Moderne Diagnoseverfahren unterstützen die Betriebsführung von Windenergieanlagen indem sie Prozessdaten statistisch auswerten. Bisher wurden für den Remote-Service und die administrative Auftragsabwicklung in der Regel Permanent-Monitoring-Systeme eingesetzt. Die damit gewonnenen Daten können aber auch für die statistische Auswertung eingesetzt werden. Denn eigentlich will man nur wissen was passiert, wenn die Belastung der Anlage einen geplanten Verlauf nimmt. Dabei ist das Erhalten der Performance der Windenergieanlage mittels Optimieren mit vertretbarem Aufwand die vordergründige Aufgabe. Die Anlagen so zu betreiben, dass die Schwachstellen nicht zum Verfügbarkeitsproblem werden, ist dabei ein elementares Ziel das Folgendes erfordert:
Das Nutzen zustandsrelevanter Prozessdaten, zum Beispiel aus der SCADA, Das Verarbeiten der Daten in einem wählbaren, adaptierbaren Algorithmus im IT-System, und Die Ausgabe von Hinweisen oder Empfehlungen für den Bediener auf der operationellen Ebene mit Ampeldarstellung in einem Cockpit, für den Supervisor auf der taktischen Ebene und für das Management auf der strategischen Ebene.Dies ist über den gesamten Lebenszyklus erforderlich. Darüber hinaus sind Informationen während der Inbetriebnahme und dem nachfolgenden Dauerbetrieb im Sinne eines Erfahrungsrückflusses wesentlich für den Verbesserungsprozess bei der Anlagenplanung und -fertigung.
Aus den gewonnenen Daten werden Informationen abgeleitet. Das daraus generierte Wissen bildet die Basis für strategische Entscheidungen durch Eigentümer, Betriebsführung und gegebenenfalls Investoren und Versicherer. Die Entscheidungen sind dann in Zielsetzungen, Strategien, Methoden und Vorgaben umzusetzen [1, 2].
Ein Schwerpunkt ist dabei das Ermitteln möglicher Fehlerursachen einer in der Regel codierten Meldung aus dem Permanent-Monitoring-System, um für die Behebung einer Störung erforderliche Maßnahmen effektiv einzuleiten und die exakte Planung des Auftrags vorzunehmen - also Prioritäten, Arbeitsgänge, erforderliche Berechtigungen, Hilfsmittel und Ersatzteile bestimmen.
Multivariate Methoden für die Fehlerdiagnose
Bei der Komplexität der Anlagen und der Dynamik der Belastungen sowie der daraus resultierender Zustandsänderungen, ist nicht ohne weiteres eine Korrelation zu erkennen. In diesen Fällen werden dann multivariate Methoden eingesetzt, die in der Statistik mehrere Variable zugleich untersuchen. Beim Anwenden dieser Verfahren werden üblicherweise folgende Schritte realisiert:
Schritt 1: Fehlerdetektion/Fehlerisolation - Liegt ein Fehler, eine Störung vor? Daraus folgt entsprechend die Alarmierung und Lenkung der Aufmerksamkeit. Schritt 2: Fehleridentifikation/-diagnose - Welcher Fehler beziehungsweise welche Störung liegt vor? Hier folgt eine zielgerichtete und effiziente Instandsetzung oder Schwachstellenanalyse. Schritt 3: Prognose - Wie lange hält die Anlage noch? Dazu gehört die vorausschauende Instandhaltung, Planung von Wartung und Instandhaltung sowie die Asset-Management-Unterstützung.Für die Industrie sind insbesondere solche Ansätze interessant, die ohne oder nur mit geringfügigem gerätetechnischem Mehraufwand gewonnen werden können. Somit ist es möglich, zusätzliche Informationen ohne ergänzende Sensoren und den damit verbundenen Kosten für die Beschaffung und den Einbau zu erhalten.
In der Anlagenindustrie genießen datengestützte, statistische Verfahren zur Überwachung und Fehlerdiagnose eine hohe Akzeptanz. Der Vorteil dieser Verfahren zur Fehlerdiagnose basiert auf einem Modell, im Sinne von statistischen Eigenschaften, welches direkt aus den Prozessmessdaten und ohne spezifische regelungstechnische Kenntnisse gewonnen werden kann. Ein Nachteil ist, dass die Prozessdynamiken oder die Nichtlinearitäten im Prozessverhalten bisher nicht genügend berücksichtigt wurden.
Motiviert durch die Ergebnisse vorangegangener Forschungsprojekte wurden datengestützte Verfahren zur Fehlererkennung untersucht. Den Schwerpunkt bilden Erkenntnisse der theoretischen Untersuchung sowie die Implementierung, Simulation und Realisierung der neuen Verfahren unter industriellen Bedingungen. Im Rahmen dieser Arbeiten sind bekannte multivariate Methoden analysiert beziehungsweise so weiterentwickelt worden, dass sie als Bestandteile von Diagnoseverfahren für die datenbasierte Fehlererkennung an komplexen Systemen geeignet sind.
