Prof. Dr. Eirini Ntoutsi

Aus ökonomischen und sicherheitstechnischen Gründen besteht ein zunehmendes Interesse daran, die heutzutage häufig manuell durchgeführten visuellen Inspektionen von Infrastrukturbauwerken zukünftig durch automatisierte, zuverlässige Systeme zur Zustandsüberwachung zu ersetzen oder zumindest zu ergänzen. Im Rahmen dieses Verbundforschungsvorhabens soll daher ein Beitrag zur Weiterentwicklung der automatisierten Schadensdetektion in Windenergieanlagen auf Basis der Schallemissionsanalyse und unter Anwendung moderner maschineller Lernverfahren geleistet werden.
Aufgrund der rasanten Entwicklung und der kommerziellen Verfügbarkeit leistungsfähiger Computerhardware und kostengünstiger Datenspeicher, wächst auch das Interesse an intelligenten Lösungen zur automatisierten Zustandsüberwachung von Infrastrukturbauwerken. Heutzutage werden diese Bauwerke häufig noch durch regelmäßige, manuelle Sichtinspektionen von erfahrenen Ingenieuren geprüft. Dieses Vorgehen ist aufwendig und kostspielig und birgt das Risiko, dass im Strukturinneren ablaufende Schädigungsmechanismen oder aber kurz nach einer Inspektion auftretende Schäden längere Zeit unentdeckt bleiben.
Vor diesem Hintergrund werden Bauwerke immer häufiger mit piezoelektrischen Sensoren ausgestattet, welche die während des Betriebs auftretenden Körperschallsignale kontinuierlich aufzeichnen. Aufgrund der großen Datenmengen ist eine händische Auswertung dieser Signale jedoch nicht mit vertretbarem Aufwand realisierbar, weshalb automatisierte Lösungen zur zuverlässigen Detektion von Schadensereignissen gewünscht sind.
In diesem Verbundforschungsvorhaben soll ein Überwachungssystem zur automatisierten Detektion von Spanndrahtbrüchen in Windenergieanlagen auf Basis der sogenannten Schallemissionsanalyse entwickelt werden. Dazu werden im Rahmen von Laborversuchen Körperschallsignale infolge realer Drahtbruchereignisse aufgezeichnet. Zusätzlich werden über mehrere Monate die während des üblichen Betriebs auftretenden Körperschallsignale in einer realen Windenergieanlage erfasst. Auf Grundlage dieser Datenbank werden moderne Verfahren aus dem Bereich des maschinellen Lernens zur Klassifikation von Schadensereignissen evaluiert. Abschließend wird eine dieser Methoden in ein Überwachungssystem implementiert, welches zum Projektabschluss in einer realen Windenergieanlage getestet wird.