Früherkennung von Anomalien bei Windturbinen mithilfe von 1D-CNN und zeitlicher Feature-Engineering auf multi-quellen SCADA-Daten

Die Windturbinen am Laufen halten

Windparks werden zunehmend zum Rückgrat sauberer Energie, doch jede Turbine ist eine riesige, komplexe Maschine, die unter rauen Bedingungen arbeitet. Geht innerhalb einer Turbine etwas schief, sind Reparaturen teuer, und jede Stunde Ausfallzeit bedeutet verlorene Stromerzeugung. Diese Arbeit untersucht, wie moderne künstliche Intelligenz frühe Warnzeichen für Probleme in Turbinendaten erkennt, damit Betreiber kleine Störungen beheben können, bevor sie zu großen, kostspieligen Ausfällen werden.

Die Herausforderung, Millionen von Messwerten zu überwachen

Jede Windturbine meldet laufend Datenströme über ihr Steuerungssystem, bekannt als SCADA. Diese Messwerte umfassen die Außentemperatur, wie schnell die Welle dreht, wie viel Leistung erzeugt wird und wie stabil die Netzfrequenz ist. Über Dutzende Turbinen und mehrere Windparks hinweg summiert sich das zu Millionen zeitgestempelter Messungen. Menschliche Ingenieure können diese Daten nicht mehr händisch sichten, und traditionelle regelbasierte Alarme haben Schwierigkeiten, wenn sich Bedingungen von Park zu Park oder von Saison zu Saison ändern.

Ein Gesamtbild aus vielen Windparks erstellen

Die Forschenden gingen das Problem an, indem sie SCADA-Daten aus drei verschiedenen Windparks in Portugal und Deutschland kombinierten, die zusammen 36 Turbinen über viele Jahre abdeckten. Da jeder Park seine eigene Sensorenausstattung und Skalen hat, musste das Team die Daten zunächst sorgfältig angleichen und bereinigen. Sie wählten vier Kerndaten, die alle Parks gemeinsam hatten—Außentemperatur, Netzfrequenz, Wirkleistung und Rotationsgeschwindigkeit—und konvertierten sowie standardisierten diese, sodass eine Turbine in einem Land fair mit einer Turbine in einem anderen Land verglichen werden kann. Außerdem fügten sie einfache Zeitindikatoren wie Stunde des Tages und Monat des Jahres hinzu und teilten die Daten in sich überlappende 24-Stunden-Fenster, die entweder als normales Verhalten oder als ein Ereignis mit Fehler gekennzeichnet wurden.

Verschiedene KI-Ansätze gegeneinander antreten lassen

Mit diesem vereinheitlichten Datensatz führte das Team einen direkten Vergleich mehrerer verbreiteter Deep-Learning-Methoden für zeitbasierte Daten durch. Getestet wurden traditionelle rekurrente Netze, die Sequenzen Schritt für Schritt lesen, fortgeschrittene speicherbasierte Architekturen wie LSTM und bidirektionales LSTM, ein temporales Faltungsnetzwerk, das mithilfe dilatierter Filter weiter in die Vergangenheit blickt, sowie ein eindimensionales Faltungsnetz (1D-CNN), das entlang der Zeitachse nach lokalen Mustern sucht. Alle Modelle wurden unter denselben Bedingungen trainiert und abgestimmt und daran gemessen, wie genau sie normales Verhalten von frühen Ausfallzeichen unterscheiden konnten, wobei gleichzeitig Fehlalarme begrenzt werden sollten.

Warum einfache Faltungen die Nase vorn hatten

Trotz der Popularität komplexerer Sequenzmodelle schnitt das einfache 1D-CNN in dieser Aufgabe am besten ab. Es erreichte etwa 85 Prozent bei Genauigkeit und F1-Score und zeigte eine starke Fähigkeit, gesundes von fehlerhaftem Verhalten über alle drei Windparks hinweg zu unterscheiden. Die Autoren führen diesen Erfolg darauf zurück, dass Faltungsfilter kurzzeitige Muster und plötzliche Änderungen über mehrere Signale hinweg effizient erfassen können—genau die Merkmale, die oft für frühe Fehlersignale relevant sind. Statistische Tests bestätigten, dass der Vorsprung des 1D-CNN gegenüber den anderen Standardmodellen nicht nur zufällig war.

Ein intelligenteres Hybridmodell ergänzen

Nachdem eine faire Basislinie etabliert war, gingen die Forschenden einen Schritt weiter und entwarfen ein Hybridmodell, das Faltungsschichten mit LSTM-Schichten und einem Attention-Mechanismus kombiniert. In diesem Aufbau extrahiert der Faltungsanteil schnell lokale Merkmale aus den Sensorsignalen, der LSTM-Anteil verfolgt, wie sich diese Merkmale über längere Zeiträume entwickeln, und die Attention-Komponente gewichtet automatisch die informativsten Momente in einer Sequenz stärker. Dieser hybride Ansatz steigerte die Leistung weiter auf etwa 87 Prozent Genauigkeit und übertraf andere kombinierte Architekturen, die aus denselben Bausteinen aufgebaut waren.

Was das für saubere Energie bedeutet

Für Nichtfachleute ist die wichtigste Erkenntnis, dass sorgfältig aufbereitete Daten zusammen mit gut gewählten Deep-Learning-Modellen Windparkbetreibern frühe, verlässliche Warnungen geben können, dass sich etwas im Inneren abzeichnet. Indem Informationen von mehreren Standorten verschmolzen und Algorithmen die Muster lernen, die Ausfällen vorausgehen, zeigt die Studie einen Weg zu intelligenteren, allgemeineren Werkzeugen für die Turbinenüberwachung. Praktisch bedeutet das weniger überraschende Ausfälle, niedrigere Wartungskosten und konstantere Einspeisung sauberer Energie ins Netz—was hilft, die Rotorblätter in Bewegung und die Lichter an zu halten.

Zitation: Ata, M.M., Osama, S., Ibraheem, M.R. et al. Early prediction of wind turbine anomalies using 1D-CNN and temporal feature engineering on multi-source SCADA data. Sci Rep 16, 9667 (2026). https://doi.org/10.1038/s41598-026-41571-7

Schlüsselwörter: Überwachung von Windturbinen, vorausschauende Wartung, SCADA-Zeitreihen, Tiefenlernmodelle, Fehlererkennung