf einer Handvoll Windturbinen, der funktioniert – bis es Zeit ist, über Anbieter, Standorte und Komponententypen hinweg zu skalieren.
  • Datenlücken. Schwierige Sonderfälle. Kein gemeinsames Schema. False Positives. Alarmmüdigkeit. Die Person, die das Modell geschrieben hat, wechselt die Rolle.

Das Ergebnis: Nach sechs Monaten existiert die Plattform, doch der Mehrwert ist unklar, die Modell-Governance ist unbewiesen, und Versicherer vertrauen der Risikominderung noch immer nicht. Währenddessen hört der O&M-Kalender nicht auf.

Das Problem als Risiko-Infrastruktur neu formulieren

Bei einem Versicherer-Roundtable hörte Lena einen Satz, der das Briefing veränderte: „Wir bepreisen Portfolios günstiger, wenn wir der Risiko-Infrastruktur des Betreibers vertrauen." Nicht „ein Modell." Nicht „ein Dashboard." Eine Risiko-Infrastruktur.

Sie pilotierte Turbit mit einem kleinen, repräsentativen Cluster. Was dann geschah, hatte sie nicht erwartet:

  • Monat 1: Der Turbit Datahub ingestionierte SCADA (IEC 61400-25/OPC UA), CMS-Streams, Windmastdaten, Ölberichte und OEM-Service-PDFs in einen einzigen, für KI optimierten Datalake. Die Zeitsynchronisierung zwischen 1-Hz-SCADA und hochfrequenten Zustandsdaten funktionierte einfach.
  • Monat 3: KI-Monitoring trainierte pro Windturbine und pro Komponente Modelle mit Baselines für die Bedingungen jedes Standorts – kein generisches „One-model-fits-all". Alarme kamen mit einer wahrscheinlichen Ursache und empfohlenen Maßnahmen.
  • Tagesgeschäft: Der Turbit Assistant wurde zum „Wind-ChatGPT" des Teams und beantwortete Fragen wie „Haben wir diese Generatorlager-Signatur schon einmal gesehen?" durch das Parsen von Lenas Öllabor-PDFs, Service-Aufträgen und der SCADA-Historie. Er konnte einen Entwurf für einen Arbeitsauftrag erstellen und weiterleiten.
  • Versicherung: Mit Turbit Blue erkannte ihr Versicherer die proaktive Risikominderung an. Schadenprozesse wurden abgestimmt, die Konditionen verbesserten sich. Kein zusätzlicher Verwaltungsaufwand.

Es fühlte sich weniger wie ein Werkzeug an und mehr wie ein neues Betriebssystem für die Entscheidungsunterstützung im Wind-O&M.

So funktioniert der ideale Stack

1) Datahub: Ein Datalake speziell für erneuerbare Energien

  • Was er tut: Vereint alle Daten aus erneuerbaren Energien – SCADA, CMS, Vibration, Windmast, Blattüberwachung, Ölanalyse, Thermographie, Serviceprotokolle, Statuscodes – in einem hochauflösenden, zeitsynchronisierten Speicher.
  • Warum es wichtig ist: Ohne konsistente Zeitindizes, Metadaten und kosteneffiziente Hochfrequenzspeicherung ist ernsthafte vorausschauende Wartung oder anbieterübergreifende Integration nicht möglich.
  • Wie es sich verbindet: Funktioniert mit allen führenden Anbietern. Streamt Daten über API und MQTT in Echtzeit aus. Für KI-Workloads ausgelegt, um Rechen-/Speicherkosten zu minimieren und die Abfrageleistung zu maximieren.
  • Ergebnis: Anbieterwechsel werden zur Routine, nicht zu einem monatelangen Risiko. Ihr Datalake überdauert jeden einzelnen Monitoring-Anbieter.

