Maschinelles Lernen zur frühzeitigen Fehlererkennung bei Wasserkraftgeneratoren

Wasserkraftwerke sind langlebige Anlagen, deren alternde Wasserkraftgeneratoren mehr als konventionelle schwellenwertbasierte Alarme erfordern, um einen zuverlässigen, unterbrechungsfreien Betrieb zu gewährleisten. Veski d.o.o., die Universität Zagreb und HEP d.d. präsentieren gemeinsam ein auf maschinellem Lernen basierendes Add-on, das das Normalverhalten eines Aggregats erlernt und selbst kleine Abweichungen in Echtzeit erkennt. Das in einem kroatischen Wasserkraftwerk implementierte System zeigt, wie die residuenbasierte Vorhersage von Schwingungssignalen bereits Wochen vor der Auslösung konventioneller Alarme eine Frühwarnung ermöglichen kann.

Wasserkraft ist weltweit eine bedeutende Quelle sauberer Energie, wobei die alternden Anlagenflotten zahlreiche Kraftwerke umfassen, die bereits mehrere Jahrzehnte alt sind, was die Bedeutung einer zuverlässigen Zustandsüberwachung unterstreicht. Da eine frühzeitige Fehlererkennung für die Reduzierung von Stillstandszeiten und die Vermeidung kostspieliger ungeplanter Ausfälle von entscheidender Bedeutung ist, sind fortschrittliche Überwachungs- und Instandhaltungsstrategien praktisch unverzichtbar. 

Hrvatska Elektroprivreda (HEP-Gruppe) ist das nationale kroatische Energieunternehmen, das seit mehr als einem Jahrhundert elektrische Energie erzeugt, verteilt und liefert. In den vergangenen Jahrzehnten ist es außerdem in der Verteilung und Lieferung von Wärmeenergie und Erdgas an Kunden tätig gewesen.

Die Universität Zagreb ist eine öffentliche Forschungsuniversität, die größte Hochschule Kroatiens und eine der ältesten kontinuierlich betriebenen Universitäten Europas. Ihre Fakultät für Elektrotechnik und Informatik (FER) ist eine führende Einrichtung in Lehre, Forschung und Innovationen in den Bereichen Elektrotechnik, IKT und Informatik. Sie zählt 3800 Studierende im Grund- und Hauptstudium, 450 Doktoranden, 200 Professoren sowie 300 Lehr- und Forschungsassistenten. Die FER arbeitet eng mit der Industrie zusammen, um technologische Fortschritte in anwendungsorientierte Lösungen umzusetzen.

Veski d.o.o. zählt zu den führenden regionalen Unternehmen und verfügt über mehr als 30 Jahre Erfahrung in der Schwingungsmessung und -diagnose sowie in der Online-Zustandsüberwachung von Turbogeneratoren, Wasserkraftgeneratoren und Hochspannungsmotoren. Heute gehört das Unternehmen zur Dewesoft-Gruppe.

In diesem Artikel stellen wir einen erweiterten Überwachungsansatz vor, der an einem Wasserkraftaggregat in Kroatien implementiert wurde. Die vorgeschlagene Lösung erweitert das bestehende Überwachungs- und Diagnosesystem durch die Integration eines Moduls für maschinelles Lernen (ML) und Deep Learning als Add-on. Anstatt sich ausschließlich auf festgelegte Alarmschwellenwerte zu verlassen, erlernt das ML-Modul anhand historischer Daten das normale Betriebsverhalten des Wasserkraftgenerators. 

Auf Grundlage der aktuellen Betriebsbedingungen – wie Wirk- und Blindleistung, Temperatur, Drehzahl, Wasserdurchfluss und Druck – sagt es kontinuierlich die erwarteten Werte wichtiger Zustandsindikatoren voraus, bei denen es sich in dieser Fallstudie vor allem um schwingungsbezogene Signale handelt. Die Differenz zwischen vorhergesagten und gemessenen Werten – das sogenannte Residuum – ist ein sensibler Indikator für Verhaltensabweichungen. Die Residuen werden in fünf Warnstufen eingeteilt und in einem Dashboard angezeigt, sodass Benutzer allmähliche Abweichungen vom normalen Betrieb frühzeitig erkennen können. 

