Predictive Maintenance Windkraft

Das echte Ausmaß des Problems

Ein ungeplanter Ausfall einer 3-Megawatt-Windenergieanlage in einer windreichen Nordseeküsten-Region kostet pro Ausfalltag etwa 3.000 bis 8.000 Euro entgangenen Erlös — bei einem angenommenen Volllaststundenwert von 0,06 Euro/kWh und 50–80 Prozent Windausnutzung. Dazu kommen Wartungskosten für ungeplante Reparaturen, die typischerweise 2- bis 3-mal teurer sind als geplante Wartungen: Ein Getriebeschaden, der geplant 80.000 Euro kostet, kommt ungeplant auf 150.000 bis 250.000 Euro — weil schweres Gerät kurzfristig beschafft werden muss, ein Kranfahrzeug ungeplant kommen muss und Ersatzteile teuer über Nacht beschafft werden.

Für einen Windparkbetreiber mit 20 Anlagen bedeutet das: Wenn pro Anlage durchschnittlich 2 ungeplante Ausfälle pro Jahr entstehen, bei durchschnittlich 4 Tagen Reparaturzeit, summiert sich das auf 80 Ausfalltage und 240.000 bis 640.000 Euro Erlösausfälle — zuzüglich der erhöhten Reparaturkosten. Dieser Schaden ist nicht unvermeidbar.

Das grundlegende Problem: Viele Schäden kündigen sich physikalisch an — Vibrationsmuster ändern sich Wochen vor dem Ausfall, Temperaturprofile weichen vom Normalverhalten ab, Leistungskurven zeigen subtile Anomalien. Ohne systematisches Monitoring werden diese Vorzeichen nicht erkannt. Mit menschlicher Inspektion alle 6 bis 12 Monate (geplante Wartung) ist das Zeitfenster für Früherkennung zu kurz.

So funktioniert es in der Praxis

Predictive Maintenance für Windkraftanlagen basiert auf kontinuierlicher Sensordatenerfassung und KI-basierter Anomaliedetektion.

Sensordaten: Moderne Windkraftanlagen sind bereits mit einer Vielzahl von Sensoren ausgestattet — Vibrationssensoren an Getriebe und Hauptlager, Temperatursensoren an Generator, Getriebe und Leistungselektronik, Drehzahlmesser, Pitch-Winkel-Sensoren und Leistungsmessung. Diese Daten werden in der Regel vom Anlagensteuerungssystem (SCADA) erfasst und gespeichert — aber selten systematisch ausgewertet.

Anomaliedetektion: Ein ML-Modell lernt das „normale” Betriebsprofil jeder Anlage unter verschiedenen Betriebsbedingungen (Windgeschwindigkeit, Temperatur, Lastgrad). Sobald ein Sensorsignal systematisch vom Normalverhalten abweicht — auch wenn es noch innerhalb der Alarm-Schwellwerte liegt — erkennt das Modell das als Frühzeichen. Typische Vorlaufzeiten: Getriebeprobleme 4–8 Wochen, Hauptlagerprobleme 2–6 Wochen, Blatterosion einige Monate.

Handlungsempfehlung: Das System liefert nicht nur einen Alert, sondern eine Einschätzung: Welches Bauteil ist betroffen? Wie hoch ist die Ausfallwahrscheinlichkeit in den nächsten 30 Tagen? Das ermöglicht es dem Wartungsteam, eine geplante Inspektion beim nächsten ohnehin geplanten Wartungsfenster vorzuziehen — oder gezielt ein Ersatzteil zu bestellen, bevor es knapp wird.

Welche Tools passen hierzu

Siemens Gamesa Remote Diagnostics — herstellerspezifischer Service für Anlagen von Siemens Gamesa (einer der größten europäischen Hersteller). Vollintegriert in die Anlagensteuerung, keine Zusatzsensorik nötig. Kosten im Servicevertrag enthalten oder als Add-on buchbar.

Vestas Digital Solutions / Vestas PowerPlant — vergleichbares Angebot für Vestas-Anlagen. Remote Monitoring und Predictive Maintenance als Service-Paket. Preise nach Anlagengröße und Vertragslaufzeit, typisch 5.000–15.000 Euro/Anlage/Jahr.

SparkCognition Wind DGM (Digital Genome Model) — herstellerunabhängige Predictive-Maintenance-Plattform, die SCADA-Daten beliebiger Anlagen einlesen kann. Gut für gemischte Parks mit verschiedenen Herstellern. Preise auf Anfrage.

Shoreline AI / Uptime Wind Energy — auf mittelgroße Windparkbetreiber spezialisiert, weniger Implementierungsaufwand als Enterprise-Lösungen. Preise ab ca. 2.000 Euro/Anlage/Jahr.

