Diagnose von Windturbinenausfällen mittels maschineller Lerntechniken, die auf Betriebsdaten angewendet werden.

Unerwartete oder reaktive Wartungsmaßnahmen an Windturbinen aufgrund von Komponentenfehlern verursachen erhebliche Ausfallzeiten und damit verbunden Einnahmeverluste. Daher ist es wichtig, Wartungsarbeiten durchzuführen, bevor sie erforderlich sind. Durch die kontinuierliche Überwachung der Turbinen-Gesundheit ist es möglich, beginnende Fehler zu erkennen und Wartungsarbeiten nach Bedarf zu planen, was die Notwendigkeit unnötiger regelmäßiger Kontrollen negiert. Bis heute wurde ein großer Aufwand betrieben, um Condition Monitoring Systeme (CMS) zu entwickeln, die auf der Nachrüstung teurer Vibrations- oder Ölanalysesensoren an der Turbine beruhen. Stattdessen können durch die komplexe Analyse vorhandener Daten aus dem Supervisory Control and Data Acquisition (SCADA) System der Turbine wertvolle Einblicke in die Turbinenleistung zu deutlich geringeren Kosten gewonnen werden. In diesem Papier werden Daten aus dem SCADA-System einer Turbine im Südosten Irlands gewonnen. Fehler- und Alarmdaten werden gefiltert und in Verbindung mit der Leistungskurve analysiert, um Zeiträume des nominalen und fehlerhaften Betriebs zu identifizieren. Klassifikationstechniken werden dann angewendet, um fehlerhaften und fehlerfreien Betrieb unter Berücksichtigung anderer SCADA-Daten wie Temperatur, Pitch und Rotor-Daten zu erkennen. Dies wird dann erweitert, um Vorhersage und Diagnose im Voraus konkreter Fehler zu ermöglichen. Es werden Ergebnisse präsentiert, die den Erfolg bei der Vorhersage bestimmter Fehlertypen zeigen.