CEEMDAN‑CNN erkennt Windturbinen‑Getriebeausfälle mit 98,95 % Genauigkeit

Windturbinen sind ein Eckpfeiler der nachhaltigen Energieversorgung, doch ihre Leistung hängt von einer Vielzahl miteinander verknüpfter Bauteile ab. Ein Ausfall eines einzelnen Elements kann das gesamte System gefährden, weshalb eine präzise Fehlerdiagnose unerlässlich ist.

In einer neuen Studie wurde ein hybrides Verfahren vorgestellt, das die Complete Ensemble Empirical Mode Decomposition with Adaptive Noise (CEEMDAN) mit einem Multiscale Convolutional Neural Network (MSCNN) kombiniert. CEEMDAN zerlegt die Vibrationströme in intrinsische Modalfunktionen, wodurch wichtige Merkmale auf unterschiedlichen Zeit‑ und Frequenzskalen isoliert werden. Diese extrahierten Signale werden anschließend in das MSCNN eingespeist, das tiefgreifende Merkmalsextraktion und Klassifikation durchführt.

Der Ansatz erzielte einen F1‑Score von 98,95 % auf realen Datensätzen und übertraf bestehende Methoden sowohl in der Erkennungsgenauigkeit als auch in der Rechenzeit. Damit bietet das System eine ausgewogene Lösung für die zuverlässige und effiziente Fehlerdiagnose von Windturbinen‑Getrieben.