AT523586A1 - Verfahren zur zumindest teilweise dezentralen Berechnung des Gesundheitszustandes von mindestens einer Windkraftanlage - Google Patents

Abstract

Die vorliegende Erfindung bezieht sich auf ein Verfahren zur zumindest teilweise dezentralen Berechnung des Gesundheitszustandes (SH1, SH2) mindestens einer Windenergieanlage (1) auf der Basis entsprechender Windenergieanlagen-Individualdaten (D), um eine Diagnose sowie präskriptive Informationen zur Vermeidung des Auftretens vorbekannter spezifischer Fehlermodi zu ermöglichen.

Description

VERFAHREN ZUR ZUMINDEST TEILWEISE DEZENTRALEN BERECHNUNG DES GESUNDHEITSZUSTANDES VON MINDESTENS EINER WINDKRAFTANLAGE

Gegenstand der Erfindung und Beschreibung des Standes der Technik

Das Erreichen der maximalen Verfügbarkeit einer in Betrieb befindlichen Windenergieanlage trotz einer Vielzahl potenzieller Fehlermodi ist eine anspruchsvolle Aufgabe. Es muss ein optimales Maß an Wartung durchgeführt werden, um technische Ausfälle zu verhindern und die Ausfallzeit zu minimieren, während gleichzeitig die Kosten für die Wartung minimiert werden. Entscheidungen zur proaktiven Wartung können durch Fernüberwachung unterstützt werden. Die Entwicklung von vernetzten Informationsnetzwerken und intelligenten Endgeräten, die eine Reihe von technischen Daten sammeln, liefert den Betreibern von Windturbinenflotten große Datenmengen, die typischerweise Windgeschwindigkeiten, Rotordrehzahlen, Öltemperaturen des Getriebes der Windturbine,

Vibrationsdaten, Energieleistung, Generatorspannung usw. umfassen.

Es ist daher nicht verwunderlich, dass diese Daten kontinuierlich fließen und zentral in einer Prozessoreinheit zusammenlaufen. Diese Prozessoreinheit greift daher auf "Big Data" zu und ist darauf optimiert, Muster zu erkennen, um eine optimale Einschätzung des

Gesundheitszustands einer Windkraftanlage zu liefern.

Während in der Theorie eine zentrale Verarbeitung aller verfügbaren Daten vorteilhaft klingt, ergeben sich bei der Implementierung eines zentral organisierten Datenberechnungssystems mehrere praktische Probleme. Erstens verursacht das Sammeln von Big Data einen riesigen Datenfluss, der dem Informationsnetzwerk eine erhebliche Bandbreite abverlangt. Zweitens führt das kontinuierliche Sammeln immer größerer Datenmengen zu Schwierigkeiten bei der zeitgenauen Zuordnung der Daten. Da es sich bei den Datenquellen häufig um unterschiedliche Sensoren handelt, die sich in verschiedenen Windkraftanlagen befinden, kann die Synchronisation der Uhr und die Verfügbarkeit der Daten eine große Herausforderung darstellen. Um alle relevanten Daten zeitgleich und kontinuierlich zur Verfügung zu haben, ist daher ein vollständig synchronisiertes Informationsnetzwerk mit synchronisierten Datenquellen erforderlich. Drittens erfordert eine solche Anordnung, dass

alle relevanten Datenquellen zur gleichen Zeit funktionieren. Der Ausfall einer Datenquelle

„2-

könnte die gesamte zentralisierte Berechnung zum Scheitern bringen. Viertens: Die Daten müssen in einem kompatiblen Format bereitgestellt werden. Das Hinzufügen neuer Hardware

mit anderen Datenformaten ist häufig nicht ohne erheblichen Aufwand möglich.

Es ist daher ein Ziel der vorliegenden Erfindung, ein Verfahren zur Diagnose des Gesundheitszustandes von Windenergieanlagen bereitzustellen, das die Nachteile des Standes der Technik überwindet. Dieser Zweck wird erreicht durch ein Verfahren zur zumindest teilweise dezentralen Berechnung des Gesundheitszustandes mindestens einer Windenergieanlage auf der Basis entsprechender Windenergieanlagen-Individualdaten zur Ermöglichung einer Diagnose sowie präskriptiver Informationen zur Vermeidung des

Auftretens vorbekannter spezifischer Fehlermodi, umfassend die folgenden Schritte:

a) Empfangen der individuellen Daten der Windturbine und von Informationen bezüglich vorher bekannter spezifischer Fehlermodi und eines entsprechenden Satzes von damit verbundenen Zuständen, um vorhersagekritische Daten von nichtkritischen Daten zu trennen, und Aufteilen der vorhersagekritischen Daten in Gruppen, wobei jede Gruppe die relevanten

Daten enthält, um mindestens einen Zustand zu bestimmen,

b) Erzeugen einer Anzahl von dezentralen Knoten, wobei jeder Knoten mit einem Informationsnetzwerk verbunden ist und mindestens eine Gruppe der Vorhersagekritische Daten empfängt und verarbeitet, und wobei jeder Knoten konfiguriert ist, um mindestens einen der Zustände basierend auf der empfangenen Gruppe der Vorhersagekritische Daten zu

bestimmen,

c) wobei jeder Knoten umfasst

- eine Mapping-Schicht, die Anforderungen bezüglich des Eingabeformats der mindestens eine Gruppe der Vorhersagekritische Daten definiert und das Format einer datenreduzierten

Zustand des Knotens definiert, und

- mindestens eine Anwendung zum Bestimmen des Zustands und zum Bereitstellen des bestimmten Zustands als eine datenreduzierte Zustandsausgabe an einen Knotenpunkt in

Schritt d),

-3-

d) Verbinden der Knoten mit einem Hub über das Informationsnetzwerk, wobei der Hub eine

Entscheidungshilfemaschine umfasst,

e) Übertragen der datenreduzierten Zustand jedes Knotens an die

Entscheidungshilfemaschine des Hubs, und

f) Verwenden der Entscheidungshilfemaschine, um einen Windturbinen-spezifischen Gesundheitszustand in Bezug auf jeden vorher bekannten spezifischen Fehlermodus zu

berechnen, basierend auf den datenreduzierten Zustand der Knoten von Schritt e).

Durch die vorliegende Erfindung ist es möglich, die oben genannten Nachteile des Standes der Technik zu überwinden, indem der gesamte Datenfluss reduziert wird und die Notwendigkeit der Zeitsynchronisation aufgrund der dezentralen Berechnung entfällt, wodurch die Robustheit, die Effizienz und die Zuverlässigkeit der Zustandsberechnung

deutlich erhöht wird.

An einem einzelnen Knotenpunkt stehen beispielsweise die an mehreren Stellen der Windkraftanlage gemessenen Temperaturen als mehrere Datenströme zur Verfügung. Um den Ausfall eines bestimmten Lagers innerhalb des Getriebes vorherzusagen, ist bekannt, dass nur eine dieser Temperaturen relevant ist. Diese Temperatur wird dann als Vorhersagekritische Daten eingestuft, und die Daten werden anschließend mit einer spezifischen Methodik analysiert, die in der Lage ist, einen relativen Anstieg des Temperaturniveaus mit hoher Genauigkeit zu erkennen. Der berechnete relative Anstieg wird mit einem Schwellenwert verglichen, dessen Höhe statistisch auf der Grundlage der vorherigen Beurteilung einer großen Anzahl von Turbinen mit gesunden und ungesunden Lagern abgeleitet wird. Liegt die relative Temperaturerhöhung über diesem Schwellenwert, wird das Lager als "hochtemperiert" eingestuft. Diese datenreduzierte Zustandsausgabe wird dann von dem Knoten zurück an den Hub kommuniziert, wo sie mit anderen

Zustandsinformationen kombiniert werden kann.

Der Hub kann weiterhin einen Datenspeicher zum Abspeichern der datenreduzierten Ausgabe der Knoten umfassen, wobei die Daten für mindestens einen Monat gespeichert werden und wobei die Berechnung gemäfß Schritt f) auf der Basis der gespeicherten

datenreduzierten Zustand der Knoten durchgeführt wird. Somit ist keine permanente

-4-

Konnektivität erforderlich und eine zeitweise Unterbrechung der Verbindung der Knoten kann das Verfahren nicht beeinträchtigen. Die Datenübertragung muss auch nicht synchron

sein.

Vorzugsweise wird die Berechnung des Gesundheitszustandes gemäß Schritt f) nur innerhalb eines vordefinierten Zeitrahmens durchgeführt, wobei der Zeitrahmen vorzugsweise einen Monat beträgt. Dies ermöglicht eine Mittelwertbildung der Daten oder die Anwendung

anderer statistischer Funktionen. Auch eine asynchrone Berechnung ist möglich.

Vorzugsweise umfasst jede Gruppe der Vorhersagekritische Daten, die Daten einer Anzahl von Turbinen und wobei ein Schwellenwert in Abhängigkeit von den Daten der Anzahl der

Turbinen gesetzt wird.

Vorzugsweise ist der Hub so konfiguriert, dass er mit jedem Knoten in einer Rückkopplungsschleife kommuniziert, wobei jeder Knoten so konfiguriert ist, dass er die

Schwellenwerte in Abhängigkeit von der Rückmeldung des Hubs anpasst.

Vorzugweise wird ein Knoten mittels Cloud-Computing implementiert. Alternativ kann ein

Knoten auch auf einem Edge-Computing-Gerät implementiert sein.

Vorzugsweise ist der Hub mit einem Mapping-Paket ausgestattet, wobei das Mapping-Paket

das gewünschte Format der datenreduzierten Zustand der Knoten definiert.

Vorzugweise ist das System so konfiguriert, dass der Fall einer Nichtübereinstimmung des Formats der vom Hub empfangenen datenreduzierten Zustandsausgangsdaten der Knoten mit dem gemäß dem Mapping-Paket des Hubs erforderlichen Format dazu führt, dass diese

formatmäfsig nicht übereinstimmenden Daten im Schritt f) nicht berücksichtigt werden.

Vorzugsweise umfassen die windturbinenrelevanten Daten mindestens eine der folgenden Daten: {Windturbinenvibrationsüberwachungsdaten, Windturbinentemperaturüberwachungsdaten, Energieproduktionszähler, atmosphärische Bedingungen einschließlich Lufttemperatur, Druck, Feuchtigkeit, Windrichtung, Windturbulenz, Fettproben, Schmiersystempartikelzählungen, elektrische Systemströme,

Spannung, Leistung, Hydrauliksystemtemperaturen, -drücke, -durchflussraten, Ladedrücke,

-5-

Steuerventilposition und -aktivierung, Endoskopieinspektion, die Ergebnisse visueller

Inspektionen}

Vorteilhafterweise wird der berechnete windturbinenspezifische Gesundheitszustand aus Schritt f) als Grundlage für eine Vorhersage des Wartungsbedarfs der jeweiligen

Windkraftanlage verwendet.

