Vorgehen

Vorgehen

Das Forschungsprojekt SteigProg gliedert sich in die vier Phasen der Analyse, der Synthese, der Implementierung und der Validierung. Eine enge Zusammenarbeit mit Unternehmen aus dem WEA-Bereich wird dabei angestrebt.

Im Rahmen der Analysephase erfolgen die Erfassung und die Analyse instandhaltungsrelevanter Komponenten einer WEA. Zur Aufnahme der Daten wird zunächst eine Umfrage durchgeführt. Die Ergebnisse werden anschließend mit Experten aus unterschiedlichen Bereichen diskutiert. Auf Basis von technischen und wirtschaftlichen Kriterien erfolgt eine Bewertung der Komponenten. Der Fokus liegt dabei vor allem auf den Komponenten, deren Zustandsprognose bisher technisch nur eingeschränkt möglich war, aber wirtschaftlich bedeutend ist. Auf Basis der erfassten Daten erfolgt eine Zuordnung von bereits erfassten Sensordaten zu den Komponenten.

In der Synthesephase werden ein Datenmodell zur Speicherung der Mess-, Instandhaltungs- und Schadensdaten sowie die notwendigen Schnittstellen für den Datenaustausch und den Benutzer konzipiert. Auf Grundlage der in der Analysephase ausgewählten Daten wird eine Methode zur Zustandsprognose erarbeitet. Durch die Vielzahl an Attributen stellen Neuronale Netze und Entscheidungsbäume geeignete Data-Mining-Verfahren dar. Diese Verfahren werden im Projekt eingesetzt und hinsichtlich ihrer Zuverlässigkeit untersucht.

In der Implementierungsphase werden die Datenmodelle und Schnittstellen eingeführt und eine geeignete Anzahl an Datensätzen von WEA gleichen Typs aufgenommen. Diese Datensätze werden z. B. anhand bereits aufgetretener Schadensfälle vorausgewählt. Mit Hilfe genetischer Algorithmen, die zur Attributauswahl und -generierung genutzt werden, erfolgt die Vorverarbeitung der Daten. Im nächsten Schritt werden Neuronale Netze und Entscheidungsbäume mit den Daten trainiert und auf ihre Vorhersagekraft getestet.

Zur Validierung der trainierten Algorithmen werden abschließend praktische Tests durchgeführt, um die Vorhersagegüte der Data-Mining-Verfahren nachzuweisen. Die Tests erfolgen für die im Projekt betrachteten Anlagen sowie weitere, ähnliche Anlagen. Die Data-Mining-Verfahren werden im Rahmen der Tests auf eine Anlage trainiert und die erreichte Vorhersagegüte mit einem Qualitätsmaß (z. B. Mittlere quadratische Abweichung, Korrelation) quantifiziert.