Zur Entwicklung des Systems wählten Fachexperten zunächst einen repräsentativen Zeitraum des Normalbetriebs aus. Anschließend wurden zunächst die Korrelationen zwischen Eingangs- und Ausgangssignalen analysiert, um die relevantesten Variablen zu identifizieren, und dann ein Modelltraining und -validierung anhand zusätzlicher Datensätzen durchgeführt. Der Ansatz wurde in einem kroatischen Wasserkraftwerk implementiert, wo die Wirksamkeit der frühzeitigen Fehlererkennung und der Überwachung von Verhaltensabweichungen unter realen Betriebsbedingungen evaluiert wird.

Hintergrund

Wasserkraft ist weiterhin eine der weltweit wichtigsten Quellen kohlenstoffarmen Stroms. Ein charakteristisches Merkmal der Wasserkrafterzeugung ist die lange Lebensdauer der Anlagen: Viele Kraftwerke wurden vor Jahrzehnten in Betrieb genommen, und die wesentlichen rotierenden Komponenten – Turbinen, Generatoren und Lager – werden häufig instand gehalten und modernisiert statt ersetzt. 

Diese lange Nutzungsdauer ist eine Stärke, stellt jedoch auch eine dauerhafte Herausforderung dar: Mechanische und elektrische Alterungsmechanismen summieren sich im Laufe der Zeit, und unzulässige Betriebszustände können sich langsam entwickeln, bevor sie offensichtlich werden. Ein Wasserkraftaggregat ist zudem kein einzelnes Gerät, sondern ein gekoppeltes System mit miteinander interagierenden Teilsystemen und Komponenten. Abb. 1 zeigt eine schematische Darstellung der Hauptkomponenten eines Wasserkraftwerks. 

Das mechanische Schwingungsverhalten hängt nicht nur vom Zustand der Komponenten (Lager, Wellenstrang, hydraulische Kräfte der Turbine, Ausrichtung, Wechselwirkungen zwischen Rotor und Stator) ab, sondern auch von den Betriebsbedingungen. Eine Maschine kann sich bei variierenden Leistungspegeln, Blindleistungsbedingungen, Fallhöhen, Wasserdurchflüssen, Temperaturen oder transienten Ereignissen unterschiedlich verhalten. 

Die Herausforderung

Konventionelle Zustandsüberwachungssysteme konzentrieren sich in erster Linie auf die Datensammlung und die Bereitstellung herkömmlicher Analysewerkzeuge. Ihre Hauptaufgabe besteht darin, mithilfe verschiedener Sensoren, beispielsweise für Schwingungen, Temperatur, magnetischen Fluss, Teilentladungen und weitere Größen, zuverlässige Daten zu erfassen. 

Sehr häufig verwenden die Betreiber diese Systeme für Alarmierungs- und Schutzaufgaben, indem sie (mehr oder weniger) feste Schwellenwerte festlegen. 

Letztendlich müssen erfahrene Anwender die Daten dann interpretieren. Eine Einschränkung eines solchen Ansatzes besteht darin, dass die Schwellenwertalarmierung typischerweise für Sicherheit und Schutz ausgelegt ist, sodass die Warnung erfolgt, wenn das Signal ein Risiko darstellt. Dieser Alarm ist für die Verhinderung schwerer Schäden wesentlich, erfordert jedoch für vorausschauende Analysen eine kontinuierliche Mitwirkung der Anwender. 

Die meisten Fehler entwickeln sich langsam, wobei subtile Abweichungen über Wochen oder sogar Monate innerhalb der Alarmgrenzen bleiben, bevor sie offensichtlich werden. In dieser frühen Phase erkennt ein schwellenwertbasiertes System die Veränderung möglicherweise nicht, während die Maschine tatsächlich zunehmend von ihrem Normalverhalten abweicht.

In dieser Situation kommt der Idee der Verhaltensüberwachung eine große Bedeutung zu: Anstatt zu fragen „Liegt die Schwingung über einem bestimmten Grenzwert?“, lautet die Frage nun „Entspricht die Schwingung dem, was wir von dieser Anlage bei genau dieser Kombination aus Leistung, Durchfluss, Temperaturen und Drehzahl erwarten?“ Wenn bekannt ist, welches Verhalten zu erwarten ist, können selbst kleine Abweichungen sehr früh erkannt werden.

