EP3513066A1

EP3513066A1 - Method and device for monitoring a status of at least one wind turbine and computer program product

Info

Publication number: EP3513066A1
Application number: EP17768096.4A
Authority: EP
Inventors: Mathias Müller; Thomas Schauß
Original assignee: fos4X GmbH
Current assignee: Vc Viii Polytech Holding Aps
Priority date: 2016-09-13
Filing date: 2017-09-13
Publication date: 2019-07-24
Also published as: CN109715936A; US20190203699A1; DE102016117190A1; WO2018050697A1; CA3035871A1

Abstract

The invention relates to a method (200) for monitoring a status of at least one wind turbine. The method (200) comprises: detecting first measurement signals via one or more sensors (210), wherein the first measurement signals provide one or more parameters relating to at least one rotor blade of the at least one wind turbine in a normal status; training a trainable algorithm based on the first measurement signals of the normal status (220); detecting second measurement signals via the one or more sensors (230); and recognising an undetermined anomaly via the trainable algorithm trained in the normal status, if a current status of the wind turbine, determined based on the second measurement signals, deviates from the normal status (240).

Description

Verfahren und Vorrichtung zum Überwachen eines Zustands wenigstens einer Windkraftanlage und Computerprogrammprodukt A method and apparatus for monitoring a condition of at least one wind turbine and computer program product

Die Offenbarung betrifft ein Verfahren und eine Vorrichtung zum Überwachen eines Zustands wenigstens einer Windkraftanlage, und betrifft ein Computerprogrammprodukt. Die vorliegende Offenbarung betrifft insbesondere das Bestimmen eines Zustands eines Rotorblatts einer Windkraftanlage unter Verwendung eines neuronalen Netzes. The disclosure relates to a method and apparatus for monitoring a condition of at least one wind turbine, and relates to a computer program product. In particular, the present disclosure relates to determining a condition of a rotor blade of a wind turbine using a neural network.

Stand der Technik State of the art

Bei herkömmlichen Verfahren zur Zustandsüberwachung von Rotorblättern werden die erfassten Messdaten mit bekannten Schadensbildern verglichen und so die Höhe und Art des Schadens ermittelt. Hierzu werden detaillierte Datenbanken mit Schadensbildern und ihre Korrelation mit den erfassten Messgrößen bereitgestellt. Insbesondere für Rotorblätter von Windenergieanlagen sind aufgrund ihres sich ständig weiterentwickelnden und verändernden Aufbaus die erforderlichen Daten über Schadensbilder lückenhaft oder überhaupt nicht vorhanden. In conventional rotor blade condition monitoring methods, the acquired measurement data are compared with known damage patterns to determine the magnitude and nature of the damage. For this purpose, detailed databases with damage patterns and their correlation with the measured quantities are provided. In particular, for rotor blades of wind turbines due to their constantly evolving and changing structure, the required data on damage pictures are incomplete or not available.

Daher ist es eine Bedürfnis, ein Verfahren und eine Vorrichtung zum Überwachen eines Zustands wenigstens einer Windkraftanlage weiter zu verbessern. Insbesondere ist es ein Bedürfnis, eine Schadenserkennung an Rotorblättern von Windkraftanlagen zu verbessern. Therefore, it is a need to further improve a method and apparatus for monitoring a condition of at least one wind turbine. In particular, there is a need to improve damage detection on rotor blades of wind turbines.

Offenbarung der Erfindung Disclosure of the invention

Es ist die Aufgabe der vorliegenden Offenbarung, ein Verfahren und eine Vorrichtung zum Überwachen eines Zustands wenigstens einer Windkraftanlage sowie ein Computerprogrammprodukt anzugeben, die eine Schadenserkennung an Rotorblätter von Windkraftanlagen ermöglichen. It is the object of the present disclosure, a method and an apparatus for monitoring a condition of at least one wind turbine and a Specify computer program product that allow damage detection on rotor blades of wind turbines.

Diese Aufgabe wird durch den Gegenstand der unabhängigen Ansprüche gelöst. This object is solved by the subject matter of the independent claims.

Gemäß Ausführungsformen der vorliegenden Offenbarung ist ein Verfahren zum Überwachen eines Zustands wenigstens einer Windkraftanlage angegeben. Das Verfahren umfasst ein Erfassen von ersten Messsignalen durch einen oder mehrere Sensoren, wobei die ersten Messsignale einen oder mehrere Parameter bezüglich wenigstens eines Rotorblattes der wenigstens einen Windkraftanlage in einem Normalzustand angeben, ein Anlernen eines lernfähigen Algorithmus basierend auf den ersten Messsignalen des Normalzustands, ein Erfassen von zweiten Messsignalen durch den einen oder die mehreren Sensoren, und ein Erkennen einer unbestimmten Anomalie durch den im Normalzustand angelernten lernfähigen Algorithmus, wenn ein basierend auf den zweiten Messsignalen bestimmter aktueller Zustand der Windkraftanlage vom Normalzustand abweicht. Gemäß einem weiteren Aspekt der vorliegenden Offenbarung ist eine Vorrichtung zum Überwachen eines Zustands wenigstens einer Windkraftanlage angegeben. Die Vorrichtung umfasst einen oder mehrere Sensoren zum Erfassen von ersten Messsignalen, wobei die ersten Messsignale einen oder mehrere Parameter bezüglich wenigstens eines Rotorblattes der Windkraftanlage in einem Normalzustand angeben, und eine elektronische Vorrichtung mit einem lernfähigen Algorithmus. Die elektronische Vorrichtung ist ausgelegt, um den lernfähigen Algorithmus basierend auf den ersten Messsignalen des Normalzustands anzulernen, zweite Messsignale, die durch den einen oder die mehreren Sensoren erfasst werden, zu empfangen, und eine unbestimmte Anomalie zu erkennen, wenn ein basierend auf den zweiten Messsignalen bestimmter aktueller Zustand der Windkraftanlage vom Normalzustand abweicht. According to embodiments of the present disclosure, a method for monitoring a condition of at least one wind turbine is indicated. The method comprises detecting first measurement signals by one or more sensors, the first measurement signals indicating one or more parameters relating to at least one rotor blade of the at least one wind turbine in a normal state, teaching a learning algorithm based on the first measurement signals of the normal state, detecting second sensing signals by the one or more sensors, and detecting an undetermined anomaly by the normally learned adaptive algorithm when a current state of the wind turbine based on the second sensing signals deviates from the normal state. In accordance with another aspect of the present disclosure, an apparatus for monitoring a condition of at least one wind turbine is provided. The device comprises one or more sensors for detecting first measurement signals, wherein the first measurement signals indicate one or more parameters relating to at least one rotor blade of the wind turbine in a normal state, and an electronic device with a learning algorithm. The electronic device is configured to learn the learning algorithm based on the first measurement signals of the normal state, to receive second measurement signals detected by the one or more sensors, and to detect an indeterminate anomaly when based on the second measurement signals certain current state of the wind turbine deviates from the normal state.

