Bei aller Hoffnung, die auf ihnen liegt, stehen Windkraftanlagen vor großen
Herausforderungen, die dringend gelöst werden müssen:
1. Die Instandhaltungskosten sind hoch. Bis zu 30 % der nivellierten Kosten pro erzeugter kWh während der Lebensdauer einer Windkraftanlage können auf Betrieb und Wartung entfallen.
2. Fällt eine Windkraftanlage aus, kann die Downtime schnell eine Woche oder mehr beanspruchen – verbunden mit entsprechenden Ausfallkosten.
3. Der Transport von Ersatzteilen ist teuer und je nach Standort der WEA nicht unkompliziert. Oft nimmt er mehr Zeit in Anspruch als die eigentliche Reparatur. Geschätzt sind über 70 % der Ausfallzeiten von WEA auf größere ungeplante Reparaturen zurückzuführen.
Die Früherkennung möglicher Schäden, die Optimierung von Instandhaltung und Reparaturen sowie die Prävention von Ausfallzeiten sind Schlüsselfaktoren für die Investitionsrendite von Windkraftanlagen.
Doch wie können die Betreiber von Windparks Schäden zuverlässig frühzeitig detektieren?
Die Antwort: Predictive Maintenance durch künstliche Intelligenz
Zu Predictive Maintenance (PdM) in der Windkraft gibt es kaum deutschsprachige Informationen im Netz. Daher erklären wir in diesem Beitrag:
welche Möglichkeiten künstliche Intelligenz (KI) in der PdM eröffnet,
welche Use Cases sich mit KI und PdM umsetzen lassen,
und welche Vorteile sich für Betreiber von Windparks ergeben.
Sie interessieren sich für konkrete Praxisbeispiele? In unserem Whitepaper finden Sie vier Fallbeispiele aus unserem Arbeitsalltag:
Definition von Predictive Maintenance in der Windenergie
Predictive Maintenance, also die vorausschauende Instandhaltung, bündelt eine Reihe von Aktivitäten, die Veränderungen im physischen Zustand der Komponenten (Anzeichen von Ausfällen) erkennen, sodass rechtzeitige Instandhaltungsarbeiten die Lebensdauer der Komponenten maximieren und die Ausfallzeit reduzieren.
Predictive Maintenance verfolgt drei Ziele:
Die Windenergieanlage läuft länger im Normalbetrieb, sodass anormalem Verhalten vorgebeugt sowie Downtime verkürzt wird.
Kostenintensive Großschäden werden möglichst verhindert und die Lebensdauer der einzelnen Komponenten durch frühes Handeln verlängert.
Reparaturmaßnahmen werden überwacht und können hinsichtlich des Erfolgs der Maßnahme überprüft werden.
Predictive Maintenance stößt in der Praxis auf Herausforderungen:
Die Schwierigkeit in der Praxis bestand darin, individuelle Unterschiede im Normalverhalten selbst baugleicher Anlagen in die Datenanalyse mit einzubeziehen.
Wird der statische Grenzwert des Rotorbearings einer WEA vom Hersteller beispielsweise bei 50°C festgelegt, kann es passieren, dass der Grenzwert im Winter nicht erreicht wird, obwohl die Komponente im Vergleich zu ihrem Normalverhalten überhitzt. Dieses Warnsignal bleibt also aufgrund nicht berücksichtigter äußerer Faktoren unbemerkt.
Die Faktoren, die das Verhalten einer Windenergieanlage beeinflussen, sind:
Der Standort – also Turbulenzen, Abschattungen sowie das lokale Wetter – beeinflusst u.a. das individuelle Verhalten einer WEA. Daraus folgen unterschiedliche Verschleißzustände der Komponenten.
Die verbauten Komponenten: Über die Lebensdauer werden gerade bei älteren Anlagen aus Kostengründen oft unterschiedliche Komponenten verwendet. Sensoren sind somit an unterschiedlichen Stellen verbaut. Und es werden verschiedene Fette und Öle eingesetzt, die sich auf das Temperaturverhalten auswirken.
Diverse Datenanbindung, Datenformate und Steuerungen in der Praxis.