Dem Kraftwerkspersonal fehlen häufig Zeit und Ressourcen, um sich mit der Maschinenüberwachung und der Analyse und Interpretation der Messdaten zu beschäftigen. Es verfügt über Kenntnisse der Maschinen und Teilsysteme, ihm fehlt jedoch die spezifische Fachkompetenz zur Interpretation von Überwachungsdaten. Aufgrund der zunehmenden Anzahl digitaler Teilsysteme im Kraftwerk – Erregung, Steuerungs- und Schutztechnik, Turbinenregler, SCADA usw. – haben die Ingenieure im Arbeitsalltag nicht die Zeit, sich mit den spezifischen Details zu befassen. 

Solange bei der Maschine kein konkretes Problem auftritt, nutzen die Betreiber die Überwachungssysteme eher gelegentlich als täglich. Die Daten werden zwar kontinuierlich erfasst, aber niemand betrachtet sie regelmäßig. Bei gleichzeitiger Überwachung weiterer Systeme können dabei Datenmengen im Terabytebereich anfallen, deren Verarbeitung eine große Herausforderung darstellt. Dieses Datenvolumen unterstreicht die zunehmende Bedeutung automatisierter und zugleich zuverlässiger Algorithmen zur Datenüberwachung, die die von Überwachungs- und Steuerungssystemen erfassten Daten nutzen. 

Lösung: erweiterte Überwachung zur Frühwarnung

Ein Wasserkraftwerk besteht aus vielen miteinander interagierenden (und bereits genannten) Teilsystemen, und diese strukturelle Komplexität macht die Echtzeitüberwachung und -interpretation von Betriebsdaten zu einer anspruchsvollen Aufgabe. Um das Systemverhalten angemessen zu analysieren und vorherzusagen, wird ein geeigneter Modellierungsrahmen benötigt.

Allgemein gesagt, lassen sich Modellierungsansätze in drei Hauptkategorien einteilen: physikbasierte Modelle, hybride Modelle und datengestützte Modelle. Physikbasierte Modelle, die häufig auch als White-Box-Modelle bezeichnet werden, werden aus expliziten mathematischen Beschreibungen der Systemdynamik abgeleitet. 

Ihr Hauptvorteil besteht darin, dass die Vorhersagen direkt mit physikalischen Mechanismen verknüpft sind und in der Regel aus ingenieurtechnischer Sicht interpretiert werden können. In der Praxis wird ihre Anwendung jedoch häufig durch Unsicherheiten bei den Modellparametern, den für die Systemidentifikation erforderlichen Aufwand und die Rechenlast bei der Online-Ausführung solcher Modelle eingeschränkt – vor allem unter Echtzeitanforderungen.

Hybride oder Gray-Box-Modelle versuchen, physikalisches Wissen mit datengestütztem Lernen zu kombinieren, um einige dieser Einschränkungen zu überwinden. Dieser Ansatz ist insbesondere bei Digital-Twin-Anwendungen interessant und kann die Generalisierung unter verschiedenen Betriebsbedingungen verbessern. Allerdings erfordern hybride Modelle typischerweise detaillierte physikalische Darstellungen und hochwertige Datensätze, wodurch die Anpassung an andere Wasserkraftwerke zeitaufwendig und in vielen Fällen unpraktikabel wird. 

In unserem konkreten Fall verfolgen wir einen datengestützten Ansatz. Während verifizierter Zeiträume mit störungsfreiem und stabilem Betrieb erfasste Daten wurden zum Training eines Basismodells verwendet, das das Normalverhalten des Wasserkraftaggregats abbildet. Die Daten wurden dabei zunächst aus dem Überwachungssystem extrahiert und dann bereinigt und normalisiert, um die Konsistenz und Vergleichbarkeit zwischen den Signalen zu gewährleisten. Es wurden Verfahren zur Merkmalskonstruktion angewendet, um aussagekräftige Eingangsgrößen zu erzeugen.

Der Datensatz wurde in Trainings-, Validierungs- und Testdaten aufgeteilt. Anschließend wählten wir geeignete Algorithmen des maschinellen Lernens (ML) aus, trainierten sie und nahmen eine Feinabstimmung durch Optimierung der Hyperparameter vor. Die Leistungsfähigkeit des Modells bewerteten wir sowohl anhand der Validierungs- als auch der Testdaten. 