Gemäß einem anderen Aspekt der vorliegenden Offenbarung ist ein Computerprogrammprodukt mit einem lernfähigen Algorithmus angegeben. Der lernfähige Algorithmus ist eingerichtet, um basierend auf ersten Messsignalen eines Normalzustands einer Windkraftanlage angelernt zu werden, und um eine unbestimmte Anomalie zu erkennen, wenn ein basierend auf zweiten Messsignalen bestimmter aktueller Zustand der Windkraftanlage vom Normalzustand abweicht. In accordance with another aspect of the present disclosure, a computer program product having a learning algorithm is provided. The adaptive algorithm is set up to use a first measurement signal Normal state of a wind turbine to be learned, and to detect an indefinite anomaly, if a current condition based on second measurement signals of the wind turbine deviates from the normal state.

Bevorzugte, optionale Ausführungsformen und besondere Aspekte der Offenbarung ergeben sich aus den abhängigen Ansprüchen, den Zeichnungen und der vorliegenden Beschreibung. Preferred, optional embodiments, and particular aspects of the disclosure will be apparent from the dependent claims, the drawings, and the present description.

Gemäß den Ausführungsformen der vorliegenden Offenbarung wird der lernfähige Algorithmus, der beispielsweise durch ein neuronales Netz bereitgestellt werden kann, im unbeschädigten Zustand der Windkraftanlage angelernt. Eine Veränderung wird beim erstmaligen Auftreten als Neuheit bzw. als unbestimmte Anomalie detektiert. Beispielsweise kann mit Sensoren in einem Rotorblatt oder in anderen Teilen der Windkraftanlage eine Messgröße erfasst werden, welche mit dem Zustand der Rotorblätter korreliert. Beispielsweise kann mittels Beschleunigungssensoren die Eigenfrequenz des Rotorblatts überwacht werden. Bei einer Änderung des Zustandes des Rotorblatts, beispielsweise durch eine Beschädigung, kann eine Änderung der Eigenfrequenz des Rotorblatts beobachtet werden. Durch die Verwendung des lernfähigen Algorithmus und der Neuheitserkennung ist das Bekanntsein von Schadensbildern nicht notwendig. Somit kann eine verbesserte und vereinfachte Schadenserkennung an Rotorblättern von Windkraftanlagen ermöglicht werden. According to the embodiments of the present disclosure, the learning algorithm, which may be provided by, for example, a neural network, is taught in the undamaged state of the wind turbine. A change is detected on first occurrence as a novelty or as an indeterminate anomaly. For example, with sensors in a rotor blade or in other parts of the wind turbine, a measured variable can be detected, which correlates with the state of the rotor blades. For example, the natural frequency of the rotor blade can be monitored by means of acceleration sensors. When changing the state of the rotor blade, for example by damage, a change in the natural frequency of the rotor blade can be observed. Through the use of the adaptive algorithm and the novelty recognition, it is not necessary to become aware of damage patterns. Thus, an improved and simplified damage detection on rotor blades of wind turbines can be made possible.

Kurze Beschreibung der Zeichnungen Brief description of the drawings

Ausführungsbeispiele der Offenbarung sind in den Figuren dargestellt und werden im Folgenden näher beschrieben. Es zeigen: Embodiments of the disclosure are illustrated in the figures and will be described in more detail below. Show it:

Figur 1 eine schematische Darstellung einer Vorrichtung zum Überwachen eines Zustands wenigstens einer Windkraftanlage gemäß Ausführungsformen der vorliegenden Offenbarung, Figur 2 eine schematische Darstellung eines Verfahrens zum Überwachen eines Zustands wenigstens einer Windkraftanlage gemäß Ausführungsformen der vorliegenden Offenbarung, FIG. 1 is a schematic illustration of an apparatus for monitoring a condition of at least one wind turbine according to embodiments of the present disclosure; FIG. 2 shows a schematic representation of a method for monitoring a state of at least one wind turbine according to embodiments of the present disclosure,

Figur 3 eine Zeitachse für das Anlernen des lernfähigen Algorithmus und eine Schadenserkennung nach dem Anlernen gemäß Ausführungsformen der vorliegenden Offenbarung, FIG. 3 shows a time axis for learning the adaptive algorithm and a damage detection after learning according to embodiments of the present disclosure,

Figur 4 eine schematische Darstellung eines Verfahrens zum Überwachen eines Zustands wenigstens einer Windkraftanlage gemäß Ausführungsformen der vorliegenden Offenbarung, und Figur 5 eine schematische Darstellung eines Windparks mit mehreren Windkraftanlagen gemäß Ausführungsformen der vorliegenden Offenbarung. 4 shows a schematic representation of a method for monitoring a state of at least one wind turbine according to embodiments of the present disclosure, and FIG. 5 shows a schematic illustration of a wind farm with multiple wind turbines according to embodiments of the present disclosure.

Ausführungsformen der Offenbarung Embodiments of the disclosure

Im Folgenden werden, sofern nicht anders vermerkt, für gleiche und gleichwirkende Elemente gleiche Bezugszeichen verwendet. In the following, unless otherwise stated, the same reference numerals are used for the same and equivalent elements.

