Predictive Maintenance Windkraft

Das echte Ausmaß des Problems

Ein ungeplanter Ausfall einer 3-MW-Windkraftanlage in einer windreichen Nordseeküsten-Region kostet täglich 3.000–8.000 Euro entgangenen Erlös. 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 150.000–250.000 Euro — weil Kranfahrzeug und Ersatzteile kurzfristig beschafft werden müssen.

Für einen Windparkbetreiber mit 20 Anlagen bedeutet das: Wenn pro Anlage durchschnittlich 2 ungeplante Ausfälle pro Jahr entstehen, bei je 4 Tagen Reparaturzeit, summiert sich das auf 80 Ausfalltage und 240.000–640.000 Euro Erlösausfälle — plus erhöhte Reparaturkosten. Eine Analyse von Fraunhofer IWES zeigt: 20–30% aller Wartungsereignisse an Windkraftanlagen sind ungeplante Notfallmaßnahmen. Dieser Anteil ist nicht unvermeidbar.

Das grundlegende Problem: Viele Schäden kündigen sich physikalisch an. Vibrationsmuster ändern sich Wochen vor dem Ausfall. Temperaturen weichen vom Normalverhalten ab. Leistungskurven zeigen subtile Anomalien. Mit menschlicher Inspektion alle 6–12 Monate werden diese Vorzeichen nicht erkannt. Mit klassischen Alarmschwellen in SCADA-Systemen auch nicht — denn die reagieren erst, wenn der Grenzwert bereits überschritten ist, also wenn das Problem bereits manifest ist.

Eine Studie von iFactory (2024) dokumentiert einen Fall, in dem KI zwei sich entwickelnde Getriebedefekte im Schnitt 37 Tage vor dem SCADA-Alarm erkannt hat — mit vermiedenen Kosten von 780.000 Dollar. Die Technologie ist reif. Die Frage ist nur, wann und wie man sie einführt.

Mit vs. ohne KI — ein ehrlicher Vergleich

Brancheninterne Erfahrungswerte (Fraunhofer IWES, Windpark-Betreiberverbände): Predictive-Maintenance-Systeme reduzieren ungeplante Ausfälle um 40–60 Prozent. AES Corporation berichtet in einer H2O.ai-Fallstudie von über 90 Prozent Erkennungsgenauigkeit bei kritischen Bauteilfehlern.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5) Das Wartungsteam spart reaktiven Notruf-Koordinationsaufwand. Aber der eigentliche Gewinn liegt nicht in eingesparter Arbeitszeit, sondern in eingesparten Reparaturkosten. Mehr Zeit wird für gezielte Planung aufgewendet — das ist anders, nicht weniger.

Kosteneinsparung — sehr hoch (5/5) Mit 45.000–200.000 Euro Ersparnis pro Jahr (je nach Parkgröße und Ausfallhistorie) gehört Predictive Maintenance zu den wirtschaftlich stärksten KI-Anwendungen in der gesamten Energie-Branche. Geplante statt ungeplante Reparatur ist ein direkt messbarer Kostenunterschied — keine Schätzung, keine Theorie.

Schnelle Umsetzung — mittel (3/5) Bis zur ersten produktiven Anlage vergehen realistisch 4–8 Monate — SCADA-Audit, Anbieterauswahl, Pilotimplementierung, Trainingsphase. Das ist handhabbar, aber kein Zwei-Wochen-Projekt. Herstellerspezifische Service-Pakete (Vestas, Siemens Gamesa) sind schneller, aber auf die eigene Anlage beschränkt.

ROI-Sicherheit — sehr hoch (5/5) Reparaturkostendifferenz geplant vs. ungeplant ist buchhalterisch messbar. Erlösausfall je Stillstandstag ebenfalls. Wer 12 Monate Parallelbetrieb dokumentiert und ausgewertet hat, kann den ROI auf Euro genau nachweisen — das macht diesen Anwendungsfall für Investitionsentscheidungen besonders überzeugend.

