Die Erkennung von Rotorlagerschäden in Windenergieanlagen ist entscheidend für deren effizienten und sicheren Betrieb. Herkömmliche Methoden zur Überwachung der Hauptlagertemperatur sind häufig zeitaufwendig, kostspielig und ineffizient. Mit den Fortschritten in der künstlichen Intelligenz (KI) ist es jedoch nun möglich, potenzielle Ausfälle präzise und effizient zu erkennen.
Dieser Artikel stellt das KI-Monitoring-System vor, das von Turbit entwickelt wurde – einem Unternehmen, das auf KI-gestützte Überwachungssysteme für Windenergieanlagen spezialisiert ist. Michael, der CEO und Gründer von Turbit, erklärt, wie ihr KI-Monitoring-System funktioniert und wie es Hauptlagerschäden mit einer Genauigkeit von bis zu 0,5 Grad Temperaturunterschied und Monate im Voraus erkennen kann.
Das von Turbit entwickelte KI-Monitoring-System nutzt SCADA-Daten von Windenergieanlagen, darunter Außentemperatur, Windgeschwindigkeit, Rotordrehzahl und andere externe Faktoren, die die Temperatur des Hauptlagers beeinflussen. Diese Daten werden verwendet, um das normale Verhalten der Hauptlagertemperatur zu trainieren und zu erlernen. Das System kann simulieren, wie sich die Lagertemperatur im Laufe der Zeit verhalten sollte – selbst unter extremen Wetterbedingungen.
Wie das Beispiel zeigt, kann das KI-Monitoring-System anomales Verhalten der Hauptlagertemperatur erkennen. Das System vergleicht die tatsächlichen Hauptlagertemperaturdaten mit den simulierten Daten und sendet dem Betreiber einen Alarm, wenn eine signifikante Abweichung vorliegt. Der Alarm wird eskaliert, wenn das Problem anhält, und löst in einigen Fällen einen Serviceeinsatz aus.
In dem von Michael genannten Beispiel erkannte das KI-Monitoring-System im Januar ein Problem mit dem Hauptlager. Die Temperatur des Hauptlagers war im Laufe der Zeit gestiegen, was auf ein mögliches Problem hindeutete. Das System sendete einen Alarm, der eskaliert wurde, als das Problem anhielt. Ein Serviceeinsatz wurde ausgelöst, und das Problem wurde schließlich durch die Reparatur des Schmiermechanismus behoben.
Das von Turbit entwickelte KI-Monitoring-System kann potenzielle Ausfälle mit einer Genauigkeit von bis zu 0,5 Grad Temperaturunterschied und Monate im Voraus erkennen. Dies gibt Betreibern ausreichend Zeit, Wartungsarbeiten zu planen und durchzuführen, Ausfallzeiten zu minimieren und Worst-Case-Szenarien zu vermeiden.
Zusammenfassend lässt sich sagen, dass KI-gestützte Überwachungssysteme wie das von Turbit entwickelte eine effizientere und kostengünstigere Lösung zur Erkennung potenzieller Ausfälle in Windenergieanlagen bieten können. Mit der Fähigkeit, potenzielle Probleme mit hoher Genauigkeit und weit im Voraus zu erkennen, können Betreiber Stillstände minimieren und kostspielige Reparaturen vermeiden.