Figur 1 zeigt eine schematische Darstellung einer Vorrichtung 100 zum Überwachen eines Zustands wenigstens einer Windkraftanlage gemäß Ausführungsformen der vorliegenden Offenbarung. Die Vorrichtung 100 kann ein Messsystem oder Teil eines Messsystems sein. Die Vorrichtung 100 umfasst einen oder mehrere Sensoren 110 zum Erfassen von Messsignalen und eine elektronische Vorrichtung 120 mit einem lernfähigen Algorithmus. Die elektronische Vorrichtung 120 kann eine Überwachungseinheit für die wenigstens eine Windkraftanlage sein. Der lernfähige Algorithmus kann durch ein neuronales Netz bereitgestellt sein. Der lernfähige Algorithmus wird in einem unbeschädigten Zustand der Windkraftanlage, und insbesondere des wenigstens einen Rotorblatts, unter Verwendung der durch die Sensoren 110 bereitgestellten Messsignale angelernt. Anders gesagt erlernt der lernfähige Algorithmus einen Normalzustand der Windkraftanlage, und insbesondere des wenigstens einen Rotorblatts, in einer Anlernphase. Wenn in einer auf die Anlernphase folgenden Betriebsphase der Windkraftanlage eine Veränderung der Messsignale bzw. eine daraus abgeleitete Veränderung des Zustands festgestellt wird, wird diese Veränderung insbesondere beim erstmaligen Auftreten als Neuheit bzw. als unbestimmte Anomalie detektiert. Insbesondere wird ein aktueller Zustand der Windkraftanlage in der Betriebsphase mit dem erlernten Normalzustand verglichen, wobei bei einer Abweichung des aktuellen Zustands vom Normalzustand auf das Vorliegen der unbestimmten Anomalie geschlossen wird, wenn die Abweichung beispielsweise außerhalb eines Toleranzbereichs ist. Somit müssen keine Schadensbilder bereitgestellt werden, um beispielsweise eine Beschädigung eines Rotorblatts zu erkennen. Insbesondere kann die Schadenserkennung ohne vorhandene Daten über Schadensbilder erfolgen. In der Figur 1 umfassen die einen oder mehrere Sensoren 110 einen ersten Sensor 112, einen zweiten Sensor 114 und einen dritten Sensor 116. Die vorliegende Offenbarung ist jedoch nicht hierauf begrenzt, und es kann jede geeignete Anzahl an Sensoren bereitgestellt sein. Die Sensoren 110 können an oder in einem zu überwachenden Rotorblatt der Windkraftanlage und/oder in anderen Teilen der Windkraftanlage angeordnet sein. FIG. 1 shows a schematic representation of a device 100 for monitoring a state of at least one wind turbine according to embodiments of the present disclosure. The device 100 may be a measuring system or part of a measuring system. The device 100 comprises one or more sensors 110 for detecting measurement signals and an electronic device 120 with a learning algorithm. The electronic device 120 may be a monitoring unit for the at least one wind turbine. The learning algorithm may be provided by a neural network. The learning algorithm is in an undamaged state of the wind turbine, and in particular the at least one rotor blade under Using the provided by the sensors 110 measurement signals learned. In other words, the learning algorithm learns a normal state of the wind turbine, and in particular the at least one rotor blade, in a learning phase. If a change in the measurement signals or a change in the state derived therefrom is detected in an operating phase of the wind power plant following the learning phase, this change is detected as a novelty or as an undefined anomaly, in particular at the first occurrence. In particular, a current state of the wind turbine in the operating phase is compared with the learned normal state, wherein when the current state deviates from the normal state, it is concluded that the indeterminate anomaly exists if the deviation is outside a tolerance range, for example. Thus, no damage images need to be provided, for example, to detect damage to a rotor blade. In particular, the damage detection can be done without existing data on damage patterns. In FIG. 1, the one or more sensors 110 include a first sensor 112, a second sensor 114, and a third sensor 116. However, the present disclosure is not so limited, and any suitable number of sensors may be provided. The sensors 110 can be arranged on or in a rotor blade to be monitored of the wind turbine and / or in other parts of the wind turbine.

Insbesondere können die Sensoren 110 gemäß Ausführungsformen in das Rotorblatt integriert oder auf einer Oberfläche des Rotorblatts angeordnet sein. Alternativ oder zusätzlich können wenigstens einige der Sensoren 110 in anderen Teilen der Windkraftanlage angeordnet sein, wie beispielsweise einer Nabe, an der des Rotorblatts drehbar gelagert ist, und/oder dem Turm einer Windkraftanlage. Gemäß Ausführungsformen, die mit anderen hier beschriebenen Ausführungsformen kombiniert werden können, sind die Sensoren 110 aus der Gruppe ausgewählt, die aus Beschleunigungssensoren, faseroptischen Sensoren, Torsionssensoren, Temperatursensoren und Strömungssensoren besteht. Gemäß Ausführungsformen kann die Vorrichtung 100 eine Ausgabeeinheit 130 umfassen. Die Ausgabeeinheit 130 kann beispielweise eingerichtet sein, um Anzuzeigen, dass die unbestimmte Anomalie vorliegt. Beispielweise kann die Ausgabeeinheit 130 eine Meldung oder einen Alarm ausgeben, um einen Benutzer über das Vorliegen der unbestimmten Anomalie zu informieren. Die Ausgabeeinheit 130 kann hierzu eine Anzeigevorrichtung wie beispielsweise einen Bildschirm umfassen. Gemäß Ausführungsformen kann die Meldung oder der Alarm optisch und/oder akustisch ausgegeben werden. In particular, according to embodiments, the sensors 110 may be integrated in the rotor blade or arranged on a surface of the rotor blade. Alternatively or additionally, at least some of the sensors 110 may be disposed in other parts of the wind turbine, such as a hub on which the rotor blade is rotatably mounted, and / or the tower of a wind turbine. According to embodiments that may be combined with other embodiments described herein, the sensors 110 are selected from the group consisting of acceleration sensors, fiber optic sensors, torsion sensors, temperature sensors, and flow sensors. According to embodiments, the device 100 may include an output unit 130. The output unit 130 may be configured, for example, to indicate that the indefinite anomaly exists. For example, the output unit 130 may issue a message or an alarm to inform a user of the existence of the undetermined anomaly. The output unit 130 can for this purpose comprise a display device such as a screen. According to embodiments, the message or the alarm may be issued optically and / or acoustically.

Figur 2 zeigt eine schematische Darstellung eines Verfahrens 200 zum Überwachen eines Zustands wenigstens einer Windkraftanlage, und insbesondere eines Zustands eines Rotorblatts der Windkraftanlage, gemäß Ausführungsformen der vorliegenden Offenbarung. Das Verfahren 200 kann die unter Bezugnahme auf die Figur 1 beschriebene Vorrichtung verwenden. Insbesondere kann die Vorrichtung eingerichtet sein, um das Verfahren gemäß den hier beschriebenen Ausführungsformen auszuführen. FIG. 2 shows a schematic representation of a method 200 for monitoring a state of at least one wind turbine, and in particular a state of a rotor blade of the wind turbine, according to embodiments of the present disclosure. The method 200 may use the apparatus described with reference to FIG. In particular, the apparatus may be arranged to carry out the method according to the embodiments described here.

Das Verfahren umfasst im Schritt 210 ein Erfassen von ersten Messsignalen durch einen oder mehrere Sensoren, wobei die ersten Messsignale einen oder mehrere Parameter bezüglich wenigstens eines Rotorblattes der wenigstens einen Windkraftanlage in einem Normalzustand angeben, im Schritt 220 ein Anlernen eines lernfähigen Algorithmus, beispielsweise eines neuronalen Netzes, basierend auf den ersten Messsignalen des Normalzustands, im Schritt 230 ein Erfassen von zweiten Messsignalen durch den einen oder die mehreren Sensoren, und im Schritt 240 ein Erkennen einer unbestimmten Anomalie durch den im Normalzustand angelernten lernfähigen Algorithmus, wenn ein basierend auf den zweiten Messsignalen bestimmter aktueller Zustand der Windkraftanlage vom Normalzustand abweicht. Beispielsweise kann wenigstens ein Messsignal der zweiten Messsignale eine Abweichung vom Normalzustand angeben. The method comprises, in step 210, detecting first measurement signals by one or more sensors, wherein the first measurement signals indicate one or more parameters relating to at least one rotor blade of the at least one wind turbine in a normal state, in step 220, teaching a learning algorithm, such as a neural Net, based on the first measurement signals of the normal state, in step 230, detecting second measurement signals by the one or more sensors, and in step 240, detecting an undetermined anomaly by the normally learned adaptive algorithm, if based on the second measurement signals certain current state of the wind turbine deviates from the normal state. For example, at least one measurement signal of the second measurement signals may indicate a deviation from the normal state.

