Die Möglichkeit der Verwendung von SCADA-Alarmen zur Ergänzung unvollständiger Fehlerdaten

In den letzten Jahrzehnten ist der Windenergiesektor erheblich gewachsen, und es werden Anstrengungen unternommen, die Gesamtkosten eines Windparks zu minimieren. Einer der Hauptkostentreiber steht in direktem Zusammenhang mit den Betriebs- und Wartungsmaßnahmen (O&M). Die derzeitigen Tendenzen in der O&M-Praxis verlagern sich von eher kostspieligen Korrekturstrategien zu präventiven und vorausschauenden Ansätzen. Entscheidend für die Entwicklung dieser kosteneffizienten Strategien ist es, genau zu verstehen, wann und wie Komponenten von Windenergieanlagen (WEA) ausfallen. Darüber hinaus müssen die Schwere der Ausfälle, d. h. die verursachten Ausfallzeiten und Reparaturkosten, sowie die Häufigkeit des Auftretens von Ausfällen bekannt sein. Diese können aus der Analyse historischer Ausfalldatenbanken und Wartungslogbüchern von Herstellern und Betreibern gewonnen werden. Die Komponenten und ihre Unterbaugruppen müssen hinsichtlich ihrer physischen Lage und Funktionalität klassifiziert werden, wobei eine so genannte Taxonomie oder Komponentengliederung verwendet wird. Anschließend werden die Häufigkeiten von Komponentenausfällen und die daraus resultierenden WT-Ausfallzeiten aus der Ausfalldatenbank abgeleitet. Die Ergebnisse der Analyse können dann zur Erstellung von Zuverlässigkeitsmodellen und Ausfallvorhersagewerkzeugen verwendet werden, um die Verschlechterung der WEA-Komponenten im Laufe der Zeit abzuschätzen und Ausfälle vorherzusehen. Es gibt jedoch immer noch ernsthafte Probleme in Bezug auf die jüngsten Praktiken, und eines der Hauptprobleme ist der Mangel an verfügbaren Ausfalldaten. Aufgrund des Mangels an verfügbaren Daten beruhen viele Zuverlässigkeitsmodelle und Entscheidungshilfen für die Instandhaltung auf angenommenen Ausfallraten, die der Realität nicht ausreichend entsprechen. SCADA-Alarme (Supervisory Control and Data Acquisition) werden vorgeschlagen, um die verfügbaren Ausfallprotokolle mit zusätzlichen Informationen zu ergänzen. Die meisten modernen WEA sind mit SCADA-Systemen ausgestattet, die eine große Menge an Informationen generieren, die größtenteils ohne zusätzliche Kosten erhältlich sind.



Um die Korrelation zwischen den aus dem SCADA-System extrahierten Alarmen und den tatsächlichen Ausfallereignissen zu untersuchen, mussten die Daten der am häufigsten installierten modernen Technologien analysiert werden. Da ältere Turbinen nicht unbedingt mit SCADA-Systemen ausgestattet sind oder nur in relativ begrenztem Umfang betrieben werden, wurden sie ausgeschlossen. Die verschiedenen Technologien sind durch ihre Nennleistung und den Aufbau des Antriebsstrangs gekennzeichnet - entweder Direktantrieb oder Getriebe-WEA. Da aus Vertraulichkeitsgründen keine Herstellernamen veröffentlicht werden können, sind die WEA-Fabrikate mit den Buchstaben A bis G gekennzeichnet. Das jeweilige SCADA-System, das in diesen Anlagen eingesetzt wird, ist mit den Zahlen 1 bis 5 bezeichnet. Die Anlagentypen A, D, E, F, G sind mit einem DFIG und die Typen B und C mit einem Synchrongenerator ausgestattet. Insgesamt wurden 440 WEA über einen Zeitraum von drei Jahren analysiert, was 1320 Betriebsjahre ergibt. Insgesamt wurden 653 Ausfälle und 1345036 Alarme registriert und verarbeitet. Die Ausfälle und Alarme pro Turbine sind als gerundete Werte angegeben.



