Prädiktive Wartung

Die prädiktive Wartung technischer Systeme mit Hilfe von Daten aus Zustandsüberwachungssystemen spielt in vielen industriellen Anwendungen eine immer größere Rolle. Maschinelle Lernverfahren sind dabei der algorithmische Kern, um dieses Ziel zu erreichen. SCAI untersucht hier insbesondere Ansätze, die es einerseits erlauben, eine geringe Anzahl von signifikanten Indikatoren zu berechnen, mit denen Abweichungen vom Normzustand eines Systems einfach gemessen werden können, die aber andererseits in der Erkennungsqualität und Robustheit über Standardverfahren hinausgehen.

Ein Anwendungsbeispiel ist die prädiktive Wartung von Windenergieanlagen auf Basis von Daten aus Vibrationsensoren, die das Schwingungsverhalten der Rotorblätter messen. Methoden des Maschinellen Lernens werden untersucht und entwickelt, um Anomalien besser zu erkennen, z.B. um eine Eisdetektion zu ermöglichen oder um in den Daten frühzeitig Hinweise auf mögliche Schäden zu entdecken. Weitere Diagnosen werden durch die Zustandsdaten der Kontrollstation einer Windenergieanlage möglich, mit dem Ziel semi-automatische Kontrollstrategien zu entwickeln, um beispielsweise Abnutzung zu reduzieren und dadurch eine längere Lebensdauer der Anlage zu erreichen.