Typischerweise wird der Normalzustand aus den ersten Messsignalen abgebildet und der aktuelle Zustand wird aus den zweiten Messsignalen abgebildet. Die unbestimmte Anomalie kann durch einen Vergleich des Normalzustands mit dem aktuellen Zustand erkannt werden. Typically, the normal state is mapped from the first measurement signals and the current state is mapped from the second measurement signals. The indefinite Anomaly can be detected by comparing the normal state with the current state.

Das Messsystem bzw. der lernfähige Algorithmus wird im unbeschädigten Zustand der Windkraftanlage angelernt. Anders gesagt erlernt der lernfähige Algorithmus den Normalzustand der Windkraftanlage, und insbesondere der Rotorblätter. Jede Veränderung, die durch einen Vergleich des aktuellen Zustands der Windkraftanlage mit dem erlernten Normalzustand detektiert werden kann, wird beim erstmaligen Auftreten als Neuheit bzw. als unbestimmte Anomalie detektiert. Tritt eine weitere Beschädigung auf und verändert den Systemeingang, so wird auch diese als weitere Neuheit detektiert. The measuring system or the adaptive algorithm is taught in the undamaged state of the wind turbine. In other words, the learning algorithm learns the normal state of the wind turbine, and in particular of the rotor blades. Any change that can be detected by comparing the current state of the wind turbine with the learned normal state is detected at the first occurrence as a novelty or as an undetermined anomaly. If further damage occurs and changes the system input, then this is detected as a further novelty.

Der Normalzustand der Windkraftanlage kann dabei durch den einen oder die mehreren Parameter bezüglich des wenigstens einen Rotorblatts definiert sein. Ähnlich kann der aktuelle Zustand der Windkraftanlage kann durch den einen oder die mehreren Parameter bezüglich des wenigstens einen Rotorblatts definiert sein. Beispielweise kann der Parameter eine Eigenfrequenz, wie beispielsweise eine Torsionseigenfrequenz, des Rotorblatts sein. Wenn die bestimmte Eigenfrequenz einem Normal-Referenzwert entspricht oder innerhalb eines vorbestimmten Bereichs um den Normal-Referenzwert liegt, befindet sich das Rotorblatt im Normalzustand. Weicht die bestimmte Eigenfrequenz im aktuellen Zustand vom Normal-Referenzwert ab oder liegt außerhalb des vorbestimmten Bereichs, wird das Vorliegen einer unbestimmten Anomalie erkannt. The normal state of the wind turbine can be defined by the one or more parameters with respect to the at least one rotor blade. Similarly, the current state of the wind turbine may be defined by the one or more parameters relating to the at least one rotor blade. For example, the parameter may be a natural frequency, such as a torsional natural frequency, of the rotor blade. If the determined natural frequency is equal to a normal reference value or within a predetermined range around the normal reference value, the rotor blade is in the normal state. If the determined natural frequency deviates in the current state from the normal reference value or lies outside the predetermined range, the presence of an indeterminate anomaly is detected.

Der Normalzustand und/oder der aktuelle Zustand können sich auf ein einzelnes Rotorblatt beziehen, oder auf alle Rotorblätter einer Windkraftanlage. Zudem kann gemäß Ausführungsformen der Normalzustand für ein einziges Rotorblatt erlernt werden, und kann dann auf andere Rotorblätter beispielsweise gleicher Bauart und/oder desselben Typs übertragen werden. So kann beispielsweise eine Windkraftanlage Fremddaten bezüglich des Normalzustands von anderen Windkraftanlagen erhalten und somit von anderen Windkraftanlagen lernen. Durch die Verwendung von lernfähigen Algorithmen, wie beispielsweise neuronalen Netzen, und einer Neuheitserkennung ist das Bekanntsein von Schadensbildern nicht notwendig. Insbesondere kennt oder umfasst der lernfähige Algorithmus, und insbesondere der ungelernte und/oder angelernte der lernfähige Algorithmus, keine vorbestimmen Anomalien. Der Begriff„unbestimmt" ist dabei so zu verstehen, dass der lernfähige Algorithmus keine vorab vorhandenen Daten oder Vergleichsmodelle zur Anomalie hat. Beispielsweise gibt es gemäß Ausführungsformen keine (direkte) Bestimmung der Art der unbestimmten Anomalie oder Neuheit (z.B. Eisansatz, Riss, starke Windböe, etc.) wenn die unbestimmte Anomalie oder Neuheit erkannt wird. Die Ausführungsformen der vorliegenden Offenbarung können Anomalien, wie beispielsweise Beschädigungen der Rotorblätter erkennen, ohne dass vorab Daten über Schadensbilder vorhanden sind. Dies ist insbesondere deshalb vorteilhaft, da die Rotorblätter im Vergleich zu anderen Defekten auf Windenergieanlagen relativ selten beschädigt werden. Zudem sind Daten über Schadensbilder auf Grund des sich ständig weiterentwickelnden und verändernden Aufbaus der Rotorblätter lückenhaft bzw. nicht vorhanden. The normal state and / or the current state can refer to a single rotor blade, or to all rotor blades of a wind turbine. In addition, according to embodiments, the normal state can be learned for a single rotor blade, and can then be transferred to other rotor blades, for example of the same type and / or the same type. For example, a wind turbine can obtain external data relating to the normal state of other wind turbines and thus learn from other wind turbines. Through the use of adaptive algorithms, such as neural networks, and novelty detection, the awareness of damage patterns is not necessary. In particular, the learning algorithm, and especially the unskilled and / or semi-skilled learning algorithm, does not know or include any predetermined anomalies. The term "indeterminate" is to be understood as meaning that the adaptive algorithm does not have any pre-existing data or comparison models for the anomaly, for example according to embodiments there is no (direct) determination of the nature of the undetermined anomaly or novelty (eg ice formation, crack, strong gust of wind) , etc.) when the indeterminate anomaly or novelty is recognized The embodiments of the present disclosure can detect anomalies such as damage to the rotor blades without prior data on damage patterns, and this is particularly advantageous because the rotor blades are more advantageous than others Defects on wind turbines are relatively rarely damaged, and data on damage patterns is incomplete or missing due to the constantly evolving and changing structure of the rotor blades.

