Predictive Maintenance für Windturbinen

Bei allem, was in ihnen steckt, bringen Windenergieanlagen (WTGs) Herausforderungen mit sich, die dringende Lösungen erfordern.

1. Hohe Wartungskosten: Bis zu 30 % der Stromgestehungskosten pro kWh über die Lebensdauer einer Windenergieanlage entfallen auf Betrieb und Wartung.

2. Stillstand: Ein Turbinenausfall kann leicht zu einem Stillstand von einer Woche oder länger führen – mit entsprechenden Stillstandskosten.

3. Aufwendige und zeitintensive Reparaturen: Der Transport von Ersatzteilen ist kostspielig und je nach Standort nicht ohne Schwierigkeiten. Der Transport nimmt oft mehr Zeit in Anspruch als die eigentliche Reparatur. Schätzungen zufolge sind über 70 % des WTG-Stillstands auf ungeplante Reparaturen zurückzuführen.

Frühzeitige Schadenerkennung, Optimierung von Wartung und Reparatur sowie die Vermeidung von Stillständen sind daher entscheidende Faktoren für einen positiven ROI bei Windenergieanlagen.

Aber wie können Windparkbetreiber Schäden zuverlässig in einem frühen Stadium erkennen?

Die Lösung: Predictive Maintenance durch Künstliche Intelligenz

Da es nur wenige tiefergehende Informationen zu Predictive Maintenance (PdM) in der Windenergie gibt, haben wir uns entschieden, in diesem Artikel die folgenden Punkte zu behandeln:

• Umfang und Möglichkeiten von Künstlicher Intelligenz (KI) in der PdM

• Mögliche Anwendungsfälle von KI-basierter PdM

• Vorteile für Eigentümer

Sie suchen nach konkreten Praxisbeispielen? In diesem Whitepaper teilen wir vier Fallstudien aus unserem Arbeitsalltag:

Definition von Predictive Maintenance für Windenergieanlagen

Predictive Maintenance umfasst eine Reihe von Maßnahmen, die Veränderungen im physischen Zustand von Komponenten erkennen (Anzeichen von Fehlern), um rechtzeitige Wartungsmaßnahmen zu ermöglichen, die Lebensdauer von Komponenten zu maximieren und Stillstände zu reduzieren.

Predictive Maintenance verfolgt damit drei Ziele:

1. Längere Laufzeiten von Windenergieanlagen im Normalbetrieb, Begrenzung von Anomalien und Minimierung von Stillständen
2. Vermeidung teurer Großschäden und Verlängerung der Lebensdauer einzelner Komponenten durch frühzeitiges Handeln
3. Überwachung von Reparaturmaßnahmen und Erfolgskontrolle

Die Herausforderung von Predictive Maintenance in der Praxis

Jede Windenergieanlage verhält sich anders. Diese Unterschiede werden in Predictive-Maintenance-Analysen jedoch meist nicht berücksichtigt.

Beispiel: Angenommen, ein Hersteller setzt den statischen Grenzwert eines Rotors auf 50°. Dieser Schwellwert wird im Winter möglicherweise nicht erreicht, obwohl die Komponente überhitzt – verglichen mit ihrem normalen und erwarteten Verhalten. Das Warnsignal bleibt unbemerkt, wenn externe Faktoren (wie das Wetter) in der Analyse nicht berücksichtigt werden.

Zu den Faktoren, die das individuelle WTG-Verhalten beeinflussen, gehören:

• Standort – d. h. Turbulenz, Abschattung, lokales Wetter – beeinflusst unter anderem das individuelle Verhalten einer WTG. Dies führt zu unterschiedlichen Verschleißzuständen der Komponenten.
• Verbaute Komponenten: Insbesondere bei älteren Anlagen können über deren Lebensdauer hinweg unterschiedliche Komponenten eingebaut werden, um Reparaturkosten zu senken. Sensoren können daher an verschiedenen Stellen installiert sein. Darüber hinaus beeinflussen unterschiedliche Schmierstoffe und Öle das Temperaturverhalten.
• Verschiedene Datenschnittstellen, Datenformate und Steuerungssysteme im Einsatz.

Aus diesem Grund werden Sensordaten im Tagesbetrieb häufig nicht angemessen überwacht (abgesehen von einer grundlegenden Performance-Überwachung). Aktuelle Asset-Management-Software wertet die Daten weder aus, noch werden sie je nach Anbieter vollständig protokolliert. Aus fehlenden oder uneinheitlichen Datensätzen lassen sich mit einfachen statistischen Methoden kaum aussagekräftige Informationen ableiten. So können kleine Schäden im Antriebsstrang im Laufe der Jahre zu Großschäden heranwachsen.