Skalierbarkeit — hoch (4/5) Das Modell verbessert sich mit mehr Anlagen: Mehr Fehlerfälle in der Trainingshistorie, bessere Anomalie-Baseline. Ein System für 5 Anlagen funktioniert, ein System für 50 Anlagen funktioniert besser. Einschränkung: Neue Anlagentypen brauchen eigene Kalibrierung.

Richtwerte — stark abhängig von Anlagenalter, Windverhältnissen und vorhandener SCADA-Datenqualität.

Was das Predictive-Maintenance-System konkret macht

Machine Learning auf kontinuierlichen Sensorzeitreihen — das ist der technische Kern. Die meisten Windkraftanlagen sind bereits heute mit ausreichend Sensorik ausgestattet, die das erlaubt:

Sensordaten, die in jeder modernen Anlage vorhanden sind: Vibrationssensoren an Getriebe und Hauptlager, Temperatursensoren an Generator, Getriebe und Leistungselektronik, Drehzahlmesser, Pitch-Winkel-Sensoren, Leistungsmessung. Diese Daten werden im SCADA-System erfasst — aber selten systematisch ausgewertet.

Schritt 1 — Normalverhalten lernen: Das ML-Modell lernt für jede Anlage das „normale” Betriebsprofil unter verschiedenen Betriebsbedingungen (Windgeschwindigkeit, Temperatur, Lastgrad). Wichtig: Jede Anlage ist leicht anders — Baujahr, Standort, Wartungshistorie. Das Modell modelliert jede Anlage individuell.

Schritt 2 — Anomalie-Score pro Bauteil: Sobald ein Sensorsignal systematisch vom gelernten Normalverhalten abweicht — auch innerhalb der Alarmgrenzen — erhöht sich der Anomalie-Score für das entsprechende Bauteil. Das Modell gibt eine Wahrscheinlichkeit aus: „Stack an Getriebe zeigt Verhalten, das in 8 von 10 historischen Fällen 4–6 Wochen vor einem Schaden vorlag.”

Schritt 3 — Handlungsempfehlung: Nicht nur ein Alert, sondern Kontext: Welches Bauteil, welche Ausfallwahrscheinlichkeit in den nächsten 30 Tagen, welche empfohlene Maßnahme. Das Wartungsteam kann gezielt beim nächsten geplanten Wartungsfenster vorziehen — oder ein Ersatzteil bestellen, bevor es knapp wird.

Typische Vorlaufzeiten: Getriebeprobleme 4–8 Wochen, Hauptlagerprobleme 2–6 Wochen, Blatterosion mehrere Monate. Diese Vorlaufzeiten erlauben echte Planung, keine Notfallreaktion.

Rechtliche Besonderheiten und Risikohinweise

EU AI Act: Systeme, die in der Steuerung oder Überwachung kritischer Energieinfrastruktur eingesetzt werden, können als Hochrisiko-KI nach EU AI Act Anhang III eingestuft werden. Predictive-Maintenance-Systeme, die Wartungsempfehlungen (keine autonomen Schalthandlungen) ausgeben, liegen typischerweise in einer niedrigeren Risikoklasse. Die endgültige Einordnung hängt vom konkreten Systemdesign ab — frühzeitige Dokumentation der Systemgrenzen ist ratsam.

Haftungsfragen: Wenn ein zertifizierter Predictive-Maintenance-Dienst einen Schaden nicht erkennt und eine teure Havarie entsteht, stellt sich die Frage der Haftung. Alle bekannten Anbieter schließen in ihren AGB die Haftung für entgangene Gewinne aus. Der Vertrag sollte die Erkennungsleistung (z.B. nachgewiesene Trefferquote im Pilotbetrieb) als Leistungsmerkmal, nicht als Garantie definieren.

Datensouveränität: SCADA-Daten von Windkraftanlagen können betriebsrelevante Informationen enthalten, die unter Betriebsgeheimnis fallen. Bei Managed-Service-Anbietern, die Daten in Clouds außerhalb der EU speichern, ist ein AVV und die Klärung des Datenhaltungsorts Pflicht — insbesondere bei Offshore-Anlagen im regulierten Bereich.