Gemäß Ausführungsformen der vorliegenden Offenbarung, die mit anderen hier beschriebenen Ausführungsformen kombiniert werden können, umfasst das Verfahren 200 weiter ein Ergänzen und/oder Aktualisieren des lernfähigen Algorithmus mit der erkannten unbestimmten Anomalie. Insbesondere kann der lernfähige Algorithmus bei einem wiederholten Auftreten der im Wesentlichen selben unbestimmten Anomalie diese (wieder)erkennen. Beispielweise kann das Verfahren 200 ein Ausgeben einer Meldung oder eines Alarms umfassen, die/der das wiederholte Auftreten der unbestimmten Anomalie angibt. In einigen Ausführungsformen können Informationen über die Historie dieser unbestimmten Anomalie bereitgestellt werden, beispielsweise Informationen über einen Zeitpunkt des Auftretens, eine Häufigkeit des Auftretens, etc. In accordance with embodiments of the present disclosure that may be combined with other embodiments described herein, method 200 further includes supplementing and / or updating the learning algorithm with the detected undetermined anomaly. In particular, the learning algorithm can recognize this (again) in a repeated occurrence of substantially the same indefinite anomaly. For example, the method 200 may include issuing a message or an alarm indicating the repeated occurrence of the indeterminate anomaly. In some embodiments, information about the history of this indeterminate anomaly may be provided, such as information about a time of occurrence, frequency of occurrence, etc.

Beispielsweise kann aus der Anzahl der Meldungen oder Alarme innerhalb einer definierten Zeitspanne auf den Ursprung des Alarms und/oder die Natur der unbestimmten Anomalie (Eisansatz, starke Windböe, etc.) geschlossen werden. Viele Meldungen oder Alarme über einen längeren Zeitraum können einer ständigen Massenzunahme des Rotorblattes durch Eisansatz geschuldet sein. Mehrere Meldungen oder Alarme innerhalb kürzester Zeit können stattdessen auf eine einmalige Beschädigung des Rotorblattes deuten. For example, from the number of messages or alarms within a defined period of time to the origin of the alarm and / or the nature of the alarm indefinite anomaly (ice formation, strong gust of wind, etc.) are closed. Many messages or alarms over a longer period of time may be due to a constant increase in mass of the rotor blade due to ice accumulation. Multiple messages or alarms within a very short time may instead indicate a one-time damage to the rotor blade.

In einigen Ausführungsformen erfolgt das Anlernen des lernfähigen Algorithmus in einem unbeschädigten Zustand und/oder unbelasteten Zustand (z.B. ohne Eisansatz) der Windkraftanlage, und insbesondere in einem unbeschädigten und/oder unbelasteten Zustand der Rotorblätter. Das Anlernen kann gemäß Ausführungsformen zeitlich und/oder örtlich getrennt vor einem Aufbau der Windkraftanlage erfolgen. Damit müssen keine Datenbanken über Schadensbilder bereitgestellt werden, da der lernfähige Algorithmus einen individuellen Normalzustand der Windkraftanlage, und insbesondere der Rotorblätter der Windkraftanlage, erlernt, wobei im Betrieb der Windkraftanlage Abweichungen vom zuvor erlernten Normalzustand durch Auswertung der Messsignale erkannt werden können. In some embodiments, the learning of the learning algorithm is performed in an undamaged state and / or unloaded state (e.g., without ice buildup) of the wind turbine, and more particularly in an undamaged and / or unloaded state of the rotor blades. The training can be done in accordance with embodiments temporally and / or locally separated from a structure of the wind turbine. Thus databases do not have to be provided via damage images, since the adaptive algorithm learns an individual normal state of the wind power plant, and in particular the rotor blades of the wind turbine, wherein during operation of the wind turbine deviations from the previously learned normal state can be detected by evaluation of the measurement signals.

Die ersten Messsignale und die zweiten Messsignale geben einen oder mehrere Parameter bezüglich des zu überwachenden Rotorblatts an. Gemäß Ausführungsformen ist der eine oder die mehreren Parameter bezüglich dem Rotorblatt aus der Gruppe ausgewählt, die eine Eigenfrequenz des Rotorblattes, eine Temperatur, einen Anstellwinkel des Rotorblattes, einen Pitchwinkel, einen Anströmwinkel und eine Anströmgeschwindigkeit umfasst. So kann beispielsweise eine veränderte Eigenfrequenz, eine erhöhte Temperatur an der Befestigung des Rotorblatts an der Nabe und/oder ein unnatürlicher Anstellwinkel, Pitchwinkel oder Anströmwinkel als unbestimmte Anomalie erkannt werden. Weiter kann beispielsweise eine erhöhte Anströmgeschwindigkeit an bestimmten Bereichen des Rotorblatts auf eine Beschädigung oder Verformung des Rotorblatts hinweisen. The first measurement signals and the second measurement signals indicate one or more parameters with respect to the rotor blade to be monitored. According to embodiments, the one or more parameters related to the rotor blade is selected from the group consisting of a natural frequency of the rotor blade, a temperature, an angle of attack of the rotor blade, a pitch angle, an angle of attack, and a flow velocity. For example, a changed natural frequency, an increased temperature at the attachment of the rotor blade to the hub and / or an unnatural angle of attack, pitch angle or angle of attack can be recognized as an undefined anomaly. Further, for example, an increased flow velocity at certain areas of the rotor blade may indicate damage or deformation of the rotor blade.

Beispielsweise können die ersten Messsignale und die zweiten Messsignale mit dem Zustand des zu überwachenden Rotorblatts korrelieren und/oder eine Messgröße angeben, welche mit dem Zustand korreliert. So kann in einigen Ausführungsformen mittels Beschleunigungssensoren eine Eigenfrequenz des Rotorblatts überwacht werden, wobei die Eigenfrequenz den Parameter bezüglich des Rotorblatts angibt. In einigen Ausführungsformen kann das Verfahren 200 ein Durchführen einer Frequenzanalyse zur Bestimmung der Eigenfrequenz, insbesondere einer Torsionseigenfrequenz, umfassen. Bei einer Änderung des Zustandes des Rotorblatts, z.B. durch eine Beschädigung oder eine Beaufschlagung mit Eis, kann eine Änderung der Eigenfrequenz beobachtet werden. Die Änderung der Eigenfrequenz kann dann beispielsweise als die unbestimmte Anomalie erkannt oder bestimmt werden. For example, the first measurement signals and the second measurement signals can correlate with the state of the rotor blade to be monitored and / or specify a measured variable which correlates with the state. So, in some embodiments a natural frequency of the rotor blade can be monitored by means of acceleration sensors, wherein the natural frequency indicates the parameter with respect to the rotor blade. In some embodiments, the method 200 may include performing a frequency analysis to determine the natural frequency, particularly a natural torsional frequency. When changing the state of the rotor blade, for example by damage or exposure to ice, a change in the natural frequency can be observed. The change of the natural frequency can then be recognized or determined, for example, as the indeterminate anomaly.

