Fehler können passieren – wichtig ist nur, dass man sie erkennt. Das gilt auch für den Betrieb von Windenergieanlagen. Größere Schäden und Ausfälle können für die Betreiber solcher Anlagen fatal sein. Die von Überwachungssystemen erkannten Anomalien zeigen oft nur an, dass ein möglicher Fehler anliegt oder auftreten könnte.
Künftig könnten Überwachungssysteme zusätzlich Einschätzungen zur Fehlerursache enthalten. Das Projekt ARCANA beschäftigt sich mit der Diagnose von Fehlern durch Deep Learning. Im Ergebnis liefert das KI-System nicht nur einen Alarm, sondern benennt auch die Ursachen, die zu einer Störung geführt haben.

Das Projekt ist interessant für:

Betreiber von Windenergieanlagen, Instandhaltungs-Unternehmen, Anlagenhersteller, Versicherer, Modellierer

Ziele

  • Weiterentwicklung von Anomalieerkennung bei Windkraftanalgen hin zur Ursachenanalyse von Fehlern durch Machine Learning 
  • Entwicklung eines Algorithmus, der Lösungen für Anwendungen in der Praxis liefert: Fehler können gezielter behoben und Maßnahmen zur Fehlervermeidung können vorausschauend geplant werden
  • Anwendung des Verfahrens auf einen öffentlich verfügbaren Datensatz und auf Bestandsdaten
  • Veröffentlichung der Ergebnisse in einem Paper 

Cyriana Roelofs

Projektleiterin

Fraunhofer IEE

+49 (0) 561 7294-448

Methoden

  • Autoencoder, Explaining machine learning models, Methoden des maschinellen Lernens, Neuronale Netzwerke, KI Verfahren 
  • Was sind Autoencoder? Autoencoder sind Neuronale Netzwerke und damit ein Teil von KI-Verfahren, die wiederrum ein Teil von ML-Verfahren darstellen. Sie können dazu genutzt werden, um Normalverhaltensmodelle zu implementieren.  

Projektinformationen

Projektmitglieder, Fraunhofer IEE

Cyriana Roelofs, Marc-Alexander Lutz, Stephan Vogt, Stefan Faulstich 

Projektlaufzeit

Oktober 2020 – April 2021

Veröffentlichungen

Autoencoder-based anomaly root cause analysis for wind turbines

Journal: Energy and AI

Teilen Sie dieses Spotlight in Ihrem Netzwerk.

vertikale LastflußprognosenVertikale Lastprognose: Alles im Fluss
Probabilistische Netzzustandsprognosen: Entscheidung vereinfacht