Vorzugsweise wird auf Basis der Vorhersage des Wartungsbedarfs automatisch eine

Wartungsroutine ausgelöst

Eine genauere Beschreibung von Ideen der vorliegenden Erfindung und des Standes der

Technik

1. Hintergrund

Die vorliegende Erfindung ist dazu geeignet, komplexe Analyse- und Entscheidungsprozesse im Bereich der Prädiktiven Instandhaltung mit Hilfe eines verteilten Informationssystems zu

lösen.

Mit anderen Worten ausgedrückt, ist die vorliegende Erfindung geeignet, einzelne Anwendungen über Netzwerke koordiniert miteinander kommunizieren zu lassen, um komplexe mehrstufige Prozesse zu digitalisieren. Jede Anwendung führt eine spezifische Berechnung durch, die aus einer oder mehreren Metriken besteht, die ausgewertet werden, um Ergebnisse in einem definierten Format zu erzeugen. Diese Ergebnisse werden dann verwendet, um Zustandsinformationen zu ermitteln, die an einen zentralen Hub übertragen werden können, wo logikbasiertes Reasoning angewendet wird, um eine Diagnose

bestimmter Fehlermodi und entsprechende Empfehlungen zu erstellen.

Insbesondere eignet sich ein solches Informationsmodell sehr gut für die Anwendung im Bereich der Prädiktiven Instandhaltung. Ein relevanter Industriezweig ist die Windenergie, wo ein hohes Kostensenkungspotenzial durch die Einführung von Prädiktiver Instandhaltung anstelle von traditionelleren Wartungsstrategien wie Run-to-Failure oder zeitbasiertem

Komponententausch identifiziert wurde.

2. Problemstellung

-6-

Betreiber großer Flotten von Erneuerbarer Energieanlagen, z. B. Windkraftanlagen, stehen vor einer komplexen Herausforderung in Bezug auf Betrieb und Wartung. Im Allgemeinen besteht eine Flotte von Turbinen aus einer Reihe verschiedener Typen, die von verschiedenen Herstellern produziert werden, unterschiedliche Konfigurationen haben und unterschiedliche Alter und Betriebsgeschichte haben. Jede einzelne Turbine umfasst viele Subsysteme und Komponenten, und jede unterliegt einer großen Anzahl potenzieller Fehlermodi. Um die Betriebsverfügbarkeit und die Energieproduktion der Flotte zu maximieren, ist der Betreiber

gefordert, die Flotte trotz dieser anspruchsvollen Randbedingungen effektiv zu warten.

Typischerweise verfügt ein Betreiber einer Flotte von Windenergieanlagen bereits über eine Wartungsstrategie, die möglicherweise aus einer Mischung aus eher traditionellen Aktivitäten (zeitbasierte Wartung, reaktive Reparatur) sowie einigen Elementen fortschrittlicher zustandsorientierter Methoden besteht. In den letzten Jahren wurde das hohe Potenzial für Effizienzverbesserungen bei gleichzeitiger Kostenreduzierung durch die Einführung von Prädiktiver Instandhaltung gut verstanden. Darüber hinaus hat das Aufkommen von BigData-Analytik und Künstlicher Intelligenz ebenfalls zu einer starken Fokussierung auf diesen Bereich beigetragen. Trotz dieses großen Interesses haben die derzeitigen Ansätze zur Betriebsdatenanalyse und zur Prädiktiven Instandhaltung, die durch künstliche Intelligenz unterstützt werden, jedoch nicht ihr volles Potenzial erreicht. Die beiliegende Erfindung zielt darauf ab, mehrere der Einschränkungen der aktuellen Methodik zu adressieren und einen effektiveren Ansatz für die Analyse von Betriebsdaten bereitzustellen, der ein verteiltes

Informationsnetzwerk in Kombination mit Augmented Intelligence nutzt.

3. Stand der Technik und Grenzen

3.1 Übergang, von bestehenden Prozessen zur Prädiktiven Instandhaltung,

Ein Windkraftanlagenbetreiber, der Prädiktive Instandhaltung einführen möchte, muss typischerweise einen Übergang von bestehenden, eher traditionellen Prozessen (zeitbasierte, planmäßige Wartung) zu dem gewünschten Prozess erreichen. Der aktuelle Prozessablauf kann mehrere Aktivitäten beinhalten, die jeweils Input- und Output-Informationsflüsse erzeugen, die wahrscheinlich teilweise (aber selten vollständig) digitalisiert werden. Siehe

dazu das vereinfachte Schema in Abbildung 1.

„7-

Basierend auf dieser Ausgangssituation kann eine High-Level-Spezifikation für den neuen, digitalisierten Prozess abgeleitet werden, einschließlich der Identifizierung spezifischer Prozessschritte innerhalb des bestehenden Prozesses, die durch die Digitalisierung verbessert werden können - siehe Abbildung 2. Anschließend wird das Potenzial neuer Softwareanwendungen zur Automatisierung dieser Schritte und damit zu einem optimierten und hochautomatisierten Prozess bewertet. Basierend auf dieser Bewertung werden die

Anforderungen an die neue Software abgeleitet.

Angesichts der Notwendigkeit, einen Übergang von einem bestehenden Zustand (traditionelle Instandhaltung) zu einem verbesserten Ansatz (Prädiktive Instandhaltung) zu erreichen, ist es fast immer eine Anforderung, dass alle neuen Softwareanwendungen in der Lage sein müssen, nicht nur untereinander, sondern auch mit der bestehenden digitalen Infrastruktur und den Prozessen als Teil eines logischen Informationsflusses höherer Ordnung zu kommunizieren. Die Reihenfolge der Schnittstellen und der Ein-/Ausgänge jeder Anwendung ist stark von der technischen Domäne abhängig (z. B. Prädiktive Instandhaltung von Windkraftanlagen). Daher kann es eine große Herausforderung sein, den oben beschriebenen Übergangsprozess mit standardisierten, generischen Softwarelösungen zu unterstützen. Oft ergibt sich daraus die Anforderung, die gesamte bestehende SoftwareInfrastruktur komplett durch eine neue End-to-End-Lösung zu ersetzen, was zu extrem hohen Entwicklungs- und Implementierungskosten führt. Die Implementierungszeiten für solche Aktivitäten übersteigen oft den Lebenszyklus der eingesetzten Softwaretechnologie, was zu

einem Bedarf an kontinuierlichen Änderungen und Upgrades des Gesamtsystems führt.

Als Antwort auf solche Herausforderungen beginnen IT-Spezialisten, die im IoT-Bereich tätig sind, spezifische Analyse-Tools anzubieten, die individuell entwickelt und vertrieben werden können, zum Beispiel über Applikationsmarktplätze. Industrielle Betreiber können aus einer Reihe von Anwendungen auswählen und diese mit einem höheren Grad an Flexibilität als in der Vergangenheit in ihre bestehende Infrastruktur einbauen. Eine verbesserte Konnektivität wird durch Fortschritte bei der Standardisierung von Kommunikationsprotokollen und eine

zunehmende Übernahme von Standardschnittstellen in Form von "APIs" erreicht.

Das schrittweise Hinzufügen neuer Funktionen zu einem bestehenden System ist jedoch eine Herausforderung und stellt oft nicht sicher, dass die Gesamtlösung effektiver ist, da es auch

entscheidend ist, dass der digitale Workflow Informationen in der richtigen Reihenfolge

-8-

verarbeitet und dass das System schließlich nützliche Ausgaben produziert. Bei einem Thema mit hoher Komplexität wie der Prädiktiven Instandhaltung ist die Erstellung solcher Workflows in Kombination mit sich ständig weiterentwickelnden Informationstechnologien

äußerst anspruchsvoll.

Digitale Workflows, die mehrere Informationsströme und Anwendungen kombinieren, müssen von hochrangigen Task Managers verwaltet werden, um den Prozess zu "orchestrieren". Anwendungen müssen in einer bestimmten Reihenfolge ausgelöst werden, und zwar nur dann, wenn die erforderlichen Eingaben vorhanden sind und unter Berücksichtigung abhängiger organisatorischer Prozesse. Diese Anforderung ist oft äußerst

schwierig zu erfüllen, was zu hochkomplexen Lösungen mit geringer Robustheit führt.

3.2. Big Data-Analytik, KI und Cloud-Infrastruktur

Software, die im Bereich der Prädiktiven Instandhaltung eingesetzt wird, wird typischerweise in Form von mehreren Anwendungen, Datenbanken und Informationsmanagementsystemen bereitgestellt, von denen jedes eine bestimmte Funktionalität bietet. Die Größe, der Umfang

und die Komplexität jedes einzelnen Systems können stark variieren.

Die zugrundeliegende Hardware wird typischerweise in Form von virtualisierten Servern (entweder vor Ort oder in der Cloud) bereitgestellt, wobei die Ressourcen von den Anwendungen durch eine dazwischenliegende Abstraktionsschicht (z. B. einen virtuellen Server) getrennt sind. Im Allgemeinen erlaubt die Struktur solcher Systeme das Hinzufügen zusätzlicher Hardwareressourcen zum virtualisierten Server nach Bedarf, und die Anwendungen können aus einem offenen oder teilweise kontrollierten Marktplatz ausgewählt werden. Dies ermöglicht eine große Flexibilität beim Aufbau und der Skalierung

von Gesamtlösungen.

Wie oben beschrieben, bestehen digitalisierte Prozesse wie die der Prädiktiven Instandhaltung typischerweise aus mehreren Schritten, die in einem Workflow verbunden sind. Bei jedem Schritt werden Eingabedaten gesammelt, von einer Softwareanwendung verarbeitet und Ausgaben generiert. Im Fall der Prädiktiven Instandhaltung beziehen sich diese

Entscheidungen typischerweise auf den Zeitpunkt und die Art der durchzuführenden

-9-

Wartungsaufgaben und möglicherweise auf die erforderlichen Werkzeuge, das Personal und

andere Ressourcen.

Die aktuelle Praxis ist stark auf die Umwandlung von Daten in Informationen, Erkenntnisse und Entscheidungshilfen durch sogenannte "Big Data Analytics" und AT (Artificial Intelligence) ausgerichtet. Vereinfacht ausgedrückt. Die Beziehung zwischen verfügbaren Eingabedaten und dem Verhalten eines Systems, das einer drohenden Störung unterliegt, wird automatisch abgeleitet, wobei ein datengetriebener Ansatz verwendet wird. Typischerweise werden alle erforderlichen Eingabedaten an einen einzigen Ort (z. B. einen bestimmten Cloud-Server) übertragen und für die Analyse strukturiert. Beispiele für Daten, die für die Betrachtung in einer solchen Analyse relevant sein können, sind in Abbildung 3

dargestellt.