Zusätzlich zur Erfassung der ersten Messsignale und/oder der zweiten Messsignale (primäre Messdatenerfassung) können eine oder mehrere weitere Parameter als Eingang für den lernfähigen Algorithmus verwendet werden. Der eine oder die mehreren weiteren Parameter können Betriebsparameter und/oder Umweltparameter sein. Die Betriebsparameter können beispielsweise den Anstellwinkel, den Pitchwinkel, die Rotordrehzahl, die eingespeiste Energie, den Anströmwinkel und die Anströmgeschwindigkeit umfassen. Die Umweltparameter können beispielsweise eine Windgeschwindigkeit und eine Umgebungstemperatur oder Außentemperatur umfassen. In addition to the detection of the first measurement signals and / or the second measurement signals (primary measurement data acquisition), one or more further parameters can be used as input for the adaptive algorithm. The one or more other parameters may be operating parameters and / or environmental parameters. The operating parameters may include, for example, the angle of attack, the pitch angle, the rotor speed, the injected energy, the angle of attack and the flow velocity. The environmental parameters may include, for example, a wind speed and an ambient or outside temperature.

Typischerweise wird der Anstellwinkel bezüglich einer Referenzebene definiert. Der Pitchwinkel kann eine Winkeleinstellung des Rotorblatts bezüglich einer Nabe, an dem das Rotorblatts drehbar gelagert ist, angegeben. Der Anströmwinkel kann einen Winkel zwischen einer durch das Rotorblatt definierten Ebene und einer Windrichtung angeben. Die Anströmgeschwindigkeit kann eine relative Geschwindigkeit oder relative mittlere Geschwindigkeit angeben, mit der die Luft auf das Rotorblatt trifft. Die Windgeschwindigkeit kann eine absolute Windgeschwindigkeit angeben. Gemäß einigen Ausführungsformen, die mit anderen hier beschriebenen Ausführungsformen kombiniert werden können, sind die ersten Messsignale und die zweiten Messsignale optische Signale. Beispielsweise können die Sensoren optische Sensoren sein, wie beispielsweise faseroptische Sensoren oder faseroptische Torsionssensoren. Gemäß einem anderen Aspekt der vorliegenden Offenbarung ist ein Computerprogrammprodukt mit einem lernfähigen Algorithmus angegeben. Der lernfähige Algorithmus ist eingerichtet, um basierend auf ersten Messsignalen eines Normalzustands einer Windkraftanlage angelernt zu werden, und um eine unbestimmte Anomalie zu erkennen, wenn ein basierend auf zweiten Messsignalen bestimmter aktueller Zustand der Windkraftanlage vom erlernten Normalzustand abweicht. Das Computerprogrammprodukt kann ein beispielsweise ein Speichermedium mit den darauf gespeicherten lernfähigen Algorithmus sein. Typically, the angle of attack is defined with respect to a reference plane. The pitch angle may indicate an angular adjustment of the rotor blade relative to a hub on which the rotor blade is rotatably mounted. The angle of attack may indicate an angle between a plane defined by the rotor blade and a wind direction. The flow velocity may indicate a relative velocity or relative average velocity with which the air impinges on the rotor blade. The wind speed can indicate an absolute wind speed. According to some embodiments that may be combined with other embodiments described herein, the first measurement signals and the second measurement signals are optical signals. For example, the sensors may be optical sensors, such as fiber optic sensors or fiber optic torsion sensors. In accordance with another aspect of the present disclosure, a computer program product having a learning algorithm is provided. The learning algorithm is configured to be trained based on first measurement signals of a normal state of a wind turbine, and to detect an indefinite anomaly when a current state of the wind turbine based on second measurement signals deviates from the learned normal state. The computer program product may be, for example, a storage medium with the learning algorithm stored thereon.

Figur 3 zeigt eine Zeitachse für das Anlernen des lernfähigen Algorithmus und eine Schadenserkennung nach dem Anlernen gemäß Ausführungsformen der vorliegenden Offenbarung. FIG. 3 shows a timeline for teaching the learning algorithm and damage detection after learning in accordance with embodiments of the present disclosure.

Das Anlernen des lernfähigen Algorithmus erfolgt in einer Anlernphase in einem unbeschädigten Zustand und/oder unbelasteten Zustand (z.B. ohne Eisansatz) der Windkraftanlage, und insbesondere in einem unbeschädigten Zustand und/oder unbelasteten Zustand der Rotorblätter. Die Anlernphase kann für eine vorbestimmte Dauer zwischen einem Zeitpunkt tO und einem Zeitpunkt tl erfolgen. Die vorbestimmte Dauer kann im Bereich von mehreren Stunden, mehreren Tagen, und mehreren Wochen sein. Gemäß Ausführungsformen kann die vorbestimmte Dauer mehr als eine Woche, wie beispielsweise 1 bis 5 Wochen, 1 bis 3 Wochen, oder 1 bis 2 Wochen sein. In weiteren Ausführungsformen kann die vorbestimmte Dauer weniger als eine Woche sein. Die vorbestimmte Dauer, also der Anlernzeitraum, kann basierend auf einer gewünschten Güte der Neuheitserkennung ausgewählt werden. The learning of the adaptive algorithm is performed in a learning phase in an undamaged state and / or unloaded state (for example, without ice accumulation) of the wind turbine, and in particular in an undamaged state and / or unloaded state of the rotor blades. The learning phase can take place for a predetermined duration between a time t0 and a time t1. The predetermined duration may be in the range of several hours, several days, and several weeks. According to embodiments, the predetermined duration may be more than one week, such as 1 to 5 weeks, 1 to 3 weeks, or 1 to 2 weeks. In other embodiments, the predetermined duration may be less than a week. The predetermined duration, that is, the training period, may be selected based on a desired quality of novelty recognition.

Das Anlernen kann gemäß Ausführungsformen zeitlich und/oder örtlich getrennt vor einem Aufbau der Windkraftanlage erfolgen. Anders gesagt kann die Anlernphase vor einer Betriebsphase erfolgen, also bevor die Windkraftanlage beispielsweise für die Stromerzeugung in Betrieb geht. Nach Ende der Anlernphase wird die Windkraftanlage betrieben und der lernfähige Algorithmus überwacht den aktuellen Zustand der Windkraftanlage, und insbesondere der Rotorblätter, mittels der zweiten Messsignale. Wenn die zweiten Messsignale bzw. der daraus bestimmte aktuelle Zustand beispielsweise zu einem Zeitpunkt t2 eine Abweichung vom zuvor erlernten Normalzustand angeben, kann die unbestimmte Anomalie erkannt werden. The training can be done in accordance with embodiments temporally and / or locally separated from a structure of the wind turbine. In other words, the Anlernphase can be done before an operating phase, so before the wind turbine goes into operation, for example, for power generation. After completion of the learning phase, the wind turbine is operated and the learning algorithm monitors the current state of the wind turbine, and in particular the rotor blades, by means of the second measurement signals. If the second measurement signals or the current determined State, for example, at a time t2 indicate a deviation from the previously learned normal state, the indefinite anomaly can be detected.