Abbildung 1 zeigt die möglichen Alarme für jedes SCADA-System. Abbildung 2 zeigt die Zusammensetzung der tatsächlich aufgezeichneten Alarme für jedes System innerhalb des gegebenen Beobachtungszeitraums. Sie bestehen aus Alarmen, die sich auf eine bestimmte WEA-Komponente beziehen, aus Alarmen, die auf extreme Umweltbedingungen zurückzuführen sind, und aus anderen, die keiner Komponente zugeordnet werden konnten, z. B. Netzeinschränkungen. Ein Vergleich der beiden Abbildungen zeigt, dass für die WEA-Typen A, B, C und D viele wetterbedingte Alarme aufgezeichnet wurden, die auf extreme Bedingungen hinweisen, die für bestimmte Komponentenausfälle verantwortlich sein könnten. Bei den Anlagen B, C und D war der Anteil der drei aufgezeichneten Alarmkategorien recht ähnlich. Auch der Anteil der möglichen Alarme dieser beiden SCADA-Systeme ist ähnlich.

Abbildung Referenz: "Wind Turbine Failures - Tackling current Problems in Failure Data Analysis" von M D Reder et al (2016 J. Phys.: Conf. Ser. 753 072027). Sehen Sie sich den Artikel online. für Updates und Erweiterungen.

Die Abbildungen 3 und 4 zeigen den Anteil der komponentenbezogenen Alarme an der Gesamtzahl der aufgezeichneten Alarme. Dies wird mit den Ausfällen pro Jahr und Turbine verglichen, normiert auf die Gesamtzahl der Ausfälle. Es wird davon ausgegangen, dass das CMS mit dem SCADA-System verbunden ist und bei der Überwachung der Turbine gut funktioniert. Dies bedeutet, dass eine hohe Anzahl von Alarmen auf ein Problem hinweist. Wenn viele Alarme, aber nur wenige Ausfälle angezeigt werden, deutet dies darauf hin, dass die Komponente gut überwacht wird und Ausfälle durch Abschalten der Turbine verhindert werden, bevor sie auftreten. Es ist bemerkenswert, dass viele Alarme aufgrund von Umweltbedingungen, aber kaum Alarme der Schaufeln und des Reglers aufgezeichnet wurden. Gleichzeitig wurde jedoch eine große Anzahl von Schaufel- und Reglerausfällen im Datensatz erfasst. Der Generator wies ebenfalls relativ hohe Ausfallraten sowie die zweithöchste Anzahl von Alarmen auf. Die dem Generator zugeordneten Alarme hatten den höchsten Anteil an allen komponentenbezogenen Alarmen. Es wird davon ausgegangen, dass der Generator mit einem umfangreichen CMS ausgestattet ist, um Ausfälle zu verhindern. Da es sich um direkt angetriebene Turbinen handelt, wiesen die Typen B und C die geringste Gesamtzahl von Ausfällen auf. Viele Alarme wurden dem Regler und dem Giersystem zugeordnet. Der Frequenzumrichter wies ebenfalls eine große Anzahl von Alarmen auf, hatte jedoch keine Ausfälle zu verzeichnen. Das SCADA-System zeigte Generatorprobleme recht gut an, indem es viele Alarme meldete, während nur sehr wenige Generatorausfälle auftraten. Ähnlich wie bei Typ A kann eine hohe Anzahl von Alarmen aufgrund schwerer Wetterbedingungen mit Ausfällen von Reglern und Blättern zusammenhängen. Daher wird davon ausgegangen, dass bei Direktantriebstechnologien der Regler, das Giersystem und die Blätter eher unter ungünstigen Wetterbedingungen leiden als andere Komponenten. Turbinen des Typs D sind die älteste Technologie mit der geringsten Nennleistung pro Turbine. Sie wiesen die höchste Anzahl von Ausfällen pro WEA und eine relativ hohe Anzahl von Alarmen aufgrund von Umweltbedingungen auf. Viele Schaufelausfälle traten auf, jedoch konnte kein Alarm mit den Schaufeln in Verbindung gebracht werden. Die Anzahl der Alarme im Zusammenhang mit dem Getriebe, dem Kommunikationssystem und den Lagern war recht hoch, was darauf hindeutet, dass letztere durch das SCADA-System gut überwacht werden. Das Pitchsystem, die Steuerung und der Generator lösten dagegen nicht viele Alarme aus, obwohl sie relativ hohe Ausfallraten aufwiesen. Dies könnte darauf zurückzuführen sein, dass das SCADA-System bei den älteren Technologien nicht so fortschrittlich ist wie bei den neueren.

