Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung IOSB 
Kurzbeschreibung des Projekts
Um die Laufzeitgesamtkosten von Windenergieanlagen (WEAs) wettbewerbsfähig zu halten, müssen die Ausfallrisiken minimiert, die Wartungskosten gesenkt, sowie die Anlagenverfügbarkeit und die Energieeffizienz gesteigert werden. Dieses Ziel wird erreicht, indem möglichst effiziente, automatisierte multisensorielle Onlineüberwachungs- und Diagnosesysteme – sogenannte Condition Monitoring Systeme (CMS) – eingeführt werden, deren wirtschaftliche Bedeutung von Windparkbetreibern, Herstellern und Versicherern zunehmend erkannt wird. So werden am Markt bereits zahlreiche andere CMS angeboten, deren Überwachung und Fehlerdetektion sich allerdings fast ausschließlich auf den WEA-Triebstrang beschränkt.
Im Gegensatz zu diesen Systemen bietet das Verbundprojekt »ISO.Wind« ein sogenanntes Structural-Health-Monitoring-System (SHM), welches den Zustand jeder WEA des gesamten Windparks inklusive Antriebsstrang, Turm sowie Rotorblättern überwacht.
Intuitive Anlagenüberwachung in Echtzeit
Die Ergebnisse der Anlagenüberwachung werden dem Nutzer in intuitiver und auf einen Blick erfassbarer Ampelform dargestellt. Im Falle eines sich abzeichnenden Fehlers werden zusätzlich frühzeitig mögliche Fehlerursachen vorgeschlagen sowie voraussichtliche Restlaufzeiten bis zum Anlagenstillstand angezeigt.
Projektziele
Passiv Radar
Zur Erfassung der Schwingungen aller Türme und Rotoren des Windparks wird ein Passiv-Radar-System genutzt, welches die Echos von bereits verfügbaren Funkwellen (z. B. DVB-T) nutzt. Die Verschiebung der sogenannten Doppler-Frequenz aufgrund der Bewegung von Objekten ermöglicht, ohne den teuren Betrieb einer eigenen, aktiven Radarquelle Schwingungen sichtbarer Komponenten der Windenergieanlagen (Turm, Rotorblätter, Gondel) mit einer Frequenzauflösung bis unter 1 Hz zu erfassen.
Maschinelles Lernen
Durch Einsatz maschineller Lernverfahren wird eine einfache und kostengünstige Anpassung an jede einzelne WEA garantiert. Dieses spezifische, vollautomatische Lernen jeder WEA führt zu einer hoch präzisen Erkennung von Fehlerfällen unabhängig von Standort und Witterung. Zusätzlich erlauben diese Verfahren eine Prädiktion der Fehlerursache, welche das nötige Expertenwissen drastisch reduzieren kann.
Projektergebnis
Predictive Maintenance
Aufgrund der hohen Präzision der verwendeten Verfahren ist es möglich, Schäden zu erkennen, bevor diese zu Ausfällen der WEA führen. Diese Prognose baldiger Ausfälle erlaubt sowohl nötige Wartungsarbeiten zu wirtschaftlich sinnvollen Zeitpunkten durchführen zu können, als auch katastrophales Versagen von Komponenten zu verhindern.