Figur 4 zeigt eine schematische Darstellung eines Verfahrens zum Überwachen eines Zustands wenigstens einer Windkraftanlage gemäß Ausführungsformen der vorliegenden Offenbarung. FIG. 4 shows a schematic representation of a method for monitoring a state of at least one wind turbine according to embodiments of the present disclosure.

Gemäß Ausführungsformen, die mit anderen hier beschriebenen Ausführungsformen kommen werden können, umfasst das Verfahren im Schritt 230 das Erfassen der zweiten Messsignale durch die Sensoren, und im Schritt 240 ein Bestimmen, ob der basierend auf den zweiten Messsignalen bestimmte aktuelle Zustand vom Normalzustand abweicht. Beispielsweise kann die unbestimmte Anomalie erkannt werden, wenn eine durch die zweiten Messsignale bestimmte Eigenfrequenz des aktuellen Zustands von der durch die ersten Signale bestimmten Eigenfrequenz, die den Normalzustand angibt, abweicht und/oder außerhalb eines Toleranzbereichs liegt. According to embodiments that may come with other embodiments described herein, in step 230, the method includes detecting the second measurement signals by the sensors, and in step 240, determining whether the current state determined based on the second measurement signals deviates from the normal state. For example, the indeterminate anomaly can be detected if a natural frequency of the current state determined by the second measurement signals deviates from the natural frequency determined by the first signals, which indicates the normal state, and / or lies outside a tolerance range.

In einem Schritt 250 des Verfahrens kann die unbestimmte Anomalie bestimmt oder erkannt werden, wenn die Abweichung des aktuellen Zustands vom Normalzustand größer als eine Referenzabweichung ist, z.B. wenn die Abweichung außerhalb des Toleranzbereichs ist. Es wird gemäß Ausführungsformen keine unbestimmte Anomalie erkannt, wenn die Abweichung des aktuellen Zustands kleiner als die Referenzabweichung ist. Beispielsweise wird der lernfähige Algorithmus so programmiert oder angelernt, dass er nur bestimmte (z.B. extreme) Neuheiten erkennt. Eine starke Windböe wird beispielsweise nicht als unbestimmte Anomalie erkannt, sondern als Normalzustand. In a step 250 of the method, the undetermined anomaly may be determined or recognized when the deviation of the current state from the normal state is greater than a reference deviation, e.g. if the deviation is outside the tolerance range. According to embodiments, no indeterminate anomaly is detected when the deviation of the current state is smaller than the reference deviation. For example, the adaptive algorithm is programmed or taught to recognize only certain (e.g., extreme) novelties. For example, a strong gust of wind is not recognized as an indeterminate anomaly but as a normal condition.

Die Referenzabweichung kann durch einen vorbestimmten Bereich um einen Normal- Referenzwert des Normalzustands definiert sein. Der vorbestimmte Bereich kann ein Toleranzbereich sein. Wenn beispielsweise die aus den zweiten Messsignalen bestimmte Eigenfrequenz dem Normal-Referenzwert entspricht oder innerhalb des vorbestimmten Bereichs um den Normal-Referenzwert liegt, befindet sich das Rotorblatt im Normalzustand und es wird keine unbestimmte Anomalie erkannt. Liegt die aus den zweiten Messsignalen bestimmte Eigenfrequenz des aktuellen Zustands jedoch außerhalb des vorbestimmten Bereichs, wird das Vorliegen einer unbestimmten Anomalie erkannt. The reference deviation may be defined by a predetermined range around a normal reference value of the normal state. The predetermined range may be a tolerance range. For example, if the natural frequency determined from the second measurement signals is equal to the normal reference value or within the predetermined range around the normal reference value, the rotor blade is in the normal state and no indeterminate anomaly is detected. Is the natural frequency of the current state determined from the second measurement signals however, outside the predetermined range, the presence of an indeterminate anomaly is detected.

Der vorbestimmte Bereich kann beispielsweise durch eine vorbestimmte prozentuale Abweichung vom Normal-Referenzwert definiert sein. So kann die Referenzabweichung zum Beispiel einer Abweichung von 5%, 10%, 15%, oder 20% vom Normal-Referenzwert entsprechen. The predetermined range may be defined, for example, by a predetermined percentage deviation from the normal reference value. For example, the reference deviation may correspond to a deviation of 5%, 10%, 15%, or 20% of the normal reference value.

In manchen Ausführungsformen der vorliegenden Offenbarung kann, wenn eine unbestimmte Anomalie erkannt wird, das Verfahren im Schritt 260 ein Ausgeben einer Meldung oder eines Alarms bezüglich der erkannten unbestimmten Anomalie umfassen. Die Meldung oder der Alarm kann optisch und/oder akustische ausgegeben werden. Beispielsweise kann die Meldung oder der Alarm als Email und/oder Warnsignal erfolgen. In some embodiments of the present disclosure, if an undetermined anomaly is detected, at step 260, the method may include issuing a message or alarm regarding the detected undetermined anomaly. The message or the alarm can be issued visually and / or acoustically. For example, the message or the alarm can be done as an email and / or warning.

Gemäß Ausführungsformen, die mit anderen hier beschriebenen Ausführungsformen kombiniert werden können, umfasst das Verfahren weiter ein Durchführen einer Plausibilitätsprüfung der erkannten unbestimmten Anomalie. Ist beispielsweise eine Abweichung vom Normalzustand größer als eine maximale Referenzabweichung, so kann beispielsweise auf einen Messfehler geschlossen werden. In einem weiteren Beispiel kann ein Eisansatz durch eine Messung der Außentemperatur ausgeschlossen werden. In weiteren Schritten kann eine Bestimmung des Ursprungs des Alarms erfolgen. Dies kann beispielsweise automatisch und softwaretechnisch oder per Hand durch einen Techniker durchgeführt werden. Zählt man die Anzahl der Alarmmeldungen innerhalb einer definierten Zeitspanne kann daraus auf den Ursprung des Alarms geschlossen werden. Viele Alarme über einen längeren Zeitraum können einer ständigen Massenzunahme des Rotorblattes durch Eisansatz geschuldet sein. Mehrere Alarme innerhalb kürzester Zeit können auf eine einmalige Beschädigung des Rotorblattes deuten. Figur 5 zeigt eine schematische Darstellung eines Windparks 500 mit mehreren Windkraftanlagen 520 gemäß Ausführungsformen der vorliegenden Offenbarung. According to embodiments that may be combined with other embodiments described herein, the method further comprises performing a plausibility check on the detected undetermined anomaly. If, for example, a deviation from the normal state is greater than a maximum reference deviation, then it is possible, for example, to conclude a measurement error. In another example, ice accumulation may be precluded by measuring the outside temperature. In further steps, a determination of the origin of the alarm can take place. This can be done for example automatically and by software or by hand by a technician. If the number of alarm messages is counted within a defined period of time, the origin of the alarm can be deduced therefrom. Many alarms over a longer period of time may be due to a constant increase in the mass of the rotor blade due to ice accumulation. Several alarms within a very short time can indicate a one-time damage to the rotor blade. FIG. 5 shows a schematic illustration of a wind farm 500 with several wind turbines 520 according to embodiments of the present disclosure.