Softwareanwendungen werden an derselben physikalischen Adresse installiert und dann bestimmten Datenanalyseaufgaben zugewiesen. Damit „supervised“ oder „unsupervised”“ KI-Algorithmen automatisch die Beziehung zwischen einer gesunden und einer nicht gesunden Windkraftanlage erkennen können, müssen Beispiele für beide im Datensatz vorhanden sein. Außerdem müssen alle Daten, die für die Gesamtdiagnose verwendet werden sollen, gleichzeitig vorhanden sein. Eine vereinfachte Darstellung dieser Architektur ist in Abbildung 4 zu sehen. Der KI-Algorithmus wird versuchen, spezifische Regeln zu definieren, die die verfügbaren Eingabedaten mit dem Gesundheitszustand der Turbine in Beziehung setzen, und diese Regeln werden validiert und auf Wiederholbarkeit geprüft. Sobald die gelernten Beziehungen etabliert sind, können sie dann für zukünftig empfangene Überwachungsdaten verwendet werden, um fehlerhafte Turbinen automatisch zu erkennen

und zu diagnostizieren.

Der oben beschriebene Ansatz unterliegt mehreren Einschränkungen, die seine praktische

Anwendung behindern. Diese Probleme sind wie folgt definiert:

a. Die Übertragung aller erforderlichen Eingaben an einen einzigen Ort erfordert oft, dass große Daten- und Informationsmengen über Netzwerke übertragen werden müssen. Dies führt oft zu Problemen aufgrund der Datensicherheit (die insbesondere während der Übertragung kompromittiert werden kann). In einigen Fällen können

Unternehmensrichtlinien oder rechtliche Beschränkungen die Übertragung von Daten oder

-10-

die Speicherung an einem alternativen Standort verbieten; diese Barriere wird in Zukunft wahrscheinlich immer relevanter werden, da die Bedenken hinsichtlich der Cybersicherheit

zunehmen.

b. Auch hier ist aufgrund der Notwendigkeit, große Datenmengen an einen zentralen Ort zu übertragen, typischerweise ein stabiles Netzwerk mit hoher Bandbreite erforderlich. Datengetriebene Kl-Ansätze wie neuronale Netze oder Clustering erfordern typischerweise, dass alle Eingabedaten nicht nur am selben physikalischen Ort, sondern auch synchron zur Verfügung stehen; d. h. eine komplette Analyseaufgabe wird fehlschlagen, wenn ein einzelner

Eingabedatenstrom zu einem bestimmten Zeitpunkt fehlt.

c. Die Übertragung und Speicherung großer Datenmengen auf Cloud-Servern ist typischerweise kostspielig, zumal kommerzielle Cloud-Dienste typischerweise eine

skalierbare Kostenstruktur anwenden, die proportional zum Ressourcenbedarf steigt.

d. Die korrekte Identifizierung und Sammlung der benötigten Daten (mit geeignetem Inhalt, Auflösung, Struktur) erfordert ein detailliertes Verständnis der technischen Domäne (z. B. Prädiktive Instandhaltung für Windkraftanlagen). Darüber hinaus erfordert die Entwicklung einer vollständigen, zentralisierten Speicherlösung a-priori-Wissen über den gesamten Prozess, der implementiert werden soll. In der Phase, in der eine Datenerfassungsund Speicherlösung erstellt wird, ist dieser Wissensstand oft nicht vorhanden. Daher wird häufig ein iteratives Vorgehen angewandt; eine erste Lösung wird mit hohem Aufwand implementiert, erste Versuche zur Erreichung des angestrebten digitalisierten Prozesses werden unternommen, dann werden Verbesserungen an der Systemarchitektur

vorgenommen, um Defizite zu beheben. Dies ist oft sehr zeitaufwendig und ineffizient.

4. Optionaler Aspekt der Erfindung: Augmented-Intelligence-Verfahren

Um die oben beschriebenen Einschränkungen zu beheben, wird optional ein neuer Arbeitsprozess sowie eine neue Informationsarchitektur vorgeschlagen. In Kombination werden diese Innovationen die effektive Implementierung einer digitalen Lösung für die Anwendung der vorausschauenden Wartung auf große Flotten von Windkraftanlagen ermöglichen. Zusammen werden diese Neuerungen als "Augmented Intelligence Process"

bezeichnet.

-11-

Das Hauptunterscheidungsmerkmal zwischen dem Augmented-Intelligence-Prozess und dem bestehenden datengetriebenen Ansatz der Künstlichen Intelligenz ist die Anwendung von vorbekanntem Domänenwissen, um die erforderlichen Informationsinputs für die Analyse (Vorhersagekritische Daten) sowie die spezifischen Merkmale in den Daten zu identifizieren, von denen erwartet wird, dass sie den höchsten Informationsgehalt enthalten. Sobald diese Merkmale vollständig definiert und mathematisch beschrieben sind, kann die Rechenleistung genutzt werden, um den Prozess des Auffindens und Extrahierens dieser Merkmale aus den Daten zu automatisieren. Da der erwartete Informationsgehalt der Daten vor der Berechnung identifiziert wird, kann das Problem in mehrere Teile (und spätere Softwareanwendungen) aufgeteilt werden, wobei sich jeder Teil mit der Analyse einer Teilmenge des Gesamtdatensatzes beschäftigt. Daher kann die Datenverarbeitung dezentralisiert werden, und nur die Ergebnisse müssen für die letzte Stufe der logischen Schlussfolgerungen und die Ableitung von Ergebnissen und Empfehlungen zentralisiert

werden.

Es werden Prioritäre Themen in Bezug auf die Leistung und Verfügbarkeit der Turbinen in der Flotte identifiziert und diese Probleme werden dann im Detail untersucht. Es werden spezifische Analyseaufgaben identifiziert, die erforderlich sind, um Informationen zu liefern, die für die Aufgabe der automatischen Fehlererkennung und -diagnose (d. h. die Analyse, die erforderlich ist, um Zustandsinformationen zu erhalten) als am relevantesten erachtet werden. Jede Analyseaufgabe wird dann mit Hilfe von Softwaretechnologie automatisiert, die in Form von individuellen Anwendungen erstellt wird. Mehrere Anwendungen werden eingesetzt und über ein Informationsnetzwerk verbunden, wobei jede Anwendung auf einem physischen Computer läuft, wobei die Software möglicherweise durch Containerisierung von der Hardware getrennt ist. Anwendungen, die in einem einzigen System kombiniert sind, werden sich in der Regel an mehreren Standorten befinden. Jede Anwendung wird spezifische Eingaben (Vorhersagekritische Daten) verwenden, um spezifische Ausgaben (Zustände) zu erzeugen, wobei alle Ausgaben an einen einzigen, zentralen Knoten zur Verarbeitung und Erzeugung von Diagnosen und Empfehlungen übertragen werden. Die Empfehlungen werden dann als Grundlage für die Auslösung spezifischer Wartungsaktivitäten verwendet, die an den Windturbinen durchgeführt werden, um Ausfälle zu vermeiden oder die Leistung

zu verbessern.

„12 -

4.1. Technische Bewertung

° Der Prozess beginnt mit einer übergeordnete Bewertung einer Referenzflotte von in Betrieb befindlichen Turbinen, für die ein neuer, auf Augmented-Intelligence basierender, Prädiktiver Instandhaltungsansatz eingeführt werden soll. Historische Ausfälle und die daraus resultierenden Kosten werden bewertet, um eine short-list Prioritärer Themen zu identifizieren, für die die Reduzierung ungeplanter Ausfälle und damit der gesamten

Reparaturkosten ein vorrangiges Ziel ist.

° Für jedes der ausgewählten Prioritären Themen (z. B. häufige und kostspielige Ausfälle in einem bestimmten Teil der Turbine) wird eine detaillierte technische Bewertung durchgeführt. Die betroffenen Systeme, Komponenten und Fehlermodi werden detailliert analysiert und multidisziplinäres Fachwissen (Technik, Physik, Materialwissenschaft, Service, Datenwissenschaft) wird angewandt, um die Ursache der historischen Probleme so detailliert

wie möglich zu verstehen.

° Für jedes der Prioritären Themen wird dann ein Satz historischer Daten genommen, der die Spezifikation, den historischen und den aktuellen Betriebszustand spezifischer Windturbinen beschreibt, für die Ausfälle des identifizierten Typs bekannt sind. Beachten Sie, dass Beispiele für die Art der typischerweise verfügbaren Daten bereits in Abbildung 3 gezeigt wurden. Die Daten werden im Allgemeinen auf der Grundlage der erwarteten Relevanz für die Aufgabe der Prädiktiven Instandhaltung ausgewählt, was wiederum auf Fachwissen

basiert.

° Nach einer Überprüfung der verfügbaren Daten und unter Bezugnahme auf das Ergebnis der technischen Bewertung wird für jedes Problem eine Methodik vorgeschlagen, mit der die Daten zur Vorhersage, Erkennung und/oder Diagnose zukünftiger Ereignisse des betreffenden Problems verwendet werden können. Diese Hypothese bildet die Grundlage für das analytische Modell und die zugehörige(n) Software-Anwendung(en). Die Hypothese wird nach einem strengen Informationsmodell erstellt, das in Abschnitt 4.2 ausführlich beschrieben

wird.

° Bei der Formulierung der Hypothese ist es wichtig zu beachten, dass aus allen

verfügbaren Daten eine Teilmenge ausgewählt wird, von der erwartet wird, dass sie für die

„13 -

Vorhersage, Erkennung und / oder Diagnose des Problems geeignet ist (d. h. die Vorhersagekritischen Daten). Diese Auswahl wird durch ein detailliertes Verständnis der Bedingungen ermöglicht, die vorhanden sein müssen, damit das Problem auftritt, und auch durch den erwarteten Unterschied im Verhalten zwischen einem System, das unter dem Problem leidet, und einem normalen, gesunden System. Diese Bedingungen können sich im Laufe der Zeit ändern, wenn sich ein bestimmtes Problem entwickelt, daher können sich auch

die Daten, die für die Analyse relevant sind, im Laufe der Zeit ändern.

