Contact
Energieunternehmen

Echtzeit-Anomalieerkennung für einen intelligenteren Betrieb von

Energy-de
SchlagwörterProduktionNachhaltigkeitEnergieStrukturierte DatenOps [de]MLOps [de]KI-Modelle
Energy-de
SchlagwörterProduktionNachhaltigkeitEnergieStrukturierte DatenOps [de]MLOps [de]KI-Modelle

Ein führender europäischer Erzeuger erneuerbarer Energien hat sich mit ML6 zusammengetan, um die Überwachung seines Windkraftanlagenparks grundlegend zu verändern. Wir haben eine skalierbare, KI-gestützte Plattform zur Anomalieerkennung entwickelt, die Betriebsdaten von Hunderten von Windkraftanlagen kontinuierlich analysiert. Dadurch ermöglicht sie eine frühzeitige Erkennung von Verschleißerscheinungen an Komponenten, eine effizientere Wartungsplanung und eine höhere Zuverlässigkeit des Anlagenparks durch produktionsreife MLOps.

Mehr erfahren
wind farm - CASES

„Schnell auf den neuesten Stand kommen“

ML6 hat eine KI-gestützte Plattform zur Anomalieerkennung entwickelt, die Hunderte von Windkraftanlagen kontinuierlich überwacht und erste Anzeichen einer Verschleißentwicklung an Komponenten erkennt, bevor es zu Ausfällen kommt. Durch die Kombination von skalierbarem MLOps mit erklärbarem maschinellem Lernen ermöglicht die Lösung eine vorausschauende Wartung, reduziert den manuellen Überwachungsaufwand und trägt dazu bei, die Zuverlässigkeit des Anlagenparks zu maximieren.

Weiter lesen

Über diesen Kunden

Der Kunde ist ein großer europäischer Energieerzeuger, der einen umfangreichen Bestand an Anlagen zur Erzeugung erneuerbarer Energien betreibt, darunter mehrere hundert Windkraftanlagen, die auf zahlreiche Standorte verteilt sind. Diese Anlagen werden anhand hochfrequenter SCADA-Daten überwacht und spielen eine entscheidende Rolle im Portfolio des Kunden im Bereich der erneuerbaren Energien.

Die Anlagenmanager sind dafür verantwortlich, die Verfügbarkeit und Zuverlässigkeit des gesamten Anlagenparks aufrechtzuerhalten und gleichzeitig die Wartungskosten sowie ungeplante Ausfallzeiten zu minimieren. Mit zunehmender Größe des Anlagenparks wird die manuelle Überwachung des Zustands der Komponenten immer unpraktischer.



Auswirkungen

  • Flottenweite Überwachung in großem Maßstab

    Ermöglicht es Anlagenbetreibern, den Zustand der Komponenten über den gesamten Windpark hinweg einheitlich zu überwachen, ohne von der Datenmenge oder Fehlalarmen überfordert zu werden.

  • Automatische Erkennung von Anomalien

    Markiert automatisch Turbinen, die vom erwarteten Verhalten abweichen, sodass sich die Teams auf die wichtigsten Bereiche konzentrieren können.

  • Geringerer manueller Analyseaufwand

    Reduziert den Zeit- und Arbeitsaufwand für die manuelle Überprüfung der Daten der gesamten Flotte.

  • Intelligentere Priorisierung von Wartungsmaßnahmen

    Verbessert die Priorisierung von Instandhaltungsmaßnahmen auf der Grundlage der Orte, an denen Abweichungen tatsächlich auftreten.

  • Geringeres Risiko ungeplanter Ausfälle

    Verringert das Risiko kostspieliger, ungeplanter Ausfälle, die durch unentdeckte Verschleißerscheinungen an Bauteilen verursacht werden.

Herausforderung

Der Aufbau einer skalierbaren und zuverlässigen Lösung zur Erkennung von Anomalien bei Windkraftanlagen war mit mehreren zentralen Herausforderungen verbunden.

Turbinen werden unter unterschiedlichen Umgebungsbedingungen betrieben und weisen ein unterschiedliches „normales“ Verhalten auf. Während frühere Ansätze auf einem Modell pro Turbine basierten, wurde die manuelle Skalierung dieser Modelle mit zunehmender Flottengröße schnell unüberschaubar. Die Beibehaltung von Modellen für jede einzelne Turbine blieb jedoch für die Erklärbarkeit und das Vertrauen in die Modelle unerlässlich, da Anlagenmanager nur über begrenzte Erfahrung mit maschinellem Lernen verfügen und verallgemeinerte, flottenweite Modelle als schwer interpretierbar empfanden.

Lösung

Wir haben eine zweistufige Lösung entwickelt. Die erste Schicht definiert, was als „normal" gilt, die zweite erkennt Abweichungen davon.