Gemäß Ausführungsformen kann die wenigstens eine Windkraftanlage mehrere Windkraftanlagen 520 sein. Insbesondere können die Ausführungsformen der vorliegenden Offenbarung für die Überwachung eines Zustands eines Windparks mit mehreren Windkraftanlagen 520 verwendet werden. So kann eine einzelner lernfähiger Algorithmus verwendet werden, um den Zustand der mehreren Windkraftanlagen 520 zu überwachen. Jede der mehreren Windkraftanlagen 520 kann Sensoren umfassen, die wenigstens die zweiten Messsignale bereitstellen. Dies erlaubt eine zentrale Überwachung einer Vielzahl von Windkraftanlagen durch eine einzige Überwachungseinheit 510, die den lernfähigen Algorithmus umfasst. According to embodiments, the at least one wind turbine may be multiple wind turbines 520. In particular, the embodiments of the present disclosure may be used to monitor a condition of a wind farm having multiple wind turbines 520. Thus, a single adaptive algorithm may be used to monitor the condition of the multiple wind turbines 520. Each of the multiple wind turbines 520 may include sensors that provide at least the second measurement signals. This allows central monitoring of a plurality of wind turbines by a single monitoring unit 510, which includes the learning algorithm.

Gemäß den Ausführungsformen der vorliegenden Offenbarung wird der lernfähige Algorithmus, der beispielsweise durch ein neuronales Netz bereitgestellt werden kann, im unbeschädigten Zustand der Windkraftanlage angelernt. Eine Veränderung im aktuellen Zustand wird beim erstmaligen Auftreten als Neuheit bzw. als unbestimmte Anomalie detektiert. Beispielsweise kann mit Sensoren in einem Rotorblatt oder in anderen Teilen der Windkraftanlage eine Messgröße erfasst werden, welche mit dem Zustand der Rotorblätter korreliert. Beispielsweise kann mittels Beschleunigungssensoren die Eigenfrequenz des Rotorblatts überwacht werden. Bei einer Änderung des Zustandes des Rotorblatts, beispielsweise durch eine Beschädigung, kann eine Änderung der Eigenfrequenz des Rotorblatts beobachtet werden. Durch die Verwendung des lernfähigen Algorithmus und der Neuheitserkennung ist das Bekanntsein von Schadensbildern nicht notwendig. Somit kann eine verbesserte und vereinfachte Schadenserkennung an Rotorblättern von Windkraftanlagen ermöglicht werden. According to the embodiments of the present disclosure, the learning algorithm, which may be provided by, for example, a neural network, is taught in the undamaged state of the wind turbine. A change in the current state is detected at the first occurrence as novelty or as undetermined anomaly. For example, with sensors in a rotor blade or in other parts of the wind turbine, a measured variable can be detected, which correlates with the state of the rotor blades. For example, the natural frequency of the rotor blade can be monitored by means of acceleration sensors. When changing the state of the rotor blade, for example by damage, a change in the natural frequency of the rotor blade can be observed. Through the use of the adaptive algorithm and the novelty recognition, it is not necessary to become aware of damage patterns. Thus, an improved and simplified damage detection on rotor blades of wind turbines can be made possible.

Claims

claims

A method for monitoring a condition of at least one wind turbine, comprising: detecting first measurement signals by one or more sensors, the first measurement signals indicating one or more parameters relating to at least one rotor blade of the at least one wind turbine in a normal state;

Teaching a learning algorithm based on the first measurement signals of the normal state; Detecting second measurement signals through the one or more

sensors; and

Recognizing an indeterminate anomaly by the learned in the normal state learning algorithm when a current based on the second measurement signals current state of the wind turbine deviates from the normal state.

2. The method of claim 1, wherein the normal state is mapped from the first measurement signals and the current state is mapped from the second measurement signals, and wherein the indefinite anomaly is detected by a comparison of the normal state with the current state.

3. The method of claim 1, wherein the learned learning algorithm comprises no predetermined anomalies.

The method of any one of claims 1 to 3, further comprising supplementing the learning algorithm with the detected undetermined anomaly.

5. The method of claim 4, wherein the learnable algorithm recognizes the indefinite anomaly upon repeated occurrence of the substantially same indefinite anomaly.

6. The method according to any one of claims 1 to 5, wherein the learning of the adaptive algorithm takes place in an undamaged state of the wind turbine.

The method of any one of claims 1 to 6, wherein the first measurement signals and the second measurement signals are optical signals.

8. The method of claim 1, wherein the undetermined anomaly is detected when the deviation of the current state from the normal state is greater than a reference deviation.

9. The method of claim 8, wherein no indeterminate anomaly is detected when the deviation of the current state from the normal state is less than the reference deviation.

The method of any one of claims 1 to 9, wherein the adaptive algorithm is provided by a neural network.

11. The method according to any one of claims 1 to 10, further comprising:

Issue a message regarding the detected indeterminate anomaly.

The method of any one of claims 1 to 11, further comprising:

Perform a plausibility check of the detected indeterminate anomaly.

13. The method of claim 1, wherein the one or more plurality of parameters is selected from the group consisting of a natural frequency of the rotor blade, a rotor speed, an input energy, a temperature, an angle of attack of the rotor blade, a pitch angle, and a flow velocity.

14. The method of claim 1, wherein the at least one wind turbine is a plurality of wind turbines.

15. An apparatus for monitoring a condition of at least one wind turbine, comprising:

20 one or more sensors for detecting first measurement signals, wherein the first measurement signals indicate one or more parameters with respect to at least one rotor blade of the wind turbine in a normal state; and an electronic device with a learning algorithm that is designed to train the learning algorithm based on the first measurement signals of the normal state; receive second measurement signals detected by the one or more sensors; and to detect an indeterminate anomaly when a current state of the wind turbine based on the second measurement signals deviates from the normal state.

16. A computer program product comprising a learning algorithm configured to be taught based on first measurement signals of a normal state of a wind turbine and to detect an indeterminate anomaly when a current state determined based on second measurement signals deviates from the learned normal state.