Nahtlos integrieren in Automatisierung

Welche Technologien werden bei Ihnen stark nachgefragt?

Nils Johannsen: Die präzise und hochfrequente Erfassung und Verarbeitung von Signalen wie Schwingungen, Dehnungen und mechanischen Belastungen, die direkt in die Automatisierung der Windenergieanlage integriert sind, ist seit einigen Jahren ein fester Bestandteil. Darüber hinaus wird für die elektrische Überwachung zunehmend die schnelle Netzdatenerfassung von Spannungen und Strömen für einzelne Erzeugungsanlagen, aber auch für die Kombination und Verteilung mehrerer Anlagen nachgefragt. Neben den traditionellen Algorithmen zur Datenanalyse wird zunehmend auch maschinelles Lernen zur Verarbeitung und Nutzung der aufgezeichneten Signale eingesetzt. Diese Technologien werden nicht nur zur Überwachung, sondern auch direkt zur Optimierung der Steuerung und Regelung dieser Anlagen genutzt.

Was ist Ihnen hier besonders wichtig oder neu?

Nils Johannsen: Besonders wichtig ist die einfache und nahtlose Integration der verschiedenen Technologien in die Automatisierungstechnik. Mit der PC-basierten Automatisierung und dem Feldbus EtherCAT können die Signale nicht nur hochfrequent erfasst, sondern auch an den Industrie-PC zur zentralen Verarbeitung und deterministischen Auswertung übertragen werden. Die Integration von Machine-Learning-Modellen in die Automatisierung ermöglicht neuartige Auswertungen und Überwachungen dieser Systeme.

Maschinelles Lernen wird zunehmend für die Verarbeitung und Nutzung der aufgezeichneten Signale eingesetzt.

Wie sehen die Vorteile aus?

Nils Johannsen: Die Integration der verschiedenen Disziplinen in eine Lösung und auf einer Plattform reduziert Aufwand und Kosten für Schnittstellen zum Datenaustausch sowie die Synchronisation und Migration von Daten aus unterschiedlichen Systemen. Die zentrale Auswertung aller Informationen ermöglicht modale Analysen, wie zum Beispiel die Reaktion von mechanischen Lasten auf das elektrische System oder umgekehrt. Die Integration und deterministische Auswertung von maschinellem Lernen bietet neue Potenziale für die Erkennung oder Vorhersage von Zuständen sowie Anomalien.

Welche Monitoring-Tools werden für die Betriebsführung in Zukunft wichtiger?

Nils Johannsen: Der Einsatz von maschinellem Lernen wird zunehmen, da die steigende Zahl von Erzeugungsanlagen mit gleichem oder weniger Personal betrieben werden muss. Mit dem zunehmendem Fachkräftemangel müssen nicht nur die Anlagen selbst, sondern auch die nachgelagerten Prozesse zum Betrieb dieser Anlagen weiter automatisiert werden. Die Auswertung aller aufgezeichneten Meldungen und Daten aus den Anlagen sowie die Wartung und Instandhaltung können durch maschinelles Lernen deutlich optimiert werden. Voraussetzung dafür sind jedoch eine effiziente Erfassung und Kommunikation sowie ein strukturiertes und standardisiertes Datenmanagement über die gesamte Anlagenflotte hinweg.

Bei der Kombination von Speicher, Wind/Solar und einem Stromabnehmer wie E-Mobility rücken Überwachung und Steuerung im Energiemanager zusammen. Wo geht hier die Reise hin?

Nils Johannsen: Die Reise geht in Richtung einer weitreichenden Automatisierung von Erzeugungsanlagen und deren Betrieb sowie der Automatisierung der Verbraucher. Künftig müssen auch die Verbraucher ihren Bedarf an die im Netz verfügbare Leistung anpassen, um Kosten zu sparen und die volatilen erneuerbaren Energien effizient zu nutzen. Dabei spielt nicht nur das Lastmanagement eine Rolle, sondern auch die Integration und Prognose von selbst erzeugtem Strom, der Vergleich mit Börsenstrompreisen und der Einsatz von Speichersystemen wie eigene Batterien, Wasserstoff oder Elektroautos.