° Das Ergebnis dieser Bewertung ist, dass die Gesamtaufgabe, die verfügbaren Eingabedaten mit der gewünschten Ausgabe (Diagnose, Prognose) in mehrere getrennte Teilaufgaben aufgeteilt werden kann. Für jede Teilaufgabe kann eine Teilmenge der insgesamt verfügbaren Eingabedaten als Eingabe ausgewählt und zur Erzeugung von Zustandsinformationen verwendet werden. Diese Zustände werden dann später rekombiniert und verwendet, um die endgültige gewünschte Fehlerdiagnose zu erstellen, und zwar durch das unten beschriebene Informationsmodell. Die Aufteilung der Gesamtmenge der Eingabedaten in Teilmengen auf der Grundlage eines Verständnisses der relevanten Gruppierung ermöglicht die Anwendung einer Netzwerkarchitektur, bei der jede Teilaufgabe auf der Grundlage lokal gespeicherter Daten ausgewertet wird, aber möglicherweise jede Teilaufgabe an einem eindeutigen Ort ausgeführt wird. Außerdem bedeutet die Aufteilung der Aufgabe in Teilaufgaben, dass Teilaufgaben asynchron ausgeführt werden können, wobei jede Teilaufgabe Ergebnis- und Zustandsinformationen berechnet, sobald die zugehörige Teilmenge an Daten verfügbar ist. Auf diese Weise kann das Gesamtsystem eine inkrementelle Ausgabe liefern, die auf den zu einem bestimmten Zeitpunkt verfügbaren Informationen basiert, anstatt von der Verfügbarkeit aller Eingaben abhängig zu sein, um eine Ausgabe zu

erzeugen.

4.2. Informationsmodell

° Der Zusammenhang zwischen den verfügbaren Eingangsdaten und schließlich der Vorhersage, Erkennung und / oder Diagnose von Fehlern im überwachten System wird durch die Anwendung eines mehrstufigen, strengen Informationsmodells abgeleitet. Siehe Abbildung 5.

° Die verschiedenen Komponenten dieses Modells sind in der folgenden Tabelle definiert,

und die logischen Beziehungen zwischen den Modellkomponenten sind in der nachfolgenden

„14 -

Tabelle definiert. Die strikte Einhaltung dieses Informationsmodells ist notwendig, um sicherzustellen, dass Probleme, die in mehrere Teile zerlegt sind (und Softwareanwendungen

- siehe 4.3 unten), dennoch Komponenten eines Gesamtsystems bilden können.

Die folgende Tabelle nennt die Komponenten des Informationsmodells und deren

Definitionen:

Begriff Definition

Eingabe Vorhersagekritische Daten, wie in den Beispielen in Abbildung 3 dargestellt.

Metrik Ein spezifisches Mittel zur Klassifizierung des Verhaltens eines Signals oder eine mathematische Methode zum Extrahieren bestimmter Merkmale, von denen erwartet wird, dass sie in den Eingabedaten vorhanden sind. Die Ausgabe einer Metrik ist ein einzelnes

Ergebnis.

Ergebnis Ein einzelner, skalarer Wert, der aus einer spezifischen Berechnung resultiert, die von einer

Softwareanwendung durchgeführt wird und auf einer Metrik basiert.

Zustand Eine oder mehrere Beobachtungen, die sich auf den Betriebszustand beziehen und mit einer einzelnen Turbine verbunden sind. Mehrere Zustände können von einem einzigen Ergebnis abgeleitet werden, und jeder Zustand wird erzeugt, wenn die Ergebnisse bestimmte definierte Eigenschaften aufweisen (z. B. Überschreiten eines Schwellenwerts,

der als Parameter angegeben wird).

Parameter Ein Satz von numerischen Werten, die spezifisch für eine einzelne Turbine, einen bestimmten Turbinentyp oder generisch für alle Turbinen gelten können. Parameter können in den Berechnungsmethoden referenziert werden, die innerhalb einer Metrik verwendet werden, und können basierend auf dem Feedback der generierten Ergebnisse

geändert werden.

Output Ein oder mehrere Zustände werden kombiniert, um einen Output zu erzeugen, der typischerweise aus einer Diagnose und präskriptiven Informationen besteht. Dies kann zum

Beispiel eine Aussage über den gegenwärtigen oder voraussichtlichen zukünftigen Zustand

-15-

eines bestimmten Systems innerhalb der Windturbine sein, begleitet von empfohlenen

Folgemaßnahmen.

Die nächste Tabelle zeigt definierte Beziehungen zwischen Komponentenpaaren im

Informationsmodell:

ID Relation

1 N Eingaben können in 1 Metrik verwendet werden

2 1 Metrik kann N Ergebnisse erzeugen

3 1 Ergebnis kann 1 Zustand erzeugen, basierend auf einer definierten Regel

4 Zustandsregeln können Parameter enthalten

5 N Zustände können in 1 Diagnose verwendet werden

6 Zustände können als Eingaben für neue Metriken verwendet werden

7 1 Metrik kann N Parameter zur Verwendung in der Berechnung aufrufen

8 1 Ergebnis kann zur Aktualisierung oder Änderung von N Parametern verwendet werden ° Typischerweise wird das Ergebnis der zuvor beschriebenen technischen Bewertung auf

dieses Informationsmodell abgebildet, wobei ein umgekehrter logischer Ansatz verwendet wird. Die identifizierten Probleme (z. B. der Fehlermodus einer Komponente) werden im Detail untersucht, und der Output wird als die Information definiert, die erforderlich ist, um einen Mehrwert für den Betreiber der Windkraftanlage zu schaffen. Dies kann z.B. eine Aussage über die Wahrscheinlichkeit eines zukünftigen Ausfalls der Komponente sein, oder eine Ursachendiagnose, die die Details des Fehlers und die empfohlenen Abhilfemafsnahmen beschreibt. Sobald der gewünschte Output definiert ist, werden die Zustände, die zum Erreichen dieses Outputs erforderlich sind, betrachtet und definiert. Diese Zustände können aus bestimmten Aktivitäten abgeleitet werden, die zu einem bestimmten Zeitpunkt stattgefunden haben, aus Beobachtungen, die von einem menschlichen Bediener durchgeführt wurden, oder aus automatisch aus Daten extrahierten Merkmalen. Jeder Zustand ist inhärent mit einem Ergebnis gekoppelt, da der Zustand durch den Vergleich des Ergebnisses mit einigen vordefinierten Schwellenwerten (Festwerten) oder Parametern (Variablen) bestimmt wird. Metriken sind erforderlich, die definierte Operationen auf der Grundlage bestimmter

Eingaben ausführen und ein oder mehrere Ergebnisse erzeugen.

-16-

° Um ein Beispiel zu geben, betrachten Sie den Fall eines Betreibers, der unter Leistungsverlusten leidet, die einige Turbinen einer großen Flotte betreffen. Der benötigte Output ist, vereinfacht ausgedrückt, ein Hinweis auf jede Turbine, die unter den aktuellen Umgebungsbedingungen weniger Leistung produziert als sie sollte. Das Informationsmodell kann wie folgt aufgebaut sein:

o Output: Eine Aussage über das Ausmaß des Leistungsverlustes, der eine bestimmte Turbine betrifft, und die Identifikation der betroffenen Turbine.

o Zustand: Turbine, die im letzten Monat mit einer Verlustleistung betrieben wurde, die einen Schwellenwert von X überschritten hat.

o Ergebnis: Berechnete Turbinen-Verlustleistung während des letzten Monats, verglichen mit dem Parameter X (Schwellenwert).

o Metrik: Berechnung der Turbinen-Verlustleistung in Abhängigkeit von den Umgebungsbedingungen. Ergebnisberechnung für Turbinen, von denen bekannt ist, dass sie in gesundem Zustand sind, um den Parameter X zu definieren.

o Eingabe: Betriebsdaten, die zur Quantifizierung der Umgebungsbedingungen und der Turbinenleistung erforderlich sind, z. B. Windgeschwindigkeit, Luftdichte, gemessene

Leistung, erwartete Leistung.

° Wie im obigen Beispiel und auch in der vorangegangenen Tabelle, die die Komponenten des Informationsmodells und deren Definitionen nennt, erwähnt, können Parameter als Referenz bei der Bestimmung des Zustands verwendet werden. Ein Ergebnis wird mit einem Parameter verglichen, und gemäß einer bestimmten vordefinierten Regel wird entschieden, ob Zustandsinformationen erzeugt werden sollen oder nicht. Es ist wichtig zu beachten, dass, obwohl Ergebnisse und somit Zustände auf lokaler Ebene generiert werden (d. h. in der Nähe der Eingangsdaten und auf einem "Knoten", siehe unten), die Parameter auf globaler Ebene verfügbar sind, d. h. über alle Knoten im System. Tatsächlich werden die Parameter im Hub gespeichert, wo sie auf der Grundlage der an allen Knoten im Netzwerk erzeugten Ergebnisse kontinuierlich aktualisiert werden. Darüber hinaus können, müssen aber nicht, die Parameter ständig mit allen Knoten synchronisiert werden, so dass jede lokal an einem Knoten durchgeführte Berechnung auf diese Parameter Bezug nehmen kann, um zu definieren, ob Zustandsinformationen erzeugt werden sollen oder nicht. Durch diesen Ansatz kann ein

verteiltes Netzwerk von Analyseaufgaben so orchestriert werden, dass das Gesamtsystem von

„17 -

einem Kompromiss zwischen verteilter Analyse, die nahe an der Datenquelle durchgeführt wird, und zentraler Intelligenz, die aus den Ergebnissen aller im Netzwerk durchgeführten

Analysen lernt und Feedback liefert, profitiert.

4.3. Individuelle Software-Anwendungen

° Nachdem das Informationsmodell wie oben beschrieben erstellt wurde, werden Software-Anwendungen entwickelt, die die mehrstufige Aufgabe der Umwandlung des Inputs in den erforderlichen Output automatisieren. Aufgrund der Verwendung der technischen Systembewertung und der Anwendung von Domänenexpertise in dem Prozess (wie zuvor beschrieben) ist die Anzahl der benötigten Inputs (vorhersagekritische Datenquellen) endlich und ihre Art ist gut definiert. Daher wird es in diesem Stadium auch möglich sein, die wahrscheinliche Quelle und den physischen Ort der für die Vorhersage entscheidenden Daten zu identifizieren. Das komplette Informationsmodell sollte dann so aufgeteilt werden, dass jede Metrik mit den für die Berechnung dieser Metrik erforderlichen prognosekritischen Daten gruppiert wird. In einigen Fällen kann dies zu mehreren Gruppen führen, die sich aus der typischerweise verteilten Natur der Eingabedaten ergeben.

° Für jede Gruppe von Metriken wird eine einzelne Softwareanwendung entwickelt. Unter der Voraussetzung, dass alle erforderlichen Eingaben (für die Vorhersagekritischen Daten) verfügbar sind und alle referenzierten Parameter zugänglich sind, ist die Anwendung in der Lage, die durch die Metrik definierte Berechnung durchzuführen und Ergebnisse sowie alle damit verbundenen Zustände zu generieren.

