Anomalieerkennung als Enabler für Predictive Maintenance
Im Rahmen zahlreicher Forschungsprojekte hat das Fraunhofer IEE Anomalieerkennungsmethoden für verschiedene Komponenten des Energiesystems untersucht und entwickelt. Daraus ist ein Python-basierter Anomalieerkennungs-Framework entstanden, der kontinuierlich weiterentwickelt wird.
Das Einsatzgebiet erstreckt sich von der Fehlerfrüherkennung bei Windenergieanlagen bis hin zur Erkennung von Auffälligkeiten in Hausübergabestationen von Fernwärmenetzen.
Das Framework ist so konzipiert, dass er sich automatisch an die zu analysierenden Daten anpasst und somit flexibel und einfach auf zahlreiche Anlagen übertragbar ist. Dadurch liefert das bereitgestellte Framework eine Überwachungslösung für ein breites Anwendungsfeld und ermöglicht eine zentrale Überwachung des gesamten Anlagenbestands, wodurch redundante Systeme für unterschiedliche Anlagentypen vermieden werden.
Eine Besonderheit der Software ist der integrierte ARCANA-Algorithmus, der eine detaillierte Ursachenanalyse trotz KI-basierter Black-Box-Ansätze erlaubt.