Abbildung Referenz: "Wind Turbine Failures - Tackling current Problems in Failure Data Analysis" von M D Reder et al (2016 J. Phys.: Conf. Ser. 753 072027). Sehen Sie sich den Artikel online. für Updates und Erweiterungen.

Die höchste Anzahl von Alarmen wurde bei WEA des Typs E registriert. Ähnlich wie bei den Typen A und D verursachte der Generator viele Ausfälle, während nur sehr wenige Alarme registriert wurden. Insbesondere das Hydrauliksystem wies eine extrem hohe Anzahl von Alarmen auf. Dies lässt die Vermutung zu, dass bei Anlagen des Typs E die Alarme des Hydrauliksystems auf Ausfälle anderer Komponenten hinweisen können. Es wurden nur sehr wenige wetterbedingte Alarme beobachtet. Auch beim Typ E wurden nur sehr wenige Alarme für das Pitch- und Giersystem angezeigt, während diese Komponenten häufig ausfallen. Bei den WT-Typen F und G wurden keine Blattalarme, aber viele Alarme für das Giersystem und wetterbedingte Alarme registriert. Vibrationen im Fundament wurden vom SCADA-System angezeigt, ebenso wie mehrere Ausfälle dieses Teils. Mit vielen Alarmen und sehr wenigen Ausfällen schienen das Pitchsystem, der Generator und die Hydraulikgruppe gut überwacht zu sein. Das Getriebe zeigte das kritischste Verhalten, mit sehr wenigen Alarmen, aber sehr hohen Ausfallraten, und sollte besser überwacht werden.

Abbildung Referenz: "Wind Turbine Failures - Tackling current Problems in Failure Data Analysis" von M D Reder et al (2016 J. Phys.: Conf. Ser. 753 072027). Sehen Sie sich den Artikel online. für Updates und Erweiterungen.

Der Vergleich von aufgezeichneten Alarmen und historischen Ausfalldaten für fünf verschiedene SCADA-Systeme und WT-Typen zeigte, dass es für bestimmte Komponenten deutlich mehr Alarme als tatsächliche Ausfälle gibt - und umgekehrt. Im Allgemeinen deuten eine hohe Anzahl von Komponentenalarmen und niedrige Ausfallraten darauf hin, dass das SCADA-System dazu beiträgt, das Auftreten von Ausfällen zu vermeiden. Es hat sich gezeigt, dass es bei Alarmen, die auf raue Umgebungsbedingungen hinweisen, häufig zu Ausfällen von Schaufeln und Steuerungen kommt. Dennoch ist es sehr schwierig, eine globale Aussage darüber zu treffen, inwieweit das SCADA-System einen Mehrwert zu den (fehlenden) Ausfalldaten liefert, da die von den verschiedenen Systemen gelieferten Informationen stark variieren. Daher wurde für jeden SCADA-Typ der Zusammenhang zwischen Komponentenausfällen und den jeweiligen Alarmen aufgezeigt. 

Dies ist eine Zusammenfassung des Originalartikels: "Wind Turbine Failures - Tackling current Problems in Failure Data Analysis" von M D Reder et al (2016 J. Phys.: Conf. Ser. 753 072027). Sehen Sie sich den Artikel online. für Updates und Erweiterungen.
0 0 votes
Article Rating
Abonnieren
Benachrichtige mich bei
guest
0 Comments
Inline Feedbacks
View all comments

Kontaktieren Sie uns

Email: info@annea.ai
Telefon: +49 40 22866260

Folgen Sie uns

Produkte

ANNEA Failure Prediction

ANNEA Underperformance Detection 

ANNEA Energy Production Forecasting

ANNEA (Drone) Image Recognition

ANNEA Maintenance Planner

ANNEA Monitoring (upcoming)

© 2022 annea.ai GmbH, Alle Rechte vorbehalten.

Ein Hinweis für unsere Besucher

Wir haben auch unsere Datenschutzrichtlinie aktualisiert, um Ihnen mehr Informationen über Ihre Rechte und Pflichten in Bezug auf Ihre Privatsphäre und persönlichen Daten zu geben. Bitte lesen Sie dies, um zu erfahren, welche Cookies wir verwenden und welche Informationen wir auf unserer Website sammeln. Wenn Sie diese Website weiter nutzen, erklären Sie sich mit unserer aktualisierten Datenschutzrichtlinie einverstanden.

Klicken Sie hier, um unsere aktualisierte Datenschutzerklärung einzusehen

de_DEDeutsch