Konkrete Werkzeuge — was wann passt

Herstellerspezifische Service-Pakete (schnellste Option):

Siemens Gamesa Remote Diagnostics (kein separates Tool-Profil vorhanden) — vollintegriert in Anlagen von Siemens Gamesa, keine Zusatzsensorik nötig, Kosten im Servicevertrag oder als Add-on. Für Anlagen dieses Herstellers der direkteste Einstieg.

Vestas Digital Solutions — vergleichbares Angebot für Vestas-Anlagen. Remote Monitoring und Predictive Maintenance als Service-Paket; typisch 5.000–15.000 Euro/Anlage/Jahr. Sinnvoll für homogene Vestas-Parks.

Einschränkung beider: funktioniert nur für Anlagen des jeweiligen Herstellers. Bei gemischten Parks versagen herstellerspezifische Lösungen.

Herstellerunabhängige SaaS-Plattformen:

SparkCognition Wind DGM — herstellerunabhängige Predictive-Maintenance-Plattform, die SCADA-Daten beliebiger Anlagen einlesen kann. Gut für Parks mit verschiedenen Herstellern.

ABB Ability Network Manager — Enterprise-Lösung mit integrierter Predictive-Maintenance-Komponente. Für größere Betreibergesellschaften mit heterogenen Anlagenportfolios.

Open-Source/Eigenentwicklung (maximale Kontrolle, hoher Aufwand):

Für Betreiber mit IT-Kapazität: SCADA-Daten in eine Timeseries-Datenbank (InfluxDB, TimescaleDB) einlesen, Anomaliedetektion mit Isolation Forest oder LSTM-Autoencoder implementieren. Python-Bibliotheken wie scikit-learn, Prophet oder PyOD für Zeitreihenanalyse und Anomalieerkennung sowie PyTorch für Deep-Learning-Ansätze bieten die Grundlage. Entwicklungsaufwand: 40.000–80.000 Euro; danach sehr niedrige laufende Kosten.

Zusammenfassung:

• Homogener Park mit einem Hersteller → herstellerspezifischer Service
• Gemischter Park, Managed-Service gewünscht → SparkCognition oder ABB
• Eigenes Data-Science-Team → Eigenentwicklung auf SCADA-Basis

Datenschutz und Datenhaltung

Betriebsdaten von Windkraftanlagen enthalten keine personenbezogenen Daten — der DSGVO-Aspekt ist minimal. Der relevante Datenschutzaspekt ist die Datensouveränität gegenüber Betreibern und Herstellern: SCADA-Daten können Rückschlüsse auf Anlagenperformance, Alterungszustand und Betriebsgeheimnisse erlauben.

Für Managed-Service-Anbieter, die Daten außerhalb der EU speichern, gilt: Datenverarbeitungsvertrag abschließen, Hosting-Region bestätigen lassen. AWS Frankfurt-Region und Azure Westeuropa sind EU-seitig und unkompliziert.

Für On-Premise-Lösungen (SCADA-Eigenentwicklung auf eigenem Server): kein Cloud-Risiko, aber erhöhter Betriebsaufwand.

KRITIS-relevanz: Windparks ab 420 MW Nennleistung fallen unter KRITIS-Regulierung nach BSI-KritisV (Schwellenwert für Stromerzeugungsanlagen). Für diese Anlagen gelten erhöhte Anforderungen an IT-Sicherheit der SCADA-Anbindung — Sicherheitskonzept vor Systemeinführung empfohlen.

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, bisher 3 ungeplante Ausfälle/Jahr mit je 5 Tagen Ausfallzeit. Gesamtschaden: 150.000 Euro/Jahr (Erlösausfall 90.000 Euro + Mehrreparaturkosten 60.000 Euro). Predictive Maintenance reduziert ungeplante Ausfälle um 60%: Einsparung 90.000 Euro/Jahr. Systemkosten: 45.000 Euro/Jahr (3.000 Euro/Anlage). Netto-Ersparnis: 45.000 Euro/Jahr. Amortisation: Jahr 1.