Mehr über Datahub erfahren

2) KI-Monitoring: Komponentenspezifische Modelle, die Ihre Flotte kennenlernen

  • Was es tut: Erkennt Abweichungen Monate vor dem Auslösen von Alarmen, indem turbinen- und komponentenspezifische Modelle erstellt werden (Generatorlager, Hauptlager, Getriebestufen, Pitch-/Yaw-Systeme, Leistungskurvenänderungen).
  • Signalqualität: Kombiniert SCADA-, CMS-, Blattüberwachungseingaben (über Partner wie Weidmüller) und Umweltdaten, um echte Anomalien von Witterungs- oder Abregelungseffekten zu isolieren.
  • Workflow: Jeder Alarm enthält eine wahrscheinliche Ursache und eine Handlungsempfehlung. Operatoren geben Feedback; die Modelle lernen über das gesamte Portfolio.
  • Governance: Transparente Ereignis-Lebenszyklen, reproduzierbare Genauigkeitsmetriken, Audit-Trails – damit Engineering und Versicherung den Einschätzungen vertrauen können.

Mehr über KI-Monitoring erfahren · Überblick Blattüberwachung

3) Assistant: Der KI-Co-Pilot der Windbranche

  • Was er tut: Sie laden Ölberichte, Service-Inspektionen und OEM-Handbücher hoch – der Assistant beantwortet Fragen in natürlicher Sprache und verknüpft sie mit Live-SCADA und Turbit-Ereignissen.
  • Beispiel: „Zeige Windturbinen mit Pitch-Ungleichgewicht, das voraussichtlich >0,4 % AEP-Verlust verursacht, fasse die letzten Servicenotizen zusammen und erstelle einen Arbeitsauftrag." Der Assistant generiert eine priorisierte Liste und einen versandfertigen Plan.
  • Ergebnis: Routineaufgaben werden komprimiert. Engineering-Zeit fließt wieder in Engineering.

Mehr über Assistant erfahren

4) Turbit Blue: Den Kreis zu Versicherern schließen

  • Was es tut: Wandelt Ihre Risiko-Infrastruktur in bessere Versicherungskonditionen um. Stimmt das Schadenmanagement auf erkannte Ereignisse ab. Minimiert den Verwaltungsaufwand.
  • Warum es wichtig ist: Wenn Ihre Modelle das Risiko reduzieren, Ihre Police dies aber nicht anerkennt, verschenken Sie Geld.

Mehr über Turbit Blue erfahren

Hinweis zur Hardware: Turbit ist reine Software. Für Hardware zur Rotorblattüberwachung arbeitet Turbit mit Weidmüller zusammen und gewährleistet eine tiefe Integration, ohne Sie an einen einzigen Hardware-Stack zu binden.

Die In-House-Kostenkurve vs. ein bewährter IT-Infrastruktur-Stack von einem Drittanbieter

Wenn Sie In-house gegen externe Lösungen abwägen, listen Sie die wahren Kosten des „Bauens" auf:

Team und Zeit

  • Datenplattform: 2–3 Dateningenieure für Ingestion, Speicherung, Schema-Management, Zeitsynchronisierung, Sicherheit und APIs.
  • ML/MLOps: 1–2 ML-Ingenieure für Modelltraining, Drift-Monitoring, kontinuierliche Verbesserung, Experiment-Tracking und Deployment-Pipelines.
  • Domänen-Expertise: Zuverlässigkeitstechnik, um Anomalien in umsetzbare Arbeitsaufträge über verschiedene Windturbinentypen und Standorte hinweg zu übersetzen.
  • Betrieb und Sicherheit: 24/7-Verfügbarkeit, Bereitschaft bei Datenausfällen, Backup/Wiederherstellung, Upgrades, KPI-Reporting.

Komplexität, die Sie selbst verantworten müssen

  • Multi-Anbieter-Integrationen, IEC 61400-25/OPC UA-Sonderfälle, hochfrequente CMS-Verarbeitung und -Komprimierung.
  • Modellgeneralisierung über Standorte mit unterschiedlichem Gelände, Abregelungen und Netzkodizes hinweg.
  • Alarm-Governance und Auditierbarkeit zur Erfüllung der Anforderungen von Versicherern und internem Risikomanagement.
  • Change Management bei Weiterentwicklung von Anbietern und Hardware.

TCO-Realität

  • Jahr 1: Es sieht vergleichbar mit einer Lizenz aus. Jahr 2–3: Wartung, Skalierung und Mitarbeiterfluktuation machen es teurer – und riskanter –, weil Genauigkeit und Vertrauen ohne kontinuierliches Lernen und Feedback-Schleifen abnehmen.