Nach Erreichen einer zufriedenstellenden Modellgüte integrierten wir das Modell in den Überwachungsprozess und aktualisierten es, sobald neue Betriebsdaten verfügbar wurden.  Abb. 2 bietet einen Überblick über diesen End-to-End-Workflow.

Eine wesentliche Voraussetzung für diese Vorgehensweise ist die klare Definition der normalen Betriebsbedingungen durch erfahrene Fachexperten. Das Modell wird auf Grundlage dieser Referenz trainiert, um Abweichungen des aktuellen Zustands des Wasserkraftaggregats vom Normalverhalten zu quantifizieren. Diese Abstimmung ermöglicht die frühzeitige Erkennung selbst kleiner Abweichungen und unterstützt rechtzeitige Warnungen durch das Überwachungssystem. 

Parallel dazu werden Ausgangssignale identifiziert, die den Zustand des Generators zuverlässig darstellen, und die relevantesten korrelierten Signale als Eingangsgrößen für das Modell ausgewählt. Nach der Aufbereitung der Daten evaluierten und verwendeten wir mehrere Modellkandidaten und setzten schließlich den Zufallswald-Regressor ein. 

Der Zufallswald-Regressor ist ein Algorithmus des überwachten Lernens. Dieses Verfahren verwendet für die Regression eine Ensemble-Learning-Methode. Ensemble Learning ist eine Technik, die Vorhersagen mehrerer ML-Algorithmen kombiniert, um genauere Vorhersagen zu erzeugen, als mit einem einzelnen Modell möglich wären. 

In diesem Modell optimieren wir wichtige Hyperparameter, um die Komplexität und die Vorhersageleistung zu verbessern. Außerdem wird die Tiefe der Entscheidungsbäume untersucht, um zu beurteilen, in welchem Maß das Modell die Muster in den Daten erlernt hat. 

Durch die Feinabstimmung der Kriterien für die Knotenteilung sowie der Schwellenwerte für die Mindestanzahl der Stichproben, die für Teilungen und Blattknoten erforderlich sind, konnte die Komplexität des Modells so abgestimmt werden, dass eine Überanpassung vermieden wurde. Dieser Ansatz ermöglicht die Berücksichtigung verschiedener Betriebszustände, Einschränkungen und Schwellenwerte. 

Neben der Abstimmung des Modells zur Erzielung der bestmöglichen Genauigkeit sind auch die Modellgröße, der Ressourcenbedarf und die Hardwareanforderungen für den Echtzeitbetrieb des Modells mit minimaler Verzögerung von Bedeutung. Wir begrenzten die Anzahl der bei jeder Teilung berücksichtigten Merkmale, um die Gesamtgröße des Modells zu reduzieren und sowohl die Trainings- als auch die Vorhersagephase zu verkürzen.

Da eine kontinuierliche manuelle Überprüfung der Residuensignale in der Praxis nicht durchführbar ist, wird das Residuum – definiert als die Differenz zwischen gemessenen und im Modell vorhergesagten Werten – weiterverarbeitet. Abb. 3 zeigt die für jedes Residuensignal definierten fünf Warnbereiche. Diese Bereiche werden auf Grundlage historischer Daten aus dem Normalbetrieb, der Signalauflösung, der anwendbaren Normen und der Expertenbewertung individuell für jedes Signal festgelegt.

Zusätzlich wird zur Vereinfachung der Interpretation das erwartete zukünftige Verhalten des Wasserkraftgenerators unter stabilen Betriebsbedingungen dargestellt. Wir prognostizierten die Entwicklung sowohl der Residuen- als auch der Messsignale, indem wir die aktuellen Trends über mehrere Zeithorizonte hinweg extrapolierten. Die Bereitstellung dieser Prognosen hilft den Bedienern, zu beurteilen, ob eine auftretende Abweichung geringfügig ist oder sich schnell entwickelt. Diese Unterscheidung trägt zur schnelleren und konsistenteren Entscheidungsfindung sowie zur Verbesserung der Betriebszuverlässigkeit und -sicherheit bei. 

