MISE: Predictive Maintenance
Durch prädiktive Instandhaltung arbeiten wir daran, Instandhaltungsbedarf an Anlagen frühzeitig zu erkennen sowie optimale Zeitpunkte für Unterhaltsarbeiten zu bestimmen und vorherzusagen. So können Probleme an Anlagen erkannt werden, bevor es zu Funktionsstörungen oder Ausfällen kommt.
Im Gegensatz zu zeitbasierten Instandhaltungsstrategien liefern Predictive-Maintenance-Verfahren Instandhaltungsempfehlungen auf Grundlage des tatsächlichen Zustands der Anlage. Dies setzt die Dauerüberwachung der Anlage und ihrer kritischen Subsysteme mit Hilfe geeigneter Sensorsysteme voraus. Prädiktive Instandhaltung kann eine höhere Verfügbarkeit und Kosteneinsparungen ermöglichen, da Unterhaltsarbeiten nur verrichtet werden, wenn es der tatsächliche Zustand der Anlage rechtfertigt.
Forschungsprojekte
In unserem aktuellen Forschungsprojekt mit der Firma WinJi AG entwickeln wir Machine-Learning-Algorithmen zur automatischen Störungsfrüherkennung in Windkraftanlagen. Für die Entwicklung kombinieren wir Sensordaten aus hochfrequenten Schwingungsmessern und der SCADA-Anlagensteuerung. Die entwickelten Machine-Learning-Algorithmen kommen in der WinJi TruePower Plattform zum Einsatz. Die Plattform unterstützt Asset Manager von Windkraft- und Solaranlagen bei der kosteneffizienten Überwachung und der frühen Erkennung von sich anbahnenden Leistungs- und Funktionsstörungen und ermöglicht so eine zustandsbasierte Instandhaltung der Anlagen.
Netzwerk: Smart Maintenance Network
Das Swiss Smart Maintenance Network besteht aus Asset Managern, Data Scientists und Instandhaltungsfachleuten, die intelligente Instandhaltungssysteme und Software für die zustandsbasierte Instandhaltung von Anlagen und Infrastruktur entwickeln, einsetzen oder sich für neue Entwicklungen und Trends im Bereich Predictive Maintenance interessieren. Die Networkings-Event bieten ein Forum für den Austausch unter Expertinnen und Experten in der datenbasierten Instandhaltung und fördern ihre Vernetzung in der Schweiz.
Publikationen
-
Meyer, A., 2021, Multi-target normal behaviour models for wind farm condition monitoring, Applied Energy, Elsevier, doi: 10.1016/j.apenergy.2021.117342.
-
Meyer, A. and B. Brodbeck, 2020, Data-driven Performance Fault Detection in Commercial Wind Turbines, Proceedings of the 5th European Conference of the Prognostics and Health Management Society 2020, Turin, Italy, ISBN 978-1-93-626332-5
-
B. Brodbeck and A. Meyer, Patent application PCT/EP2020/058768 “Device, Method and Computer Program for Evaluating the Operation of a Power Plant”, 2020
