Die zunehmende Digitalisierung des Energiesektors eröffnet neue Potenziale für die vorausschauende Wartung technischer Anlagen. Gerade in der Windenergie ist es von entscheidender Bedeutung, drohende Ausfälle frühzeitig zu erkennen, um unnötige Stillstandszeiten und Kosten zu vermeiden. Herkömmliche Wartungskonzepte stoßen hier an ihre Grenzen, da sie häufig reaktiv, personalintensiv oder technisch schwer skalierbar sind. Das Fraunhofer IEE eine kostenlose Open-Source-Lösung zur frühzeitigen Fehlererkennung an, die unabhängig von der zu überwachenden Komponente ist.
Open-Source-Lösung für frühzeitige Fehlererkennung
Im Rahmen mehrerer Forschungsprojekte hat das Fraunhofer IEE gemeinsam mit dem Team AEFDI (Automated Energy Fault Detection and Identification) Methoden zur KI-gestützten Anomalieerkennung entwickelt. Daraus ist der „EnergyFaultDetector” entstanden, ein vielseitig einsetzbares und skalierbares Framework zur automatisierten Fehlerfrüherkennung.
„Die frühzeitige Fehlererkennung ist ein zentraler Baustein für vorausschauende Wartung in Windparks und hat sich bereits im Projekt ModernWindABS deutlich gezeigt. Dort haben wir gemeinsam mit Windparkbetreibern ermittelt, welche technologischen Innovationen sie am dringendsten benötigen. Die Anomalieerkennung wurde dabei ganz oben eingeordnet. Es war daher nur konsequent, diese Entwicklung voranzutreiben“, erklärt Cyriana Roelofs, Projektleiterin des Projekts Adwenture.
Neue Möglichkeiten durch KI-gestützte Fehlererkennung
Mithilfe selbstlernender Algorithmen detektiert das System in Echtzeit auffälliges Verhalten in technischen Anlagen – von Windenergieanlagen über energiewirtschaftliche Prozesse bis hin zu Fernwärmeinfrastrukturen. Die Anwendung ist denkbar einfach, der Nutzen hoch: Störungen werden frühzeitig erkannt und die Ursachen transparent gemacht – und das auf Basis der verfügbaren Betriebsdaten, ganz ohne zusätzliche Sensorik.
„Unser EnergyFaultDetector bringt diese Technologie jetzt in die Praxis und macht vorausschauende Wartung für viele Betreiber einfach zugänglich. Er ermöglicht eine schnelle, zuverlässige Fehlererkennung, die ohne zusätzliche Hardware auskommt und sich flexibel auf unterschiedliche Anlagen anpassen lässt“, sagt Florian Rehwald, der am Fraunhofer IEE für das Produkt verantwortlich ist.
Flexibles Open-Source-Framework für einfache Integration
Das Framework basiert auf einem Autoencoder-Ansatz und kann an beliebige Datenquellen angepasst werden. Es nutzt ausschließlich bestehende SCADA-Daten, wodurch keine zusätzliche Hardware notwendig ist. Die automatische Modellanpassung erlaubt eine einfache Skalierung auf unterschiedliche Anwendungsbereiche.
Neben der automatisierten Fehlererkennung unterstützt der EnergyFaultDetector auch die Ursachenanalyse, um eine optimale Vorbereitung von Instandhaltungseinsätzen zu ermöglichen. Hierzu wird der eigens entwickelte Algorithmus ARCANA aus dem Bereich der erklärbaren KI verwendet. Mithilfe von ARCANA lässt sich selbst bei Verwendung eines „Black-Box“-Modells die fehlerverursachende Einflussgröße präzise identifizieren. Auf dieser Basis kann die Fehlerursache auf Subkomponenten eingegrenzt und das Fehlerbild interpretiert werden.
Der EnergyFaultDetector steht interessierten Entwicklern und Anwendern als Open-Source-Lösung bereit. Die Software ist als Python-Bibliothek verfügbar und kann über pip installiert werden. Für einen besonders schnellen Einstieg enthält das Paket das Modul „quick_fault_detector“, das mit nur einer Zeile Code Betriebsdaten aus einer CSV-Datei analysiert und potenzielle Fehler identifiziert. Bei der Integration des Tools in bestehende Betriebsführungssysteme bietet das Fraunhofer IEE Unterstützung an. Zum Kennenlernen steht zudem ein kostenloser Demozugang zur Windüberwachungsplattform bereit.