Wie du den Nutzen tatsächlich misst: Führe ein Ausfallprotokoll: Geplant vs. ungeplant, Bauteil, Kosten. Vorher-Nachher-Vergleich nach 12 Monaten Betrieb. Das System selbst liefert zusätzlich Metriken: Wie viele Alerts wurden generiert, wie viele haben sich bestätigt (Precision), wie viele Ausfälle wurden nicht vorhergesagt (Recall)?

Drei typische Einstiegsfehler

1. Mit der Anlage starten, die am meisten Probleme macht. Der Reflex ist verständlich. Das Problem: Eine Anlage mit chronischen Problemen hat ein atypisches Sensor-Normalverhalten — das Modell lernt die Pathologie, nicht die Gesundheit. Besser: Mit einer repräsentativen, gut laufenden Anlage starten, die als Normalbasis dient. Die Problemanlage kommt danach.

2. Erste Alerts werden ignoriert und nicht dokumentiert. Das passiert häufig in der Pilotphase, wenn noch Skepsis gegenüber dem System besteht: Alert kommt, Wartungsteam schaut kurz nach, findet nichts Offensichtliches, Eintrag ins Logbuch fehlt. 6 Wochen später fällt die Anlage aus. Dann weiß niemand mehr, dass der Alert vorlag. Dieses Validierungspotenzial ist verloren. Lösung: Alle Alerts in den ersten 6 Monaten systematisch dokumentieren und beim nächsten geplanten Wartungstermin explizit prüfen.

3. Wartungsteam nicht in Alert-Workflow eingebunden. Das System läuft, Alerts werden generiert, landen in einem Monitoring-Dashboard — das niemand vom Wartungsteam täglich prüft. Das ist kein technisches Problem, sondern ein Prozess-Problem. Lösung: Klarer Eskalationsworkflow vor dem Launch definieren. Wer bekommt welchen Alert in welchem Kanal (E-Mail, SMS, Ticketsystem)? Wer entscheidet, ob eine Inspektion ausgelöst wird?

Was mit der Einführung wirklich passiert — und was nicht

Das Wartungsteam ist der kritische Erfolgsfaktor — nicht die Technologie.

Techniker, die jahrzehntelang nach dem „Anlage klingt komisch, schau ich mal nach”-Prinzip gearbeitet haben, misstrauen zunächst einem System, das einen Alert für eine Anlage generiert, die „komplett normal klingt”. Dieses Misstrauen ist rational: In der ersten Phase produziert jedes System zu viele False-Positive-Alerts, weil das Modell noch kalibriert wird.

Die Lösung ist nicht, das System zu übertönen, sondern Vertrauen durch Treffer aufzubauen. Jeder bestätigte Alert — „Anomalie erkannt, Inspektion durchgeführt, tatsächliche Lagerermüdung festgestellt” — baut Glaubwürdigkeit auf. Jeder Alert, der nichts findet, muss transparent erklärt werden: War es ein False Positive oder ein echter Vorläufer, der sich noch nicht materialisiert hat?

Ein praktisches Ritual, das funktioniert: Monatliches 30-minütiges Review mit Wartungsleitung und System-Verantwortlichen — welche Alerts kamen, welche haben sich bestätigt, was muss kalibriert werden. Das gibt dem Wartungsteam das Gefühl, das System zu kontrollieren — statt von ihm kontrolliert zu werden.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Unsere Anlagen haben noch Herstellergarantie — das regelt der Hersteller.” Das stimmt für die Garantielaufzeit — für die Zeit danach? Garantien decken Materialfehler, nicht Folgeschäden durch unerkannten Verschleiß. Nach Ablauf (typisch 2–5 Jahre nach Inbetriebnahme) liegt das volle Risiko beim Betreiber. Und: Viele Hersteller bieten ihre Monitoring-Services auch während der Garantiezeit an — als Ergänzung, nicht als Garantieersatz.

„Wir haben nicht die IT-Kapazität, ein solches System zu betreiben.” Das ist das stärkste Argument für den Managed-Service-Ansatz. Herstellerspezifische Service-Pakete und SaaS-Anbieter betreiben das System vollständig. Du bekommst Alerts und Handlungsempfehlungen — die Infrastruktur liegt beim Anbieter. Der Implementierungsaufwand auf deiner Seite beschränkt sich auf SCADA-Datenzugang und die Einweisung des Wartungsteams.