In unserem Fall fassen wir Residuensignale und Messsignale über vier Zeithorizonte – eine Stunde, einen Tag, eine Woche und einen Monat – zusammen, was die Bewertung sowohl kurzfristiger Abweichungen als auch langsamer Drifts ermöglicht.

Ein Anwendungsfall

Wir testeten das Verfahren in Echtzeit als Zusatzmodul zu einem konventionellen Überwachungssystem an zwei Wasserkraftaggregaten in Kroatien. Tabelle 1 enthält die technischen Kenndaten beider Aggregate.

Abb. 4 bietet einen Überblick über die Wasserkraftaggregate im Krafthaus.

Das Überwachungssystem

In unserem konkreten Fall integrierten wir das Überwachungssystem in das SCADA-System, aus dem wir die Prozess- und Betriebsparameter bezogen. Dazu gehören unter anderem Wirk- und Blindleistung, verschiedene Temperatursignale wie Lagersegment-, Statorblechpaket-, Pressfinger- und Wicklungstemperaturen, elektrische und hydraulische Parameter des Aggregats sowie Durchfluss und Druck in der Druckrohrleitung und im Spiralgehäuse. All diese Größen sind sehr wichtig für die Diagnose dynamischer Zustände, da die Schwingungen je nach Betriebslast und thermischen Bedingungen erheblich variieren können. 

Das System schreibt sämtliche Prozessparameter kontinuierlich in seine zentrale Diagnosedatenbank, zusammen mit Datenpunkten, die aus der Echtzeitverarbeitung der Signale der bereits erwähnten Sensoren gewonnen werden. Dazu gehören typischerweise Schwingungsamplituden und -phasen bei verschiedenen Ordnungsfrequenzen, Effektivwerte, Spitze-Spitze-Werte usw. Abb. 5 zeigt eine schematische Übersicht des Überwachungssystems. Die Überwachungsdatenbank enthält sämtliche Messdaten seit der Inbetriebnahme im Jahr 2013. 

Wir verwenden die Prozessgrößen im Vorhersagemodell als aussagekräftige Eingangsgrößen, korrelieren sie anhand historischer Daten in verschiedenen Kombinationen und vergleichen die Ergebnisse mit den beobachteten, vom Modell definierten Ausgangsgrößen. Vor dem Training und der Feinabstimmung des Modells analysieren wir die Korrelationen zwischen den gewählten Ausgangssignalen und allen gemessenen Signalen und wählen die besten Signale aus. 

In diesem konkreten Fall handelte es sich um die folgenden Eingangsgrößen: Statorblechpakettemperatur, Statorwicklungstemperatur, Durchfluss, Druck in der Druckrohrleitung, Drehzahl, Wirkleistung (P), Blindleistung (Q), maximale Lagersegmenttemperaturen an allen drei Führungslagern sowie am Axiallager. Wir konfigurierten das eingesetzte Modell so, dass es das Verhalten der extrahierten Amplitude der ersten Harmonischen der Wellenverlagerung (S1A) vorhersagt und verfolgt. In Tabelle 2 sind die in diesem Fall betrachteten Ausgangssignale aufgeführt.

Anschließend trainierten wir das Modell mit den am stärksten korrelierten Signalen und optimierten die Hyperparameter. Wir bewerteten die Leistung des Modells anhand der Validierungs- und Testdatensätze und analysierten die Fehler gemeinsam mit Fachexperten, um das Modell weiter zu verfeinern. Schließlich implementierten wir das Modell und integrierten es in das bestehende Überwachungssystem, wodurch eine Echtzeitüberwachung ermöglicht wurde. 

Für das anfängliche Training und die Evaluierung verwendeten wir die Normalbetriebsdaten eines Jahres (Juni 2022 bis Juni 2023). Anschließend testeten wir das Modell mit Daten aus dem Zeitraum von Juli 2023 bis Juli 2024, und seit Juli 2024 läuft es auf den Wasserkraftaggregaten.

Testergebnisse

Aufgrund seiner geringen Latenz und seiner Fähigkeit, Ausgabewerte innerhalb weniger Millisekunden zu erzeugen, kann das vorgeschlagene System als Add-on-Modul zur frühzeitigen Fehlererkennung vollständig in das bestehende Überwachungssystem integriert werden. 