° Durch diesen Ansatz können komplexe Probleme, die mit Eingabedaten (VorhersageKenndaten) zu tun haben, die über mehrere Standorte verteilt sind, partitioniert werden, d. h. in mehrere Gruppen aufgeteilt werden, wobei eine einzige Softwareanwendung die Bestimmung der Zustände für jede Gruppe löst. Jede Anwendung benötigt nur eine einzige Schnittstelle zu den prädiktionskritischen Daten sowie den Zugriff auf die Parameter. Es werden Zustände erzeugt, die später zum Output kombiniert werden, wie später beschrieben

wird.

4.4. Knoten, Container und Verteilung von Anwendungen

„18 -

° Wie oben beschrieben, besteht einer der Hauptvorteile des Augmented-IntelligenceVerfahrens darin, dass jede Anwendung an einem Ort gespeichert werden kann, der so nah wie möglich an den benötigten Eingabedaten liegt. Dadurch werden viele der in Abschnitt 3.2 beschriebenen Probleme in Bezug auf Datentransfer, Cybersicherheit und Dateneigentum

vollständig vermieden.

° Die Softwareanwendungen werden in eigens entwickelten "Nodes" bereitgestellt, von denen jeder eine Umgebung bietet, in der die Apps arbeiten können. Die Nodes werden häufig in Containern untergebracht, so dass sie problemlos auf verschiedenen Betriebssystemen eingesetzt werden können, die entweder mit physischen oder virtualisierten Computerressourcen verbunden sind. Jeder Knoten ist über ein Netzwerk mit einem Hub verbunden, mit dem Input- und Output-Informationen ausgetauscht werden (siehe Abschnitt

4.5).

° Jeder Knoten enthält einen Mapping Layer, der durch Synchronisation mit einem im Hub gespeicherten Mapping Package (siehe später) gepflegt und regelmäßig aktualisiert wird. Die Mapping-Schicht hat die folgenden Eigenschaften:

Oo Der Mapping Layer definiert ein Standardformat für alle Eingaben, die von den Anwendungen benötigt werden, um in Containern platziert zu werden (Struktur, Inhalt, Benennung). Darüber hinaus definiert der Mapping Layer die Beziehung zwischen allen Eingaben, die voraussichtlich durch die Kombination aller zugrunde liegenden Cloud-

Infrastrukturen bereitgestellt werden, und dem erforderlichen Standardformat.

Oo Der Gesamtumfang aller Eingaben (potenziell mehrere Datenströme) und Outputs (Zustände und Parameter) wird kontinuierlich wachsen, wenn im Laufe der Zeit zusätzliche Anwendungen erstellt werden und auch, wenn neue Cloud-Infrastrukturen zum Netzwerk hinzugefügt werden, die bisher unbekannte Informationsformate verwenden. Daher muss der Mapping Layer kontinuierlich aktualisiert werden, um die akkumulierten Beziehungen für alle potenziellen Kombinationen aus mehreren Cloud-Infrastrukturen und mehreren Anwendungen zu erfassen. Die Aktualisierungen werden durch einen menschlichen Export

durchgeführt, gefolgt von automatisierten Aktualisierungen im gesamten Netzwerk durch

„19 -

regelmäßige automatische Synchronisierung zwischen allen Knoten und dem Mapping-Paket

im Hub.

° Eine Illustration, die einen containerisierten Knoten zeigt, der mit einer CloudInfrastruktur verbunden ist, ist in Abbildung 6 zu sehen. Mehrere Turbinen können mit einer einzigen Cloud-Infrastruktur verbunden werden, so dass große Datenmengen an einem einzigen Knoten verarbeitet werden können, wie in Abbildung 7 dargestellt. Es ist auch zu beachten, dass die Knoten auch zur Verarbeitung von Eingangsdaten verwendet werden können, die von anderen Geräten als Windturbinen stammen, wie in Abbildung 8 dargestellt (z. B. Bergbauausrüstungen, Fahrzeuge, Flugzeuge usw.), sofern diese Geräte Daten erzeugen,

die für eine bestimmte Analyse von Bedeutung sind.

Abbildung 6 zeigt Softwareanwendungen, die in einen Container eingefügt werden, der eine Schnittstelle zur zugrunde liegenden Cloud-Infrastruktur sowie die Kommunikation mit den erforderlichen Eingängen, Ausgängen und Parametern bereitstellt. Diese Kombination aus

Container, Anwendung und einem Mapping Layer wird als "Node" bezeichnet.

Abbildung 7 zeigt, dass ein einzelner Knoten als Schnittstelle zu einem Cloud-Server oder einer Plattform verwendet werden kann, die Daten von einer großen Anzahl von in Betrieb befindlichen Windkraftanlagen enthält. Daher können große Datenmengen über eine

Standardschnittstelle an die Anwendung übertragen werden.

4.5. Hub und Informationsnetzwerk

° Durch die Anwendung einer technischen Bewertung, bei der einzelne Softwareanwendungen erstellt werden, von denen jede eine bestimmte Analyse unter Verwendung eines Satzes von Eingabedaten durchführt, um ein definiertes Output (Ergebnisse, Zustände) zu erzeugen, können komplexe Analyseprobleme in mehrere Teile aufgeteilt und an mehreren physischen Standorten ausgeführt werden. Knoten, die eine oder mehrere Anwendungen enthalten, können auf einer Vielzahl von On-Premise-ComputingRessourcen, kommerziellen Cloud-Diensten, Edge-Devices, die an Bord von Industriemaschinen wie Windkraftanlagen oder Passagieren laufen, oder sogar an Bord von

intelligenten Sensoren installiert und ausgeführt werden.

-20-

° Um jedoch letztendlich Erkenntnisse und Entscheidungshilfen auf Basis der Ergebnisse aller Analysen zu generieren, ist es notwendig, die Ausgabe aller Analysen über ein Netzwerk an eine zentrale Stelle zu übertragen, wo Schlussfolgerungen höherer Ordnung durchgeführt werden können. Daher beinhaltet der Augmented Intelligence Prozess auch einen Hub, mit dem alle Nodes über ein Informationsnetzwerk verbunden sind. Typischerweise besteht der Hub aus einer einzelnen, relativ komplexen Softwareanwendung, die auf skalierbaren Rechenressourcen arbeitet, wie sie z. B. von einer Industrial Computing Cloud bereitgestellt werden. Das Netzwerk, das den Hub mit einem oder mehreren Nodes verbindet, ist typischerweise das Internet. Daten, die von mehreren Flotten von Windkraftanlagen stammen, können zur Verarbeitung an den Hub übertragen werden, ebenso wie Daten von

anderen industriellen Geräten - siehe Abbildung 8.

° Der Informationstransfer zwischen den Knoten und dem Hub kann kontinuierlich oder intermittierend zu bestimmten Zeitpunkten oder ausgelöst durch bestimmte Bedingungen erfolgen. Dieser Informationstransfer wird typischerweise von einem Orchestrator verwaltet. Der von den Knoten an den Hub übertragene Output umfasst Ergebnisse und Zustände, wie

im Informationsmodell definiert (Abschnitt 4.2).

° Der Hub enthält eine Datenbank für die Speicherung von Parametern. Diese Parameter liefern spezifische Informationen über das Verhalten von Geräten (z. B. Windturbinen), die an das Netzwerk angeschlossen sind, und werden automatisch auf der Grundlage der Ergebnisse abgeleitet, die von einer oder mehreren Softwareanwendungen im Netzwerk erzeugt werden. Obwohl die Parameter im Hub generiert werden, werden sie auch kontinuierlich mit allen Knoten im Netzwerk ausgetauscht und können von den in den Anwendungen verwendeten

Metriken referenziert werden.

° Eine Entscheidungshilfemaschine, die sich im Hub befindet, wird verwendet, um alle Zustände, die von allen mit dem Netzwerk verbundenen Knoten kommuniziert werden, zu kombinieren und Ausgaben höherer Ordnung in Form von Diagnose, Beratungsinformationen und Entscheidungsunterstützung zu generieren - siehe Abschnitt 4.6

unten.

-21-

° Ein Mapping-Paket wird im Hub gespeichert, wie in 4.4 beschrieben; dieses Paket wird typischerweise regelmäßig von einem menschlichen Bediener aktualisiert und automatisch mit allen an das Netzwerk angeschlossenen Knoten synchronisiert. Insbesondere kann das

Mapping-Paket mit den Knoten geteilt werden, damit Inputs gemappt werden können.

4.6. Reasoning und Entscheidungsunterstützung

° Das Endergebnis des Augmented-Intelligence-Prozesses können beratende Informationen sein, die im Rahmen von Prozessen wie z. B. der Prädiktiven Instandhaltung einen Mehrwert darstellen. Da die anfänglichen Prozessschritte erfordern, dass die erwarteten Ergebnisse a-priori definiert werden, wie in Abschnitt 4.1 beschrieben, sollte ein korrekt konfiguriertes System Ergebnisse liefern, die transparent sind und von einem Menschen interpretiert und als Grundlage für die Durchführung von Optimierungsaufgaben verwendet werden können. Zum Beispiel kann das System eine Vorhersage über den bevorstehenden Ausfall einer bestimmten Komponente in einer Windkraftanlage liefern und Details zu den

empfohlenen präventiven Reparaturaktivitäten bereitstellen.

° Die Ausgabe erfolgt über eine Entscheidungshilfemaschine, die sich im Hub befindet. Die Entscheidungshilfemaschine verwendet logikbasierte Schlussfolgerungen, um die Beziehung zwischen den von allen Anwendungen innerhalb des Netzwerks gelieferten Zuständen und vordefinierten Diagnoseanweisungen abzuleiten. Mehrere Zustände, die möglicherweise von mehreren verschiedenen Anwendungen erzeugt werden, können in einer einzigen Regel referenziert werden, und wenn die Regel erfüllt ist, wird eine vordefinierte Ausgabe geliefert. In einigen Fällen können mehrere Regeln für dasselbe Ausgangsergebnis generiert werden, um ein flexibles System zu schaffen, das tolerant gegenüber dem Fehlen

einzelner Eingänge ist.

° Ein Beispiel ist in der folgenden Tabelle dargestellt. Es werden mehrere Regeln definiert, die für die Diagnose eines bestimmten Fehlerfalls (Hauptlagerausfall) verwendet werden können. In diesen Regeln wird auf insgesamt drei Zustände verwiesen, und je nach Anzahl der zum Zeitpunkt der Ausführung der Entscheidungshilfemaschine verfügbaren Zustände bietet die Ausgabe unterschiedliche Genauigkeitsgrade. Beachten Sie, dass sich die Regeln in

diesem Beispiel nur auf Zustände beziehen, die vorhanden sein müssen, damit eine mögliche

„-2-

Diagnose erfüllt ist. Komplexere Regeln können "UND"-, "ODER"- und "NICHT"-

Anweisungen gemäß der klassischen booleschen Argumentationslogik enthalten.