Zunächst haben wir in die Entwicklung zuverlässigerer Quelldaten für die Messungen investiert. Dadurch konnten wir unseren Analyseumfang erheblich erweitern und die Anzahl der ausgewerteten Turbinen von rund 120 auf fast 350 steigern. Auf dieser erweiterten Grundlage haben wir zuverlässige Basisprognosen erstellt, die ausschließlich auf „intakten“ Daten trainiert wurden.

Wir haben eine MLOps-Architektur entwickelt, die die Verwaltung von Hunderten von Modellen pro Turbine skalierbar und hochleistungsfähig macht. Durch die Übernahme der MLOps-Plattform des Kunden und unsere aktive Mitwirkung daran haben wir ein System etabliert, das folgende Aufgaben bewältigt:

  • Model-Management

    Automatisierte Speicherung, Registrierung und Versionsverwaltung.

  • Einhaltung von Vorschriften und Nachverfolgung

    Strenge Protokollierung von Artefakten zur Gewährleistung der künftigen Einhaltung des KI-Gesetzes (z. B. Aufbewahrungspflichten gemäß Artikel 12).

  • Koordiniertes Experimentieren

    Schnelle, inkrementelle Entwicklungszyklen durch automatisierte Nachverfolgung ermöglichen.

Die Trainings-Pipelines (einschließlich der Hyperparameter-Optimierung) und die Inferenz-Pipelines wurden ausdrücklich im Hinblick auf Skalierbarkeit auf der Datenplattform des Kunden konzipiert. Die Ergebnisse der Anomalieerkennung werden täglich im Batch-Verfahren generiert und als regulierte Datenprodukte veröffentlicht. Darüber hinaus ist die Konfiguration von Natur aus anlageneutral, was in Zukunft die einfache Einbindung flottenweiter Modelle ermöglicht, falls Vermögensverwalter verschiedener Anlageklassen dies wünschen.

Zweitens identifiziert ein physikalisch begrenztes, statistisch robustes Algorithmus zur Anomalieerkennung zusätzlich zu diesen Basiswerten eine langsame Verschlechterung und plötzliche Ausfälle und stellt diese als eindeutige Abweichungsereignisse für die nachgelagerte Nutzung dar.

Ergebnisse

Backtests zeigten, dass die Anomalieerkennung zuverlässig frühe Anzeichen von Bauteilverschleiß aufdeckte und dabei die Zahl der Fehlalarme niedrig hielt. Das war ein entscheidender Faktor für die Akzeptanz bei den Asset-Managern. Am Ende erreichte die Anomalieerkennung eine hohe Zuverlässigkeit mit 91 % Genauigkeit.

  • Verbesserte Erklärbarkeit

    Die Anlagenverantwortlichen empfanden die Modelle auf Turbinenbasis als wesentlich leichter zu interpretieren, was ihr Vertrauen in das System und dessen Akzeptanz unmittelbar steigerte.

  • Skalierbarkeit in der Praxis

    Durch die MLOps-Implementierung konnte der Verwaltungsaufwand für den Betrieb von Hunderten verschiedener Modelle erfolgreich reduziert werden, wodurch aus einer zuvor unüberschaubaren Landschaft ein optimierter, automatisierter Prozess wurde.

  • Praktisch umsetzbare Erkenntnisse

    Über die technische Leistung hinaus hat die Lösung die Art und Weise, wie der Windpark überwacht wird, grundlegend verändert. Anstatt einwandfreie Anlagen manuell zu überprüfen, erhalten die Teams nun prägnante, umsetzbare Hinweise, die direkt auf aufkommende Probleme hinweisen.

Die Lösung ist nun vollständig implementiert und im Produktivbetrieb. Um eine nahtlose Einbindung zu gewährleisten, werden die Ergebnisse und Anomalie-Warnmeldungen automatisch an die Plattform der Wahl der Anlagenverwalter für das tägliche Anlagenmanagement übertragen. Dies ermöglicht frühzeitigere Eingriffe, eine effizientere Wartungsplanung und ist ein konkreter Schritt in Richtung einer skalierbaren vorausschauenden Instandhaltung für Anlagen im Bereich der erneuerbaren Energien.

Teilen Sie dies auf:
Sam Clauwaert 6
Sam Clauwaert Industry Director - Energy

Inspiriert?
Lassen Sie uns in Kontakt treten und ein Projekt verwirklichen!

Sind Sie bereit, Ihre KI-Strategie auf ein neues Level zu heben? Vereinbaren Sie noch heute einen Termin mit uns und lassen Sie uns gemeinsam eine erfolgreiche Strategie entwickeln!

Lassen Sie uns ein Gespräch vereinbaren
Sam Clauwaert 6
Sam Clauwaert Industry Director - Energy