Wir setzten es zur Analyse mehrerer wichtiger Ausgangssignale der Anlage ein, darunter Smax (eine maximale Wellenverlagerung, ermittelt aus zwei senkrecht zueinander angeordneten Relativschwingungsaufnehmern), das Teilentladungssignal Qm+(PD) , die gesamte TE-Aktivität (NQN) und die erste Harmonische der Relativschwingungssignale; seit Juli 2024 läuft es in diesem Wasserkraftwerk im Echtbetrieb. 

Zur Bewertung der Vorhersagefähigkeit der Plattform verwendeten wir historische Daten aus den Jahren 2020 und 2021, die während eines Zeitraums aufgezeichnet wurden, in dem die Schwingungen des Turbinenlagers bei einem Aggregat zunahmen. Der Algorithmus des maschinellen Lernens war zu diesem Zeitpunkt noch nicht verfügbar, wir konnten die Wirksamkeit des Systems jedoch anhand der aufgezeichneten Daten bewerten.

Abb. 6 bietet einen Überblick über das Dashboard des ML-Systems mit den wichtigsten Zustandsindikatoren. Für jedes Signal zeigt ein eigenes Anzeigeinstrument das momentane Residuum, das angibt, wie stark das aktuelle Signal vom durch das ML-Modell definierten Normalverhalten abweicht. Bei Anklicken eines Anzeigeinstruments werden der vollständige Zeitreihenverlauf und detaillierte numerische Werte angezeigt, was eine weitergehende Untersuchung und diagnostische Analyse ermöglicht. 

In der oberen Darstellung ist ein Zeitraum zu sehen, in dem das Wasserkraftaggregat noch Normalverhalten aufweist, während die untere Darstellung ein Beispiel für erkanntes abnormales Verhalten zeigt. Um den Bedienern den Grad der Abweichung vom normalen (erwarteten) Zustand besser zu vermitteln, sind fünf Warnstufen mit unterschiedlichen Farben definiert, die jeweils auf der prozentualen Abweichung von den normalen (erwarteten) Werten basieren. 

Wie in der Abbildung zu erkennen, befanden sich anfangs alle Signale im sicheren Bereich bzw. Normalzustand, sodass die Residuenwerte innerhalb der grünen Zone blieben. Im Laufe der Zeit wich der überwachte Wert jedoch zunehmend vom erwarteten Normalverhalten ab und erreichte schließlich kritisch hohe Amplituden. 

Da das Überwachungssystem mit konventionellen Alarmschwellen ausgestattet war, wurde dieser Anstieg erst in einer späteren Phase erfasst. Wäre das Machine-Learning-Modell zu diesem Zeitpunkt bereits aktiv gewesen, hätte der Betreiber die anfänglichen Abweichungen vom Normalverhalten mehr als einen Monat vor dem Erreichen der konventionellen Alarmschwellen erkennen und ihnen entgegenwirken können.

Datenanalyse

Wir haben jedes Signal, den Zeitpunkt der Abweichungserkennung und die entsprechenden vorhergesagten Werte im Detail analysiert.

Relativschwingung des oberen Führungslagers (RV-UGB)

Abb. 7 zeigt die Vorhersage- und Messwerte des Signals RV-UGB-S1.A in X- und Y-Richtung.  Für jedes Signal werden außerdem Vorhersagewerte für eine Stunde, einen Tag, eine Woche und einen Monat nach der jüngsten Messung angezeigt. Zur Veranschaulichung wurde in der Abbildung die Ein-Wochen-Vorhersage aktiviert, die in den Diagrammen als gestrichelte Linie dargestellt ist. Ein Vergleich beider Richtungen zeigt, dass die Abweichung in Y-Richtung deutlich größer ist als in X-Richtung. 

Vor dem unzulässigen Betriebsverhalten und der anschließenden vollständigen Abschaltung des Generators stieg das Residuum in Y-Richtung in den roten Warnbereich, was auf einen hochkritischen und potenziell gefährlichen Zustand hinweist. 

Die früheste Abweichung in diesem Wasserkraftaggregat – definiert als erstes Verlassen des Normalbands – wurde in X-Richtung etwa 37 Tage vor dem Auftreten des unzulässigen Betriebsverhaltens erkannt. 