Die folgende Tabelle zeigt ein Beispiel für einen Satz von Regeln, die im Hub gespeichert sind und von der Entscheidungshilfe-Engine verwendet werden, um States in spezifische

Aussagen umzuwandeln.

Software-Anwendung Zustand Diagnose Empfehlung SCADA-Datenanalyse Hohe Hauptlagertemperatur | Lager HFC-Schaden ODER Führen Sie eine Thermoelementfehler Fettanalyse durch. ODER Fettalterung Prüfen Sie die Ergebnisse der CMS-

Schwingungsanalyse.

Fett-Analyse Hohe Hauptlagertemperatur | Lager HFC-Schaden ODER Prüfen Sie die Ergebnisse UND Fettverschmutzung Schmierfettalterung der CMS-

Schwingungsanalyse.

Schwingungsdaten- Hohe Hauptlagertemperatur | Lager HFC-Schaden Endoskopische Analyse UND Fettverschmutzung Inspektion durchführen, UND hohe Vibration um Schäden zu

bestätigen, Austausch von Komponenten

vorbereiten.

4.7. Selbstorganisierende digitale Prozesse

° Wie in Abschnitt 3.1 beschrieben, kommt es häufig vor, dass ein Betreiber einer Flotte von Windenergieanlagen einen bestehenden Wartungsprozess modifizieren möchte, mit dem Ziel, einen höher automatisierten, vorausschauenden Prozess zu erreichen. Diese Weiterentwicklung ist äußerst anspruchsvoll, wenn die Abfolge aller digitalen Prozessschritte explizit festgelegt werden muss. Der Augmented-Intelligence-Prozess vereinfacht dieses

Problem, indem er dem Hub erlaubt, die Decision Support Engine mit allen Zuständen

„23 -

auszuführen, die innerhalb eines bestimmten Zeitraums (z.B. 1 Monat) gesammelt wurden. Innerhalb dieses Zeitraums ist die Reihenfolge, in der die Zustände an den Hub übermittelt werden, nicht wichtig. Wenn darüber hinaus für eine bestimmte Analyse (z. B. Fehlerdiagnose) benötigte Zustände für den gegebenen Zeitraum nicht verfügbar sind, beeinträchtigt dies nicht die Fähigkeit des Systems, andere Analysen durchzuführen, für die möglicherweise alle benötigten Zustände verfügbar sind. Daher ist der Entscheidungsunterstützungsprozess von den Prozessen entkoppelt, die über das Informationsnetzwerk ausgeführt werden, um die erforderlichen Eingangsdaten zu erzeugen. Mit anderen Worten: Die einzelnen Anwendungen, die sich an den Knoten befinden, und die

Entscheidungshilfemaschine sind entkoppelt und können asynchron ausgeführt werden.

° Diese Entkopplung ermöglicht es, dass sich der digitale Prozess ohne strikte Workflows organisch über die Zeit entwickeln kann und der Output mehrerer Prozessschritte dennoch effektiv kombiniert und zur Generierung wertvoller Handlungsanweisungen genutzt werden kann. Eine vollständige a-priori-Definition des Gesamtprozesses im Voraus ist nicht mehr erforderlich, und der Informationsgehalt der Ausgabe der von der Entscheidungshilfemaschine durchgeführten Analyse kann im Laufe der Zeit verbessert werden, wenn mehr Informationen in Form von Zuständen am Hub verfügbar werden. Siehe

dazu die Abbildung und das Beispiel in Abbildung 9.

Abbildung 9: Ein Beispiel, das drei separate Softwareanwendungen zeigt, die für den Zweck der Vorhersage und Diagnose von Windturbinen-Hauptlagerausfällen entwickelt wurden. Jede Anwendung liefert einen bestimmten Zustand, aber die drei Zustände treffen nacheinander über einen Zeitraum von 2 Monaten ein. Die Entscheidungshilfemaschine ist in der Lage, alle drei Zustände als Teil eines einzigen Problems zu interpretieren und eine Diagnose und Empfehlung an einen Servicetechniker zu liefern. Mit jedem neu eintreffenden State wird der Grad der Vorhersage in der Diagnose durch die Verwendung der

Differenzialdiagnose verbessert, um die Anzahl der möglichen Fehler zu begrenzen.

5. Beispielfall

Eine Flotte von 30 Windturbinen ist in 3 Windparks mit jeweils 10 Windturbinen aufgeteilt. Es

wird Prädiktive Instandhaltung benötigt, um den Ausfall von Hauptlagern vorherzusagen, so

24 / 46

„24 -

dass ein proaktiver Austausch der Komponente möglich ist und somit die Kosten für einen

ungeplanten Ausfall minimiert werden.

Typischerweise kann der Zustand eines Hauptlagers durch die Berücksichtigung verschiedener Arten von Informationen ermittelt werden, die jeweils unterschiedlich strukturiert sind und für die es jeweils unterschiedliche Verfahren zur Erfassung, Speicherung und Interpretation der Informationen gibt. Die typischen Informationsquellen sind in der

Tabelle nach Abbildung 10 beschrieben.

Ein traditioneller Arbeitsablauf ist in Abbildung 11 dargestellt. Jede Informationsquelle wird an einem separaten Ort gespeichert, daher werden Analyse und Interpretation unabhängig voneinander durchgeführt. Die abschließende Überprüfung, Entscheidungsfindung und Nachverfolgung beruht auf einer manuellen Konsolidierung der Ergebnisse aus den vier Quellen (A bis D), einer manuellen Interpretation und schließlich der Generierung eines

Arbeitsauftrags.

Um das Element der manuellen Ergebnissammlung und -konsolidierung zu entfernen, kann ein modernerer "Big Data"-Ansatz mit Unterstützung von Kl-Analytik angewendet werden,

wie in Abbildung 12 dargestellt.

Dieser Ansatz unterliegt allen oben in Abschnitt 3 beschriebenen Einschränkungen. Durch die

Anwendung der vorgeschlagenen Erfindung werden die folgenden Verbesserungen erzielt:

1. Die Schwingungsanalyse-Anwendung für Indikatorreferenz A wird in einen Container verschoben, der auf dem ursprünglichen Server A gespeichert ist. Eingänge sind Hochfrequenz-Beschleunigungsdaten und Ausgänge sind nun Zustände, mit einem standardisierten Format und Syntax. Diese Zustände werden von der Anwendung

automatisch erzeugt und über den zentralen Bus automatisch an den Hub übertragen.

2. Die SCADA-Analyseanwendung für Indikatorreferenz B wird in einen Container verschoben, der auf dem ursprünglichen Server B gespeichert ist. Die Eingänge sind hochfrequente SCADA-Daten und die Ausgänge sind jetzt Zustände mit einem

standardisierten Format und einer standardisierten Syntax. Diese Zustände werden von der

„25 -

Anwendung automatisch erzeugt und über den zentralen Bus automatisch an den Hub

übertragen.

3. Die Berichte, die aus der Expertenanalyse für Indikatorreferenz C resultieren, werden in einem Container auf dem ursprünglichen Server C gespeichert. Die Berichte werden automatisch analysiert, relevante Informationen extrahiert und in Zustände umgewandelt, die

ebenfalls über den zentralen Bus an den Hub übertragen werden.

4. Die Berichte, die aus der Expertenanalyse für Indikatorreferenz D resultieren, werden in einem Container gespeichert, der sich auf dem ursprünglichen Server D befindet. Die Berichte werden automatisch analysiert, relevante Informationen extrahiert und in Zustände

umgewandelt, die ebenfalls über den zentralen Bus mit dem Hub geteilt werden

5. Ein Algorithmus zur Entscheidungsunterstützung wird erstellt und im Hub gespeichert. Diese Anwendung ist in der Lage, die Ausgaben aller vier Indikatoren (Referenzen A, B, C, D) zu verarbeiten und automatisch einen Arbeitsauftrag mit einer Beschreibung der erforderlichen Mafsnahmen zu generieren (z. B. Austausch des Hauptlagers an einer

bestimmten Turbine).

Der daraus resultierende Arbeitsablauf ist in Abbildung 13 dargestellt. Durch die Verwendung der Container in Kombination mit dem als zentraler Bus dargestellten Informationsnetzwerk werden die verschiedenen Komponenten des Gesamtworkflows über den Hub verbunden. Dies wird trotz der Tatsache erreicht, dass die verschiedenen Zustandsindikatoren auf mehrere verschiedene zugrunde liegende Server angewiesen sind. Durch die Hinzunahme der Entscheidungshilfemaschine wird ein bisher fehlender Prozessschritt hinzugefügt, wodurch der Automatisierungsgrad im Gesamtprozess erhöht

wird.

Abbildung 13 zeigt die Einführung neuer Analyseanwendungen auf den Servern C und D sowie die Einführung von Containern auf jedem der vier Server A,B,C,D. Außerdem wurde am Hub eine "Entscheidungshilfemaschine" hinzugefügt. Aufgrund der Konnektivität zwischen allen Containern und dem zentralen Bus können Informationen zwischen allen

Anwendungen und dem Hub ausgetauscht werden.

„26 -

Kurzbeschreibung, der Zeichnungen

Im Folgenden werden zur weiteren Veranschaulichung der vorliegenden Erfindung illustrative und nicht einschränkende Ausführungsformen erörtert, wie sie in den

Zeichnungen dargestellt sind, die zeigen:

Abbildung 1 eine vereinfachte Ansicht eines Prozesses, wie z. B. die Prädiktive Instandhaltung, mit Aufgaben, die als Teil eines vollständigen Arbeitsablaufs kombiniert sind. Jede Aufgabe nimmt Eingabedaten entgegen, führt eine Analyse oder Manipulation der Daten durch und gibt

ein Output zurück.

Abbildung 2 Nach der Definition eines gewünschten, optimalen Prozesses zeigt eine Überprüfung der IT-Architektur typischerweise, dass bestimmte Aufgaben/ Prozessschritte zur Verbesserung der Effizienz digitalisiert

werden können (Zielaufgabe als schattierter Kasten dargestellt).

Abbildung 3 Beispiele für Daten, die typischerweise für die Erkennung und Diagnose von bestehenden oder beginnenden Fehlern in laufenden Windenergieanlagen verwendet werden. Solche Daten sind sehr inhomogen, oft relativ

unstrukturiert und die Verfügbarkeit kann unterbrochen sein.

Abbildung 4 Zentralisierte Integration verschiedener Datentypen und Anwendung von A.L.-Analytik, um die Beziehung zwischen den Eingabedaten und dem Betriebszustand jeder Windenergieanlage in einer großen Flotte automatisch

zu bestimmen.