Eigenlösung mit Open-Source-ML auf vorhandenen SCADA-Daten — für Betreiber mit IT-Ressourcen: SCADA-Daten in eine Timeseries-Datenbank (InfluxDB, TimescaleDB) einlesen, Anomaliedetektion mit Isolation Forest oder LSTM-Autoencoder implementieren. Entwicklungsaufwand: 40.000–80.000 Euro; dann sehr niedrige laufende Kosten.

Was es kostet — realistisch gerechnet

Herstellerspezifischer Service-Vertrag:

• Kosten: 5.000–15.000 Euro/Anlage/Jahr
• Kein Implementierungsaufwand, sofort nutzbar
• Einschränkung: nur für Anlagen des jeweiligen Herstellers

Herstellerunabhängige SaaS-Lösung:

• Implementierungsaufwand: 2–4 Monate, 20.000–50.000 Euro
• Laufende Kosten: 2.000–8.000 Euro/Anlage/Jahr
• Vorteil: funktioniert für gemischte Windparks

ROI-Rechnung am Beispiel: Windpark, 15 Anlagen à 2,5 MW, 3 ungeplante Ausfälle/Jahr mit je 5 Tagen Ausfallzeit und erhöhten Reparaturkosten. Gesamtschaden: 150.000 Euro/Jahr (Erlösausfall 90.000 Euro + Mehrreparaturkosten 60.000 Euro). Predictive Maintenance reduziert ungeplante Ausfälle um 60 Prozent: Einsparung 90.000 Euro/Jahr. Systemkosten: 45.000 Euro/Jahr (3.000 Euro/Anlage). Netto-Ersparnis: 45.000 Euro/Jahr. Amortisation: Jahr 1.

Realistischer Zeitplan

Phase	Dauer	Was passiert	Typisches Risiko
SCADA-Daten-Audit	Monat 1	Vorhandene Sensordaten sichten, Datenqualität prüfen, Historik-Tiefe bewerten	Historische Daten lückenhaft oder in proprietären Formaten — Export komplex
Anbieter-Evaluation & Vertragsabschluss	Monat 1–2	Angebote einholen, Pilotanlage definieren, Pilotvertrag abschließen	Anbieter hat keine Erfahrung mit dem spezifischen Anlagentyp im Park
Pilotimplementierung (1–3 Anlagen)	Monat 2–5	System auf Pilotsatz trainieren, erste Alerts generieren und gegen tatsächlichen Zustand validieren	Erste Alerts werden ignoriert — Validierung erst nach echtem Ausfall
Rollout auf Gesamtpark	Monat 5–8	Alle Anlagen einbinden, Wartungsprozesse anpassen, Alert-Eskalations-Workflow einrichten	Wartungsteam nicht in Workflow eingebunden — Alerts gehen ins Leere

Häufige Einwände

„Unsere Anlagen haben noch Herstellergarantie — das regelt der Hersteller.” Das stimmt für die Garantielaufzeit — und für die Zeit danach? Garantien decken in der Regel Materialfehler, aber nicht Folgeschäden durch unerkannten Verschleiß. Nach Ablauf der Garantie (typisch 2–5 Jahre nach Inbetriebnahme) liegt das volle Risiko ungeplanter Ausfälle beim Betreiber. Predictive Maintenance ist genau für diese Phase relevant. Und: Viele Hersteller bieten ihre eigenen Monitoring-Services auch innerhalb der Garantiezeit an — nicht als Garantieersatz, sondern als Ergänzung zum Schutz vor Betreiberfehlern.

„Wir haben nicht die IT-Kapazität, ein solches System zu betreiben.” Das ist der stärkste Einwand gegen eine Eigenentwicklung — und das stärkste Argument für den Managed-Service-Ansatz. Herstellerspezifische Service-Pakete und SaaS-Anbieter wie Vestas Digital Solutions oder Shoreline AI betreiben das System vollständig als Managed Service. Du bekommst Alerts und Handlungsempfehlungen — die technische Infrastruktur liegt beim Anbieter. Der Implementierungsaufwand auf deiner Seite beschränkt sich auf SCADA-Datenzugang und die Einweisung des Wartungsteams in den Alert-Workflow.

---

Wenn du wissen willst, welche SCADA-Daten du bereits hast und welcher Ansatz für deine Parkstruktur sinnvoll ist, meld dich. Oft ergibt schon ein erster Datensichtungsworkshop, welche Anomalie-Muster in historischen Ausfällen erkennbar waren — das ist der direkteste Beweis, dass Früherkennung möglich gewesen wäre.