Künstliche Intelligenz lernt das Normalverhalten jeder Windenergieanlage und löst bei Abweichungen Alarme aus

Sensordaten spiegeln die physikalische Realität jeder einzelnen WTG zu jedem Zeitpunkt wider. Und neuronale Netze machen aus diesen Daten Sinn:

Neuronale Netze erlernen das Verhalten jeder WTG individuell über den Jahresverlauf und bestimmen, wie das Normalverhalten aussieht. Anschließend werden die gemessenen Daten mit dem prognostizierten Verhalten abgeglichen. Erkennungsalgorithmen können so frühzeitig Anomalien identifizieren – d. h. Abweichungen zwischen realem und simuliertem Verhalten –, was schnelles Handeln ermöglicht und Großschäden an den Hauptkomponenten verhindert.

So sieht der Prozess zum Erlernen des Normalverhaltens je WTG und Komponente sowie zur Erkennung von Anomalien aus:

Anwendungsfälle KI-basierter Predictive Maintenance

Bei Turbit setzen wir KI seit Langem für die vorausschauende Wartung sowie die Performance-Optimierung von Windparks ein. Die folgenden Erkenntnisse basieren daher auf unserer langjährigen Praxiserfahrung. Neuronale Netze beziehen ihre Informationen aus folgenden Datenpunkten:

• SCADA-Daten

• Logbücher

• Wartungsberichte

• Software-Updates

• LiDAR-Daten

• CMS-Daten

Eine hohe Datenqualität ermöglicht es uns, Veränderungen im Verhalten aller wichtigen Komponenten sowie angrenzender Teilsysteme zu erkennen. Hier ein Beispiel aus dem Alltag eines unserer Kunden.

Wie wir frühzeitig einen Schaden an der Hauptwelle erkannt haben

Im Oktober 2021 sendete Turbit einen Alarm aufgrund überhöhter Temperaturen im Hauptlager. Nach einer Vor-Ort-Inspektion wurde entschieden, das Hauptlager zu ersetzen.

Im Januar 2022 wurde das Hauptlager ausgetauscht. Der Kunde konnte diese Kranreparatur mehrere Monate im Voraus planen. Die frühzeitige Erkennung reduzierte die Kosten, da diese Art von Schaden häufig zu Hauptkomponentenschäden oder einem Stillstand von mehreren Wochen führt – was der Kunde vermeiden konnte.

Ein Auszug weiterer von Turbit erkannter Schäden:

• Diagnose eines eingelaufenen Generators

• Erkennung einer defekten Crimpverbindung im Wellrohr

• Messung erhöhter Temperaturen im Generatorlager

• Verstopfte Luftfilter

• Undichte Ölringe

• Überhitzende Pitch-Motoren

Eine detaillierte Übersicht mit visualisierten Daten finden Sie in unserem Whitepaper zu diesem Thema.

Fazit: Vorteile KI-basierter Predictive Maintenance für Windparkbetreiber

Neuronale Netze erlernen das Normalverhalten jeder Windenergieanlage und simulieren das erwartete zukünftige Verhalten. Das simulierte Verhalten wird anschließend mit den tatsächlichen Echtzeit-Daten verglichen. Das macht eine zuverlässige Früherkennung von Anomalien für jeden Turbinentyp möglich.

Die frühzeitige Erkennung von Veränderungen im physischen Zustand von Komponenten führt zu drei wesentlichen Vorteilen:

• Vermeidung von Großschäden
• Reduzierte Stillstandszeiten
• Verlängerte Komponentenlebensdauer

Wenn Sie Reparaturen im Voraus planen und damit bündeln können, lassen sich Reise- und Transportkosten für Ersatzteile senken. Und der Schlüssel zu einem guten KI-Monitoring ist ein hochwertiger Datensatz.

Wie gut sind Ihre SCADA-Daten?

Der erste Schritt auf dem Weg zur vorausschauenden Wartung ist ein Daten-Check zur Bewertung Ihrer Datenqualität. Für eine erste Einschätzung benötigen Sie lediglich einen einfachen SCADA-Extrakt aus Ihrem Betriebsmanagementsystem.

Senden Sie uns eine E-Mail mit einem kurzen SCADA-Extrakt (eine Woche) an datacheck@turbit.de

Wir antworten Ihnen mit einer Einschätzung der KI-Monitoring-Möglichkeiten auf Basis Ihrer Daten.