Abbildung 5 Informationsmodell, das verwendet wird, um die Beziehung zwischen Eingabedaten und Ausgabeergebnis wie z. B. einer Fehlerdiagnose zu

definieren.

Abbildung 6 Softwareanwendungen werden in einen Container eingefügt, der eine

Schnittstelle zur zugrunde liegenden Cloud-Infrastruktur sowie die

„27 -

Kommunikation mit den erforderlichen Eingängen, Outputs und

Parametern bereitstellt.

Abbildung 7 Ein einzelner Knoten kann als Schnittstelle zu einem Cloud-Server oder einer Plattform verwendet werden, die Daten von einer großen Anzahl von in Betrieb befindlichen Windkraftanlagen enthält. Beachten Sie auch, dass die Knoten auch zur Verarbeitung von Eingabedaten verwendet werden können, die von anderen Geräten als Windturbinen stammen, wie in Abbildung 8 dargestellt (z. B. Bergbauausrüstung, Fahrzeuge, Flugzeuge usw.), sofern diese Geräte Daten erzeugen, die für eine bestimmte Analyse

von Bedeutung sind.

Abbildung 8 Vollständige Architektur mit mehreren Knoten, die jeweils eine einzelne Anwendung enthalten und über mehrere Cloud-Server kombiniert sind. Daten und Informationen können von mehreren Geräten auf die CloudServer hochgeladen und an den Hub übertragen werden, um sie für

Schlussfolgerungen höherer Ordnung zu verwenden.

Abbildung 9 ein Beispiel, das drei separate Softwareanwendungen zeigt, die für den Zweck der Vorhersage und Diagnose von —WindturbinenHauptlagerausfällen entwickelt wurden. Jede Anwendung liefert einen bestimmten Zustand, aber die drei Zustände treffen nacheinander über einen Zeitraum von 2 Monaten ein. Die Entscheidungshilfemaschine ist in der Lage, alle drei Zustände als Teil eines einzigen Problems zu interpretieren und eine Diagnose und Empfehlung an einen Servicetechniker zu liefern. Mit dem Eintreffen jedes neuen Zustands wird der Grad der Vorhersage in der Diagnose durch die Verwendung der Differenzialdiagnose verbessert, um die Anzahl der möglichen Fehler zu

begrenzen.

Abbildung 10 Verschiedene Zustandsindikatoren (Metriken) werden als Teil eines vorausschauenden Wartungsworkflows für das Hauptlager der

Windkraftanlage berücksichtigt.

„28 -

Abbildung 11 Ein typischer Arbeitsablauf für Informationen zur Überwachung eines Windkraftanlagen-Hauptlagers als Teil eines _vorausschauenden Wartungsprozesses. Vier Informationsströme werden über mehrere Server verwaltet und schließlich werden die Ergebnisse manuell verglichen, um

eine Entscheidung zu treffen.

Abbildung 12 Big-Data-Ansatz für die Hauptlagerüberwachung, bei dem alle Eingabedaten an einen zentralen Server, X, übertragen werden. Es wird eine datengesteuerte Analyse durchgeführt (oder "künstliche Intelligenz") und dann werden Ergebnisse generiert, die die Grundlage für Arbeitsaufträge

bilden.

Abbildung 13 neue Analyseanwendungen, die auf den Servern C und D eingeführt wurden, sowie die Einführung von Containern auf jedem der vier Server A,B,C,D. Außerdem wurde am Hub eine " Entscheidungshilfemaschine " hinzugefügt. Aufgrund der Konnektivität zwischen allen Containern und dem zentralen Bus können Informationen zwischen allen Anwendungen

und dem Hub ausgetauscht werden.

Abbildung 14 durch den Augmented-Intelligence-Ansatz wird ein prioritärer Fehlermodus bewertet und die zur Diagnose des Fehlermodus erforderlichen Zustandsinformationen werden identifiziert (Zustände 1,2,3). Basierend auf diesen Informationen können die verfügbaren Daten in Gruppen von vorhersagekritischen Daten aufgeteilt werden, Gruppen

ABC.

Abbildung 15 Ein verallgemeinertes Beispiel, das zeigt, wie für einen bestimmten Fehlermodus alle vorhersagekritischen Daten, die in einem Netzwerk verfügbar sind, in drei Gruppen (A,B,C) aufgeteilt, an drei physisch getrennten Knoten verarbeitet und dann über ein Informationsnetzwerk

wieder zusammengeführt werden können.

Abbildung 16 gibt einen Überblick über die Merkmale der vorliegenden Erfindung.

Detaillierte Beschreibung von Ausführungsformen der Erfindung

„29 -

In den folgenden Figuren beziehen sich gleiche Bezugszeichen auf gleiche Merkmale, sofern

nicht ausdrücklich etwas anderes dargestellt ist.

Unter Bezugnahme auf die Figuren, insbesondere auf Fig. 16, wird die vorliegende Erfindung im Folgenden noch einmal erläutert: Fig. 16 zeigt ein Verfahren zur zumindest teilweise dezentralen Berechnung des Gesundheitszustands SH1 und SH2 mindestens einer Windenergieanlage 1 (siehe auch Fig. 7) auf Basis entsprechender WindenergieanlagenIndividualdaten D zur Ermöglichung einer Diagnose sowie präskriptiver Informationen zur

Vermeidung des Auftretens vorbekannter spezifischer Fehlermodi. Dieses Verfahren umfasst die folgenden Schritte a) bis f):

a) Empfangen der windturbinenindividuellen Daten D und von Informationen IN bezüglich vorbekannter spezifischer Fehlermodi FM und eines entsprechenden Satzes von Zuständen 5, die damit zusammenhängen, um Vorhersagekritische Daten cD von Nichtkritischen Daten ncD zu trennen, und Aufteilen der Vorhersagekritischen Daten cD in Gruppen cD1, cD2, wobei jede Gruppe cD1, cD2 die relevanten Daten rD enthält, um mindestens einen Zustand

S zu bestimmen,

b) Erzeugen einer Anzahl von dezentralen Knoten 2, wobei jeder Knoten 2 mit einem Informationsnetzwerk 3 verbunden ist und mindestens eine Gruppe cD1, cD2 der Vorhersagekritischen Daten cD empfängt und verarbeitet, und wobei jeder Knoten 2 konfiguriert ist, mindestens einen der Zustände 5 basierend auf der empfangenen Gruppe

cD1, cD2 der Vorhersagekritischen Daten cD zu bestimmen, c) wobei jeder Knoten 2 umfasst

- eine Mapping-Schicht ML, die Anforderungen an das Eingangsformat der mindestens einen Gruppe cD1, cD2 Vorhersagekritische Daten cD definiert und das Format eines

datenreduzierten Zustand Sout des Knotens 2 definiert, und

- mindestens eine Applikations-App zum Ermitteln des Zustands S, und Bereitstellen des

ermittelten Zustands 5 als datenreduzierten Zustand Sout an einen Hub 4 in Schritt d,

d) Verbinden der Knoten 2 mit einem Hub 4 über das Informationsnetzwerk 3, wobei der Hub

4 eine Entscheidungshilfemaschine 4a umfasst,

e) Übertragen des datenreduzierten Zustandes Sout eines jeden Knotens 2 an die

Entscheidungshilfemaschine 4a des Hubs 4, und

„30 -

f) Verwenden der Entscheidungshilfemaschine 4a, um einen windturbinenspezifischen Gesundheitszustand SH1, SH2 in Bezug auf jeden vorher bekannten spezifischen Fehlermodus FM basierend auf den datenreduzierten Zustand Sout der Knoten 2 von Schritt

e) zu berechnen.

Daher wird für einen bestimmten, vorrangigen Fehlermodus FM eine Diagnose von der Entscheidungshilfemaschine 4a erstellt, die auf Vorhersagekritische Daten cD basiert, die über das Netzwerk 3 verteilt bleiben. Es wurde ein dezentraler Ansatz zur Datenverarbeitung angewandt, indem die Analyseaufgabe auf die Knoten 2 aufgeteilt wurde, und die datenreduzierten Zustände Sout werden am Hub 4 kombiniert, um umsetzbare Informationen zu liefern, die vom Betreiber einer Flotte von Windturbinen verwendet werden können, um eine proaktive Wartung an ausgewählten Turbinen durchzuführen und das Auftreten von

Ausfällen zu vermeiden.

Vorzugsweise ist der Hub 4 so konfiguriert, dass sie mit jedem Knoten 2 in einer Rückkopplungsschleife kommuniziert, wobei jeder Knoten 2 so konfiguriert ist, dass er die Schwellenwerte in Abhängigkeit von der Rückmeldung des Hubs 4 anpasst. Aufserdem ist der Hub 4 mit einem Mapping-Paket 4c ausgestattet, wobei das Mapping-Paket 4c das

erforderliche Format des datenreduzierten Zustandes Sout der Knoten 2 definiert.

Das System kann so konfiguriert sein, dass es im Falle einer Nichtübereinstimmung des Formats der von dem Hub 4 empfangenen datenreduzierten Zustandsausgangsdaten Sout der Knoten 2 mit dem gemäß dem Mapping-Paket 4c des Hubs 4 erforderlichen Format reagiert, nämlich durch Nichtberücksichtigung dieser formatmäfßig nicht übereinstimmenden Daten

während des Schritts f.

Vorzugsweise umfassen die windturbinenrelevanten Daten mindestens eine der folgenden Daten (siehe auch Fig. 3): {Windturbinenvibrationsüberwachungsdaten, Windturbinentemperaturüberwachungsdaten, Energieproduktionszähler, atmosphärische Bedingungen einschließlich Lufttemperatur, Druck, Feuchtigkeit, Windrichtung, Windturbulenz, Fettproben, Schmiersystempartikelzählungen, elektrische Systemströme, Spannung, Leistung, Hydrauliksystemtemperaturen, -drücke, Durchflussraten, Ladedrücke, Steuerventilposition und -aktivierung, Endoskopieinspektion, die Ergebnisse visueller

Inspektionen}

„31 -

Der berechnete windturbinenspezifische Gesundheitszustand SH1 und SH2, z. B. der Zustand eines Lagers, des Generators, des Getriebes, der Öle und Fette, des Steuerungssystems, des elektrischen Umwandlungssystems, des Generators, des Pitch-Antriebs, des Yaw-Antriebs von Schritt f) wird als Grundlage für eine Vorhersage des Wartungsbedarfs der jeweiligen Windturbine 1 verwendet. Vorzugsweise wird auf der Grundlage der Vorhersage des

Wartungsbedarfs automatisch eine Wartungsroutine ausgelöst.

