Automatisierte Diagnose von Schäden an Windenergieanlagen, Teilvorhaben: Automatisierte Diagnose von Schäden an Windenergieanlagen zur Reduzierung des Überwachungsaufwandes und Steigerung der Überwachungsgüte

Description: Das Projekt Condition Monitoring 4.0 adressiert die Herausforderungen rund um die zunehmende Informationsvielfalt und -menge und dadurch wachsende Komplexität, sowie überproportional hohem manuellen Aufwand und somit aktuell sehr hohen Kosten im Condition Monitoring. Mit dem neuen Ansatz aus dem Bereich des Maschinellen Lernen wird eine genaue Erkennung und automatisierte Diagnose von Schäden ermöglicht, indem ein Metamodell die Ergebnisse vieler einzelner Modelle (Ensemble Learning) nutzt und Schäden klassifiziert. Im Vergleich zu vorhandenen Lösungsansätzen, wird sowohl die gesamte Anlage als auch die einzelnen Komponenten betrachtet und somit eine hohe Überwachungsbreite und - tiefe gewährleistet. Sogenanntes Active Learning und halbüberwachte Verfahren (aus dem Teilbereich Weak Supervision/Semi-Supervised Learning) nutzen zusätzlich die Muster aus noch nicht klassifizierten Schäden und punktuell das wertvolle Wissen der Fachexperten, um unbekannte Schadmuster zu klassifizieren. Dadurch wird das Condition Monitoring System kontinuierlich verbessert. Hierdurch entstehen folgende Mehrwerte: Die automatische und genaue Diagnose von Schäden, die Reduktion von Komplexität und Aufwand für den Experten, die Nutzung unbekannter Datenmuster und das Expertenwissen sowie eine hohe Überwachungsbreite und -tiefe. Dies ermöglicht eine echte Skalierung auf viele Anlagen. Stillstandzeiten und Kosten können somit deutlich reduziert werden. Darüber hinaus wird im Laufe des Projektes ein großer Referenzdatensatz veröffentlicht. Dies wird weitere Forschungen und Entwicklungen auf diesem Gebiet ermöglichen und somit insgesamt zu besseren Condition Monitoring Systemen führen und einen wertvollen Beitrag zur Energiewende leisten.

SupportProgram

Origins: /Bund/UBA/UFORDAT

Tags: Energiewende ? Windkraftanlage ? Kostensenkung ? Kostensteigerung ? Künstliche Intelligenz ?

Region: Baden-Württemberg

Bounding boxes: 9° .. 9° x 48.5° .. 48.5°

License: cc-by-nc-nd/4.0

Language: Deutsch

Organisations

• Bundesministerium für Wirtschaft und Energie (Geldgeber*in)
• EnBW Energie Baden-Württemberg AG (Betreiber*in)
• Umweltbundesamt (Bereitsteller*in)

Time ranges: 2022-10-01 - 2025-09-30

Alternatives

• Language: Englisch/English
  Title: Subproject: Automated diagnosis of damage to wind turbines to reduce monitoring effort and increase monitoring quality
  Description: The Condition Monitoring 4.0 project addresses the challenges posed by the increasing diversity and quantity of information and the resulting growing complexity, as well as the disproportionately high manual effort and thus currently very high costs in condition monitoring. The new approach from the field of machine learning enables accurate detection and automated diagnosis of damage by using a metamodel to classify damage based on the results of many individual models (ensemble learning). Compared to existing solution approaches, the entire plant as well as the individual components are considered, thus ensuring a high monitoring breadth and depth. So-called Active Learning and semi-supervised methods (from the Weak Supervision/Semi-Supervised Learning subsection) additionally use the patterns from damage not yet classified and selectively the valuable knowledge of the subject matter experts to classify unknown damage patterns. This continuously improves the condition monitoring system. This creates the following added values: automatic and accurate diagnosis of damage, reduction of complexity and effort for the expert, use of unknown data patterns and expert knowledge, and a high monitoring breadth and depth. This enables true scaling to many plants. Downtimes and costs can thus be significantly reduced. In addition, a large reference data set will be published during the course of the project. This will enable further research and development in this field and thus lead to better condition monitoring systems overall and make a valuable contribution to the energy transition. https://ufordat.uba.de/UFORDAT/pages/PublicRedirect.aspx?TYP=PR&DSNR=1126782

Status

Aktiv

Quality score

• Overall: 0.47
• Findability: 0.53

  • Title: 0.00
  • Description: 0.21
  • Identifier: false
  • Keywords: 1.00
  • Spatial: RegionIdentified (1.00)
  • Temporal: true
• Accessibility: 0.67

  • Landing page: Specific (1.00)
  • Direct access: false
  • Publicly accessible: true
• Interoperability: 0.00

  • Open file format: false
  • Media type: false
  • Machine-readable metadata: false
  • Machine-readable data: false
• Reusability: 0.67

  • License: ClearlySpecifiedAndFree (1.00)
  • Contact info: false
  • Publisher info: true

Accessed 1 times.