Deswegen werden Sensordaten abseits der Leistung im Arbeitsalltag oftmals nicht richtig überwacht. Denn sinnvolle Informationen lassen sich mit einfachen statistischen Methoden kaum ableiten. Das führt dazu, dass sich kleine Schäden im Generator Bearing über Jahre zu einem Großschaden entwickeln können
Künstliche Intelligenz lernt das Normalverhalten jeder Windenergieanlage und schlägt bei Abweichungen Alarm
Durch den Einsatz neuronaler Netze lässt sich das Normalverhalten jeder einzelnen Windanlage abbilden. Die physikalische Realität jeder WEA fließt in die produzierten Sensordaten ebendieser ein. Eine KI errechnet ausgehend von diesen Sensordaten Simulationswerte für zukünftiges Verhalten.
Detektionsalgorithmen können dann Anomalien – also Diskrepanzen zwischen reell gemessenem und simuliertem Verhalten – frühzeitig detektieren, ermöglichen schnelles Handeln und beugen Großschäden in den Hauptkomponenten vor.
Diese Use Cases ergeben sich aus KI für Windenergieanlagen
Wir bei Turbit beschäftigen uns seit Jahren mit dem Einsatz von KI zur Predictive Maintenance sowie der Performance-Optimierung von Windparks. Die neuronalen Netze ziehen ihre Informationen aus folgenden Datenpunkten:
SCADA-Daten
Logbücher
Wartungsberichte
Software-Updates
LiDAR Daten (falls installiert)
CMS-Daten
Bei guter Datenbasis lassen sich Veränderung im Verhalten aller Großkomponenten sowie angrenzender Subsysteme einer Windkraftanlage erkennen:
Hauptlagerschaden frühzeitig erkannt:
Im Oktober 2021 (Siehe Graph) hat Turbit einen Alarm über zu hohe Temperaturen im Hauptlager gesendet. Nach Begutachtung vor Ort wurde festgestellt, dass das Hauptlager getauscht werden muss.
In KW 3 2022 wurde das Hauptlager getauscht. Der Kunde konnte den Tausch mit Kran mehrere Monate im Voraus planen. Bleibt ein solcher Schaden unbemerkt, führt das oft zu Hauptkomponentenschäden oder mehrwöchigen Ausfällen. Downtime und Kosten für einen Großschaden konnten hier vermieden werden.
Hier ein weiterer Auszug von Schäden, die Turbit AI für Kunden erkannt hat:
- Diagnose eines eingelaufenen Generators
- Erkennung einer defekten Pressverbindung im Riffelrohr
- Messung erhöhter Temperaturen im Generatorlager
- Zugesetzte Luftfilter
- Undichte Ölringe
- Ãœberhitzende Pitchmotoren
Einen detaillierten Ãœberblick inkl. visualisierter Datenanalysen finden Sie im Whitepaper zum Thema.
Fazit: Vorteile von Predictive Maintenance mit KI für Betreiber von Windparks
Durch den Einsatz neuronaler Netze lässt sich das Normalverhalten jeder einzelnen Windanlage lernen und prognostizieren. Zu erwartende Werte werden mit den reellen Messwerten vergleichen und ermöglichen so die zuverlässige Früherkennung von Abweichungen.
Und aus der frühzeitigen Erkennung von Veränderungen im physischen Zustand der Komponenten ergeben sich drei große Mehrwerte:
Prävention von Großschäden
Reduzierung von Downtime / bessere Planung der Reparatur
Verlängerte Lebensdauer von Komponenten
Reparaturen in einem großen Windpark können frühzeitig geplant und so gesammelt durchgeführt werden. Damit reduzieren sich die Kosten für Anreise und Transport von Ersatzteilen. Schlüssel für eine gutes AI Monitoring ist immer eine breite Datenbasis.
Welche Überwachung ermöglichen Ihre SCADA-Daten?
Wir werfen gerne einen Blick darauf. Schicken uns eine E-Mail mit Ihrem SCADA-Auszug von einer Woche an datacheck@turbit.de.
Wir liefern schnellstmöglich eine Einschätzung der Überwachungsmöglichkeiten.