„Wir haben zu wenige historische Ausfallsdaten für das Training.” Für überwachtes Lernen auf seltene Störungsereignisse ist das eine echte Herausforderung. Der Ausweg: Unüberwachte Anomaliedetektion auf Normalbetriebsdaten — das Modell lernt, was „normal” ist, und flaggt Abweichungen. Damit ist keine historische Ausfalldatenbank nötig. Die Trefferquote ist etwas geringer als bei überwachten Modellen, aber völlig ausreichend für den Einstieg.

Woran du merkst, dass das zu dir passt

• Du betreibst mindestens 5 Windkraftanlagen und hast im letzten Jahr mindestens 2 ungeplante Ausfälle gehabt
• Die Anlagen sind älter als 5 Jahre (Verschleiß nimmt zu, Garantie meist abgelaufen)
• SCADA-Daten sind vorhanden und werden mindestens auf Stundenbasis historisiert
• Du kannst beziffern, was ein ungeplanter Stillstand von 7 Tagen kostet — wenn diese Zahl fünfstellig ist, rechnet sich das System

Wann es sich (noch) nicht lohnt: Unter 3 Anlagen ist der ROI nur bei sehr teuren Havariereparaturen darstellbar. Wenn die Anlagen jünger als 3 Jahre und gut unter Herstellergarantie sind, ist das Risikoprofil zu gering. Wenn das SCADA-System keine historischen Daten aus den letzten 2 Jahren bereitstellen kann, fehlt die Trainingsgrundlage.

Weitere Ausschlusskriterien: Wenn das Wartungsunternehmen eine Long-Term-Service-Agreement (LTSA) mit Betriebsgarantie hat und alle Risiken übernimmt, ist der wirtschaftliche Anreiz für den Betreiber geringer — das Risiko liegt dann beim Dienstleister. Und: Standorte mit sehr niedriger Windausnutzung (unter 2.000 Volllaststunden/Jahr) haben niedrigere Erlösausfälle je Stillstandstag — der ROI-Kalkül verschiebt sich entsprechend.

Das kannst du heute noch tun

Öffne deine Ausfallhistorie der letzten 3 Jahre: Wie viele ungeplante Ausfälle, welche Bauteile, welche Kosten? Berechne den Unterschied zwischen tatsächlichen Reparaturkosten und den Kosten derselben Reparatur, wenn sie 6 Wochen früher geplant gewesen wäre (Faustregel: Faktor 2–3 bei Getriebe/Hauptlager, Faktor 1,5 bei Generator).

Wenn diese Differenz größer als 30.000 Euro pro Jahr ist, lohnt ein Gespräch mit einem Anbieter — die meisten machen eine kostenlose erste Datensichtung.

Quellen & Methodik

• Ausfallkostenvergleich geplant/ungeplant: Fraunhofer IWES, „Wind Energy Report Germany” (2023); Branchenangaben Windpark-Betreiberverbände.
• AES Corporation Fallstudie: H2O.ai, „AES Transforms its Energy Business with AI” (2024) — >90% Erkennungsrate bei kritischen Bauteilfehlern.
• iFactory Fallstudie (Anbieter-Fallstudie): iFactory App, Predictive Maintenance Windkraft Case Study (2024) — 37 Tage Vorwarnzeit, 780.000 $ vermiedene Kosten.
• MAPE/Früherkennungsraten: Review-Paper, „Artificial intelligence applications in wind energy power generation” (ScienceDirect, 2025).
• EU AI Act Hochrisiko-Klassifizierung: EU AI Act Anhang III, Abschnitt 2; industr.com, „Was Energie-Unternehmen jetzt umsetzen müssen” (2025).
• KRITIS-Regulierung Windparks: BSI IT-Grundschutz für kritische Infrastrukturen, Energiesektor.

Du willst wissen, welche SCADA-Daten du bereits hast und welcher Ansatz für deine Parkstruktur sinnvoll ist? Oft ergibt schon ein erster Datensichtungs-Workshop, welche Anomalie-Muster in historischen Ausfällen sichtbar gewesen wären.