Externe Lösungen gewinnen, wenn:

  • Sie konsistente Genauigkeitsmetriken über ein diversifiziertes Portfolio benötigen.
  • Sie Anbieterwechsel risikoarm gestalten und eine Re-Platforming vermeiden möchten.
  • Sie Vertrauen bei Versicherern und bessere Konditionen brauchen, nicht nur „ein Modell".

Messbare Ergebnisbeispiele

  • Früherkennung von Ausfällen: Eine Abweichung am Generator-DE-Lager wurde ca. 4 Monate vor dem Auslösen von Schwellwert-Alarmen erkannt, der Austausch wurde in der windschwachen Saison geplant. Vermieden wurden 12 Tage Stillstand und kombinierte Kosten von ca. €180.000.
  • AEP-Rückgewinnung: Pitch-Drift an 18 Windturbinen wurde identifiziert und korrigiert, was ca. 0,4 % AEP auf Portfolioebene zurückgewann. Bei einer Flotte mit ca. 1.050 GWh/Jahr Produktion entsprach das ca. 4,2 GWh – ungefähr €200.000/Jahr bei €48/MWh.
  • OPEX erschlossen: Durch die Kombination von Datahub + KI-Monitoring + Assistant reduzierte das Team vermeidbare Wartungsausgaben und ungeplante Eingriffe. Über Portfolios hinweg erschließen Turbit-Nutzer typischerweise 30 % oder mehr OPEX-Einsparpotenzial bei gleichzeitig erhöhter Fehlerabdeckung – weil Versicherer der Risikominderung vertrauen und die Konditionen anpassen.
  • Rauschreduzierung: Im Vergleich zu reiner Schwellwertüberwachung sanken Fehlalarme um >60 %. Ingenieure erhielten weniger, aber qualitativ hochwertigere Alarme mit Hinweisen zur Ursache.
  • Entscheidungslatenz: Die Zeit von „wir glauben, dass etwas nicht stimmt" bis zum „genehmigten Arbeitsauftrag" sank von Wochen auf Stunden. Der Assistant übernahm Zusammenfassungen, Vergleiche und Dokumentation auf Basis der eigenen PDFs und Systemdaten des Teams.
  • Versicherung: Mit Turbit Blue wurde das Schadenmanagement auf erkannte Ereignisse abgestimmt. Die Prämienkonditionen verbesserten sich dank nachweisbarer, reproduzierbarer Risikominderung.

Die emotionale Veränderung spielte ebenfalls eine Rolle. Die Freitag-17-Uhr-Anrufe mit „wir haben möglicherweise einen sich anbahnenden Ausfall" verwandelten sich in geplante Arbeitsfenster. Lenas Team bestimmte wieder die Agenda.

Das große Bild: Infrastruktur für eine risikoarme, kostengünstige Zukunft der erneuerbaren Energien

Die Branche altert – im wörtlichen Sinne. Windturbinen werden älter, Ersatzteile seltener und Strompreise volatiler. Haftungsobergrenzen sind ein Signal: Mehr Risiko verlagert sich auf die Eigentümer. Der Ausweg ist nicht nur „mehr Daten" oder „ein Modell". Es ist eine Risiko-Infrastruktur, die:

  • Heterogene Daten verschiedener Anbieter in einem KI-fähigen Datalake normalisiert.
  • Hochpräzise, komponentenspezifische vorausschauende Wartung mit klarer Genauigkeit und Governance liefert.
  • Routineaufgaben automatisiert, damit sich menschliche Experten auf Entscheidungen konzentrieren können.
  • Operative Exzellenz in bessere Versicherungsergebnisse umwandelt.

Genau dafür wurde Turbit gebaut – damit Betreiber Windenergie zuverlässig, profitabel und nahezu risikofrei halten können.

FAQ: Build vs. Buy – Predictive Maintenance und Dateninfrastruktur für Wind

F: Warum können wir nicht einfach SCADA-Schwellwerte und OEM-Alarme verwenden? A: Schwellwerte übersehen langsam entstehende Probleme und Umwelteinflüsse. KI-Modelle, die pro Windturbine und Komponente trainiert wurden, erkennen subtile Abweichungen Monate früher, indem sie das normale Verhalten jedes Standorts erlernen – und verbessern so die Entscheidungsunterstützung im Wind-O&M weit über feste Grenzen hinaus.