Später kehrte das Signal jedoch in den Normalbereich zurück. Im Gegensatz dazu wurden die Abweichungen in Y-Richtung etwa 14 Tage vor dem Auftreten des unzulässigen Betriebsverhaltens erkennbar und nahmen mit Annäherung an das Ereignis rasch zu.

Relativschwingung des unteren Führungslagers (RV-LGB)

Abb. 8 zeigt die Vorhersage- und Messwerte des Signals RV-LGB-S1.A in X- und Y-Richtung. Das Residuensignal und der Abweichungsgrad sind in beiden Richtungen ähnlich, und das Maximum liegt im orangefarbenen Bereich, der der Warnstufe „Hoch“ entspricht. Die Warnstufe dieser Signale ist niedriger als die der RV-LGB-1S-Signale. Die früheste Abweichung am Generator wurde in X-Richtung etwa 13 Tage und in Y-Richtung etwa 7 Tage vor dem Auftreten des unzulässigen Betriebsverhaltens erkannt.

Relativschwingung des Turbinenführungslagers

Abb. 9 zeigt die Vorhersage- und Messwerte des Signals RV-TGB-S1.A in X- und Y-Richtung. Das Residuensignal und der Abweichungsgrad sind in beiden Richtungen ähnlich, und das Maximum liegt im roten Bereich, was auf einen hochkritischen und potenziell gefährlichen Zustand hinweist. Die Warnstufen dieser Signale fallen deutlich höher aus und treten früher auf als bei den Signalen RV-HGB-S1 und RV-LGB-S1. 

Die frühesten Abweichungen in diesen Signalen waren bis zu 47 Tage vor dem Auftreten des unzulässigen Betriebsverhaltens erkennbar, was ein beträchtliches Zeitfenster für Frühwarnungen und potenzielle Präventivmaßnahmen darstellt. Wäre das vorgeschlagene System zu diesem Zeitpunkt bereits in Betrieb und verfügbar gewesen, hätten die ausgegebenen Warnmeldungen den Fachexperten ermöglichen können, rechtzeitig einzugreifen und den daraus resultierenden Schaden möglicherweise zu verhindern.

Fazit

Die Implementierung und Analyse des auf maschinellem Lernen basierenden Überwachungssystems in diesem Fall belegen die Wirksamkeit des vorgeschlagenen Verfahrens. Die Ergebnisse zeigen, dass wir potenzielle Abweichungen im Systemverhalten früher als mit konventionellen Überwachungssystemen und vor dem Erreichen vordefinierter Grenzwerte und standardmäßiger Alarmschwellen erkennen können. Durch das Erlernen des normalen Betriebsverhaltens des Wasserkraftaggregats und die Analyse des Residuensignals ergänzt das Verfahren das konventionelle Überwachungssystem und verringert den Bedarf an kontinuierlicher manueller Analyse. 

Der residuenbasierte Ansatz liefert frühere und deutlichere Hinweise auf sich entwickelnde Anomalien. Tabelle 3 zeigt, dass es bei allen überwachten Signalen eine potenzielle Vorwarnzeit von mehreren Tagen gab. Besonders bemerkenswert ist in diesem Zusammenhang, dass die ersten Abweichungen im Signal RV-TGB-X-S1.A bis zu 47 Tage vor dem Auftreten des unzulässigen Betriebsverhaltens und der vollständigen Abschaltung erkennbar waren.

Dieses Modell ist nicht auf die in diesem konkreten Anwendungsfall dargestellten Signale beschränkt. Es lässt sich auch auf andere Ausgangsgrößen und Zustandsindikatoren anwenden, beispielsweise Teilentladungsmessungen, Luftspaltsignale und weitere wichtige Maschinenzustandsparameter. Durch die Erweiterung des Ansatzes auf mehrere Signalgruppen und die Integration der daraus resultierenden Modelle können wir ein umfassenderes und zuverlässigeres Überwachungssystem realisieren. 

Diese Forschungsarbeit stellt einen wichtigen Schritt auf dem Weg zu einer wirksameren datengestützten Analyse dar und bringt das System dem Ziel eines digitalen Zwillings des Generators näher. Ein solcher digitaler Zwilling würde die gleichzeitige Simulation und Echtzeitanalyse ermöglichen, unser Verständnis des Generatorverhaltens verbessern und zu fundierteren Betriebs- und Instandhaltungsentscheidungen beitragen.