top of page

Turbit AI kann Rotorlagerschäden Monate im Voraus erkennen

Die Erkennung von Rotorlagerschäden in Windkraftanlagen ist entscheidend für den effizienten und sicheren Betrieb. Traditionelle Methoden zur Überwachung der Temperatur von Hauptlagern können zeitaufwändig, teuer und ineffizient sein. Mit den Fortschritten in der künstlichen Intelligenz (KI) ist es nun jedoch möglich, potenzielle Ausfälle mit Präzision und Effizienz zu erkennen.


In diesem Artikel wird das von Turbit entwickelte KI-Überwachungssystem vorgestellt, ein Unternehmen, das sich auf die Entwicklung von KI-basierten Überwachungssystemen für Windkraftanlagen spezialisiert hat. Michael, der CEO und Gründer von Turbit, erklärt, wie ihr KI-Überwachungssystem funktioniert und wie es Hauptlagerausfälle mit einer Genauigkeit von bis zu 0,5 Grad Temperaturunterschied und Monaten im Voraus erkennen kann.



Das von Turbit entwickelte KI-Überwachungssystem verwendet SCADA-Daten von Windkraftanlagen, die die Außentemperatur, die Windgeschwindigkeit, die Rotordrehzahl und andere äußere Faktoren, die die Temperatur des Hauptlagers beeinflussen, umfassen. Diese Daten werden verwendet, um das normale Verhalten der Temperatur des Hauptlagers zu trainieren und zu lernen. Das System kann simulieren, wie sich die Temperatur des Lagers im Laufe der Zeit verhalten sollte, selbst bei extremen Wetterbedingungen.


Wie im Beispiel gezeigt, kann das KI-Überwachungssystem ein abnormales Verhalten der Temperatur des Hauptlagers erkennen. Das System vergleicht die tatsächlichen Temperaturdaten des Hauptlagers mit den simulierten Daten und sendet bei einer signifikanten Abweichung einen Alarm an das Bedienpersonal. Der Alarm wird erhöht, wenn das Problem weiterhin besteht, und löst in einigen Fällen ein Serviceereignis aus.


In dem von Michael genannten Beispiel stellte das KI-Überwachungssystem im Januar ein Problem mit dem Hauptlager fest. Die Temperatur des Hauptlagers war im Laufe der Zeit angestiegen, was auf ein mögliches Problem hinwies. Das System sendet einen Alarm, der eskaliert wurde, als das Problem weiter besteht. Ein Service-Ereignis wurde ausgelöst, und das Problem wurde schließlich durch die Reparatur des Schmiermechanismus gelöst.


Das von Turbit entwickelte KI-Überwachungssystem kann potenzielle Ausfälle mit einer Genauigkeit von bis zu 0,5 Grad Temperaturunterschied und Monaten im Voraus erkennen. Dadurch haben die Betreiber ausreichend Zeit, um Wartungsarbeiten zu planen und durchzuführen, Ausfallzeiten zu minimieren und Worst-Case-Szenarien zu verhindern.


Zusammenfassend lässt sich sagen, dass KI-basierte Überwachungssysteme wie das von Turbit eine effizientere und kostengünstigere Lösung für die Erkennung potenzieller Ausfälle in Windturbinen darstellen können. Mit der Fähigkeit, potenzielle Probleme mit einem hohen Maß an Genauigkeit und weit im Voraus zu erkennen, können Betreiber Ausfallzeiten minimieren und kostspielige Reparaturen verhindern.




Comments


bottom of page