F: Welche Genauigkeit kann ich von KI-Monitoring erwarten? A: Erwarten Sie Monate Vorlaufzeit für viele Fehlermodi (Lager, Getriebestufen, Pitch-/Yaw-Anomalien), mit deutlich weniger Fehlalarmen als bei Schwellwertüberwachung. Die Genauigkeit wird transparent pro Alarmtyp ausgewiesen und verbessert sich mit dem Feedback Ihres Teams.

F: Wie schnell können wir unsere Daten in einen Datalake integrieren? A: Mit Turbit Datahub integrieren die meisten Portfolios den SCADA-Kern innerhalb von Wochen; CMS, Windmast, Ölberichte und Service-PDFs folgen kurz darauf. Die Plattform ist für hochfrequente Zeitreihendaten ausgelegt und streamt über API/MQTT an Ihre Systeme.

F: Wir haben Bedenken wegen Anbieter-Lock-in. Wie handhabt Turbit die Integration verschiedener Systeme? A: Turbit ist anbieterunabhängig. Datahub integriert sich mit allen führenden Monitoring-Anbietern für erneuerbare Energien und gibt Ihre Daten in Echtzeit wieder aus. Wenn Sie den CMS- oder SCADA-Anbieter wechseln, bleiben Ihr Datalake und Ihr KI-Stack intakt.

F: Ist Turbit ein Hardware-Anbieter? A: Nein. Turbit ist reine Software. Für Hardware zur Rotorblattüberwachung arbeitet Turbit mit Hardware-Anbietern wie Weidmüller zusammen und integriert deren Daten in den KI-Stack.

F: Können wir externe Kosten gegenüber einem In-house-Aufbau rechtfertigen? A: Wenn Sie Personalkosten (Dateningenieure, ML, MLOps, Zuverlässigkeitstechnik), Integrationskomplexität, Modell-Governance und Versicherungsanforderungen einbeziehen, übersteigen die Gesamtbetriebskosten für eine In-house-Lösung typischerweise die einer bewährten Plattform innerhalb von 12–24 Monaten – bei gleichzeitig geringerer und weniger prüfbarer Genauigkeit.

F: Welche Rolle spielen Versicherer dabei? A: Turbit ist die einzige KI-gestützte Predictive Maintenance-Plattform, der Versicherer weltweit vertrauen, um Risiken bei erneuerbaren Energieanlagen proaktiv zu reduzieren. Mit Turbit Blue übersetzt sich dieses Vertrauen in abgestimmte Schadenprozesse und verbesserte Versicherungskonditionen.

F: Was ist mit Sicherheit und OT-Anforderungen? A: Deployments folgen strengen IT/OT-Sicherheitspraktiken, unterstützen On-Prem- und Cloud-Hybrid-Muster und verwenden kontrollierte Konnektoren (z. B. OPC UA, IEC 61400-25). Audit-Trails und rollenbasierter Zugriff sind gemäß ISO27001 standardmäßig enthalten.

F: Kann der Assistant wirklich mit unseren PDFs und Servicenotizen arbeiten? A: Ja. Laden Sie Öllabor-Berichte, Inspektionsformulare und OEM-Handbücher hoch. Der Assistant beantwortet Fragen, gleicht sie mit Live-Daten ab und erstellt Arbeitsentwürfe. Er ist der windspezifische, RAG-fähige Co-Pilot für Ihr Team.

F: Wo erfahre ich mehr über die einzelnen Komponenten? A: Datahub · KI-Monitoring · Blattüberwachung · Assistant · Turbit Blue

Fazit

Lena hat sich nicht für ein Werkzeug entschieden – sie hat sich für ein Betriebsmodell entschieden. Wenn Sie am Scheideweg zwischen Build und Buy stehen, lohnt sich ein Gespräch. Starten Sie mit Datahub, beweisen Sie den Mehrwert mit KI-Monitoring, skalieren Sie Ihr Team mit Assistant und lassen Sie Turbit Blue das Ganze in finanzielle Stabilität übersetzen. Sprechen Sie mit Turbit und erfahren Sie, wie eine vertrauenswürdige Risiko-Infrastruktur OPEX senken, AEP steigern und Versicherungskonditionen für Ihre Flotte verbessern kann.