Stationäres und dynamisches Verhalten
Das Unterscheiden von stationärem und dynamischem Verhalten an komplexen Anlagen wie Windenergieanlagen hat Bedeutung für die Fehlerdetektion und die Wahl des geeigneten datenbasierten Verfahrens zur Fehlerdetektion.
Fehlerzustände und Störungen sollen ohne vorherige analytische Beschreibung sowohl der Anlage als auch der typischen und außergewöhnlichen Fehler erkannt werden. Es gibt eine Reihe von äußeren Einflüssen, welche das Verhalten einer Windenergieanlage beeinflussen, aber nicht unbedingt zu kritischen Betriebszuständen führen, wie zum Beispiel saisonal- und tageszeitbedingte Schwankungen des Umgebungsklimas. Diese Einflüsse sollen nach Möglichkeit die Detektion der tatsächlichen kritischen Fehler nicht beeinflussen.
Die untersuchten und entwickelten datenbasierten multivariaten Methoden bildeten die Grundlage für die Entwicklung eines Softwaremoduls mit der Möglichkeit der Fehlerdetektion. Die Basis sind leistungsfähige, datenbasierte, statistische Algorithmen des Asset-Management-Systems Zedas Asset von PC-Soft. Das entwickelte Modul soll die vorhandenen Diagnosemöglichkeiten von Zedas Asset ergänzen [3, 4].
Ziel bei der Verwendung multivariater statistischer Verfahren ist zum einen, große Datenmengen zur Überwachung der Windenergieanlagen auszuwerten und zum anderen, die Fehlerdiagnose von modernen Produktionsanlagen zu nutzen. Wobei der gesamte Prozess zur Überwachung und Fehlererkennung bezüglich seines Betreuungsaufwandes minimal sein soll. Dies gilt für das Anpassen der Überwachungsalgorithmen, das Finden von Grenzwerten und Auswerten der Daten.
Die verwendete Methode PCA (Principal Component Analysis, Hauptkomponentenanalyse) ist eine grundlegende Methode in der multivariaten Statistik und Analyse. Sie fand bereits in verschiedensten Bereichen Anwendung wie etwa in der Datenkompression, Mustererkennung, Gesichtserkennung, Signalanalyse und Prozessüberwachung.
Primäres Ziel ist es, Zusammenhänge zwischen Variablen, Objekten oder Merkmalen zu erkennen. Zu Beginn der Analyse liegt noch keine konkrete Vorstellung darüber vor, welche Beziehungszusammenhänge im Datensatz existieren. Es wird also versucht, aus den Variablen wenige latente, voneinander unabhängige Faktoren zu extrahieren. Die Vorteile dieses Verfahrens liegen darin, dass es analytisch fassbar ist, mit einer großen Anzahl von Prozessvariablen funktioniert und einen relativ geringen Rechenaufwand verursacht.
Der Einsatz der PCA erfolgt in der Regel in zwei Phasen, dem „off-line-Training“ oder auch „Design“ und der „on-line-Überwachung“. Dafür werden Daten von Messwertgebern aufgenommen und in Spaltenvektoren oder auch Beobachtungsvektoren angeordnet.
Rückschlüsse für Anlagenplanung und -fertigung
Die Betriebsführung einer Windenergieanlage ermöglicht durch gezieltes Bereitstellen von Informationen im Cockpit einen Erfahrungsrückfluss auf die Anlagenplanung und -fertigung. Anhand dieser Erfahrungen können die Analyse bereits eingetretener Störungen, das Ermitteln der Ursachen (Fehlerbaumanalyse) und auch der Einsatz datenbasierter Verfahren zur Detektion und Identifikation von Fehlern effizienter gestaltet werden.
Mithilfe datenbasierter Verfahren wie multivariate Methoden ist es zudem möglich, Abweichungen vom Normalverhalten zu erkennen, Sensorfehler zu erfassen und korrekt zu identifizieren, aber auch, Verschlechterungen in der Leistungsfähigkeit einer Anlage zu bestimmen und zu prognostizieren.
Weitere Informationen
[1] Wolfgang Jußen, Gerd Stalloch: Windparks effektiv betreiben, Energy 2.0, 2011, Heft 11, S. 3-4
[2] Gerd Stalloch: Prozessdaten vielfältig nutzen, Energy 2.0-Kompendium 2011, S. 104-106
[3] Peter Engel: Entwicklung neuer Diagnoseverfahren auf der Basis multivariater Methoden und deren Anwendung in einem Softwareinformationssystem zur Anlagenüberwachung; Dissertation 2012
[4] T. Jeinsch; P. Engel; S.X. Ding; D. Schoch; H. Neumann: Statistische Verfahren zur Fehlererkennung und -diagnose in der Automatisierungstechnik; ATP - Automatisierungstechnische Praxis, Oldenbourg Industrieverlag, 06/2010