Die beigefügten Abbildungen zeigen, wie ein bestimmter Prozess (z. B. die Wartung einer Windkraftanlage) bewertet (Abbildung 1) und bestimmte Schritte identifiziert werden können, bei denen eine Optimierung durch Prozessdigitalisierung erreicht werden kann (Abbildung 2). Eine solche Optimierung beinhaltet oft die Einführung einer neuen Technik zur automatischen Fehlererkennung, die einen Übergang, von der traditionellen, zeitbasierten Wartung zur Prädiktiven Instandhaltung ermöglicht. Ein Beispiel für die Arten von Daten, die einem Betreiber einer Windturbinenflotte typischerweise zur Verfügung stehen, ist in Abbildung 3 dargestellt, und der traditionelle "Big Data"-Ansatz zur Analyse ist in Abbildung 4 zu sehen, wobei alle Daten zunächst zentralisiert werden, bevor eine datengesteuerte Analyse durchgeführt wird. Das in der aktuellen Erfindung anzuwendende Informationsmodell ist in Abbildung 5 dargestellt, und die Einführung eines Knotens mit einer einzelnen Analyseanwendung und einer Kartierungsschicht, die auf einer CloudInfrastruktur läuft, ist in Abbildung 6 dargestellt. Daten von mehreren Windkraftanlagen können gesammelt und an eine solche Cloud-Infrastruktur übertragen werden, wie in Figur 7 gezeigt. Des Weiteren können mehrere Knoten, an denen jeweils Daten aus mehreren Quellen (z. B. Windturbine, Flugzeug, Fahrzeug...) zusammengeführt werden, über ein Informationsnetzwerk verbunden sein und auch mit einem Hub verbunden sein, wie in Abbildung 8 gezeigt. Analyseaufgaben können über ein solches Netzwerk verteilt werden, wobei spezifische Anwendungen für die Interpretation der an jedem der angeschlossenen Knoten verfügbaren prädiktiven Daten verantwortlich sind und datenreduzierte Zustände erzeugen, die kombiniert werden können, um Beratungsinformationen zu erzeugen, die anschließend an einen Servicetechniker übertragen werden, wie in Abbildung 9 gezeigt. Ein spezifisches Beispiel für mehrere Zustandsindikatoren (prognosekritische Daten), die für die Fehlererkennung in einem Windturbinen-Hauptlager verfügbar sein können, ist in Abbildung 10 dargestellt. Ein traditioneller Arbeitsablauf ist in Abbildung 11 dargestellt, einschließlich der manuellen Schritte zur Diagnose des Fehlers. In Abbildung 12 ist der "Big Data"-Ansatz

dargestellt, bei dem alle Daten zentral zusammengeführt werden, bevor eine datengetriebene

„32 -

Analyse durchgeführt wird. Der bevorzugte Ansatz im Rahmen der vorliegenden Erfindung ist in Abbildung 13 dargestellt, wobei die Analyse an mehreren Standorten (Knoten) durchgeführt wird und die Zustandsausgabe an einem Knotenpunkt zur endgültigen Verarbeitung kombiniert wird. Abbildung 14 veranschaulicht, wie Daten für einen bestimmten, prioritären Fehlermodus in Gruppen von vorhersagekritischen Daten unterteilt werden können, die auf einer Definition der relevanten Zustandsinformationen basieren, die zur Durchführung der endgültigen Diagnose benötigt werden. Diese Gruppen von vorhersagekritischen Daten können an physisch getrennten Knoten verarbeitet werden, die über ein Informationsnetzwerk verbunden sind, wie in Abbildung 15 dargestellt. Das gesamte

Informationsmodell und die Architektur sind in Abbildung 16 dargestellt.

Selbstverständlich ist die Erfindung nicht auf die in dieser Beschreibung angegebenen Beispiele beschränkt. Auch können, sofern nicht ausdrücklich ausgeschlossen, alle Merkmale der Erfindung frei kombiniert werden. Die Bezugsziffern dienen nur zur Information und

grenzen den Schutzbereich nicht ein.

Claims (13)

„33 - PATENTANSPRÜCHE

1. Verfahren zur zumindest teilweisen dezentralen Berechnung des Gesundheitszustandes (SH1, SH2) mindestens einer Windenergieanlage (1) auf der Basis entsprechender Windenergieanlagen-Individualdaten (D), um eine Diagnose sowie prädiktive Informationen zur Vermeidung des Auftretens vorbekannter spezifischer Fehlermodi zu ermöglichen,

umfassend die folgenden Schritte:

a) Empfangen der windturbinenindividuellen Daten (D) und von Informationen (IN) bezüglich vorbekannter spezifischer Fehlermodi (FM) und eines entsprechenden Satzes von Zuständen (S), die damit in Beziehung stehen, um vorhersagekritische Daten (cD) von nichtkritischen Daten (ncD) zu trennen und die vorhersagekritischen Daten (cD) in Gruppen (cD1, cD2) zu unterteilen, wobei jede Gruppe (cD1, cD2) die relevanten Daten (rD) enthält, um

mindestens einen Zustand ($) zu bestimmen,

b) Erzeugen einer Anzahl von dezentralen Knoten (2), wobei jeder Knoten (2) mit einem Informationsnetzwerk (3) verbunden ist und mindestens eine Gruppe (cD1, cD2) der vorhersagekritischen Daten (cD) empfängt und verarbeitet, und wobei jeder Knoten (2) konfiguriert ist, mindestens einen der Zustände (S) basierend auf der empfangenen Gruppe

(cD1, cD2) der vorhersagekritischen Daten (cD) zu bestimmen,

c) wobei jeder Knoten (2) umfasst

- eine Mapping-Schicht (ML), die Anforderungen an das Eingangsformat der mindestens einen Gruppe (cD1, cD2) vorhersagekritischer Daten (cD) definiert und das Format eines

datenreduzierten Zustandes (Sout) des Knotens (2) definiert, und

- mindestens eine Anwendung (app) zum Ermitteln des Zustands (S) und Bereitstellen des

ermittelten Zustands (S) als datenreduzierter Zustand (Sout) an einen Hub (4) in Schritt d),

d) Verbinden der Knoten (2) mit einem Hub (4) über das Informationsnetzwerk (3), wobei der

Hub (4) eine Entscheidungshilfemaschine (4a) umfasst,

34 / 46

„34 -

e) Übertragen des datenreduzierten Zustandes (Sout) jedes Knotens (2) an die

Entscheidungshilfemaschine (4a) des Hubs (4), und

f) Verwenden der Entscheidungshilfemaschine (4a), um einen windturbinenspezifischen Gesundheitszustand (SH1, SH2) bezüglich jedes vorher bekannten spezifischen Fehlermodus (FM) basierend auf den datenreduzierten Zustand (Sout) der Knoten (2) von Schritt e) zu

berechnen.

2. Verfahren nach Anspruch 1, wobei der Hub (4) ferner einen Datenspeicher (4b) zum Speichern des datenreduzierte Zustandes (Sout) der Knoten (2) aufweist, wobei die Daten (Sout) für mindestens einen Monat gespeichert werden und wobei die Berechnung nach Schritt f) auf der Grundlage des gespeicherten datenreduzierten Zustand (Sout) der Knoten (2) durchgeführt wird.

3. Verfahren nach Anspruch 1 oder 2, wobei die Berechnung des Gesundheitszustandes (SH1, SH2) gemäß Schritt f) nur innerhalb eines vorgegebenen Zeitrahmens durchgeführt wird,

wobei der Zeitrahmen vorzugsweise einen Monat beträgt.

4. Verfahren nach einem der vorhergehenden Ansprüche, wobei die Vorhersagekritischen Daten (cD) technische Windkraftanlagendaten umfassen, wobei ein Knoten (2) den jeweiligen Zustand (5) durch Vergleich der technischen Windkraftanlagendaten, die in mindestens einer jeweiligen Gruppe (cD1, cD2, cD3) enthalten sind, mit mindestens einem Schwellenwert

bestimmt.

5. Verfahren nach Anspruch 4, wobei jede Gruppe (cD1, cD2, cD3) der Vorhersagekritischen Daten (cD) Daten einer Anzahl von Turbinen umfasst und wobei ein Schwellenwert in

Abhängigkeit von den Daten der Anzahl der Turbinen gesetzt wird.

6. Verfahren nach Anspruch 5, wobei der Hub (4) so konfiguriert ist, dass er mit jedem Knoten (2) in einer Rückkopplungsschleife kommuniziert, wobei jeder Knoten (2) so konfiguriert ist,

dass er die Schwellenwerte in Abhängigkeit von der Rückkopplung des Hub (4) anpasst.

„35 -

7. Verfahren nach einem der vorhergehenden Ansprüche, wobei ein Knoten (2) mittels Cloud-

Computing realisiert ist.

8. Verfahren nach einem der vorhergehenden Ansprüche, wobei ein Knoten (2) auf einem

Edge-Computing-Gerät implementiert ist.

9. Verfahren nach einem der vorhergehenden Ansprüche, wobei der Hub (4) mit einem Mapping-Paket (4c) ausgestattet ist, wobei das Mapping-Paket (4c) das erforderliche Format

des datenreduzierten Zustandes (Sout) der Knoten (2) definiert.

10. Verfahren nach Anspruch 9, wobei im Falle einer Nichtübereinstimmung des Formats des vom Hub (4) empfangenen datenreduzierten Zustandes (Sout) der Knoten (2) mit dem gemäß dem Mapping-Paket (4c) des Hubs (4) erforderlichen Format eine Nichtberücksichtigung

dieser formatmäßig nicht übereinstimmenden Daten während des Schritts f) erfolgt.

11. Verfahren nach einem der vorhergehenden Ansprüche, wobei windturbinenrelevante Daten mindestens eine der folgenden Daten umfassen: {Windturbinenvibrationsüberwachungsdaten, Windturbinentemperaturüberwachungsdaten, Energieproduktionszähler, atmosphärische Bedingungen einschließlich Lufttemperatur, Druck, Feuchtigkeit, Windrichtung, Windturbulenz, Fettproben, Schmiersystempartikelzählungen, elektrische Systemströme, Spannung, Leistung, Hydrauliksystemtemperaturen, -drücke, -durchflussraten, Ladedrücke, Steuerventilposition

und -aktivierung, Endoskopieinspektion, die Ergebnisse visueller Inspektionen}

12. Verfahren nach einem der vorhergehenden Ansprüche, wobei der berechnete windturbinenspezifische Gesundheitszustand (SH1, SH2) von Schritt f) als Grundlage für eine

Vorhersage des Wartungsbedarfs der jeweiligen Windturbine verwendet wird.

13. Verfahren nach Anspruch 12, wobei auf Basis der Vorhersage des Wartungsbedarfs

automatisch eine Wartungsroutine ausgelöst wird.