KI-gestützte akustische Anomalieerkennung

Der zuverlässige Betrieb von Energieerzeugungsanlagen ist entscheidend für eine stabile Stromversorgung. Gleichzeitig können ungeplante Ausfälle zentraler Anlagenkomponenten wie Turbinen oder Generatoren erhebliche wirtschaftliche Folgen für Anlagenbetreiber verursachen.

Um Störungen oder Verschleiß frühzeitig zu erkennen, gewinnen Methoden der vorausschauenden Instandhaltung zunehmend an Bedeutung. Ziel ist es, Wartungsmaßnahmen gezielt zu planen und ungeplante Stillstände zu vermeiden. Ein vielversprechender Ansatz dafür ist die KI-gestützte akustische Anomalieerkennung.

So funktioniert die KI-gestützte akustische Anomalieerkennung

Maschinen erzeugen im Betrieb charakteristische Geräuschmuster. Verändert sich der Zustand einer Anlage, verändern sich in der Regel auch diese Geräusche. Werden die akustischen Signale kontinuierlich über Mikrofone erfasst, lassen sich daraus wichtige Informationen über den Anlagenzustand gewinnen.

Mithilfe von Machine-Learning-Methoden können diese Daten analysiert und Abweichungen vom normalen Betriebsverhalten erkannt werden. So lassen sich mögliche Probleme frühzeitig identifizieren, häufig lange bevor ein tatsächlicher Defekt auftritt. Wartungsmaßnahmen können dadurch gezielt geplant und ungeplante Ausfälle vermieden werden.

Forschungsprojekt der illwerke vkw und der Hochschule St. Gallen

Bisherige Studien zur akustischen Anomalieerkennung basieren überwiegend auf allgemeinen industriellen oder synthetischen Datensätzen. Anwendungen unter realen Bedingungen in Wasserkraftwerken sind bislang selten. Um diese Lücke zu schließen, hat die illwerke vkw gemeinsam mit der Hochschule St. Gallen ein Forschungsprojekt gestartet.

Im Mittelpunkt der Untersuchung steht das Pumpspeicherkraftwerk Rodundwerk II. Ziel des Projekts ist es zu analysieren, inwieweit sich akustische Methoden zur Unterstützung der vorausschauenden Instandhaltung in Wasserkraftanlagen eignen.

In der ersten Phase des Projekts wurden Geräusche des Anlagenbetriebs über Mikrofone aufgezeichnet. Es wurden insgesamt zwei Roh-Audiodateien aufgenommen, eine mit realen Betriebsgeräuschen des Kraftwerks und eine zweite mit gezielt erzeugten akustischen Störungen unter kontrollierten Bedingungen.

Anschließend wurden die Roh-Audiodaten vorverarbeitet und in sogenannte Mel-Spektrogramme umgewandelt, die Frequenzen und Lautstärkeverläufe der Signale sichtbar machen. Auf dieser Grundlage wurden drei Machine-Learning-Modelle trainiert. Zum Einsatz kamen K-Means-Clustering, eine One-Class Support Vector Machine (OC-SVM) sowie ein LSTM-Autoencoder. Abschließend wurde bewertet, wie zuverlässig Abweichungen vom normalen Betriebszustand erkannt werden können.

Die Ergebnisse zeigen, dass insbesondere die OC-SVM ein sehr gutes Verhältnis zwischen Erkennungsgenauigkeit und Rechenaufwand bietet und sich daher besonders für praktische Anwendungen eignet. Der LSTM-Autoencoder konnte zudem sehr feine zeitliche Veränderungen in den Geräuschmustern erkennen, benötigt dafür jedoch deutlich mehr Rechenleistung.

Die Forschungsergebnisse wurden im November 2025 beim Workshop „Longevity in IoT Systems“ im Rahmen der ACM International Conference on the Internet of Things (ACM IoT 2025) in Wien präsentiert. Der Beitrag wurde dort mit dem Best Paper Award ausgezeichnet.

Auf Basis der vielversprechenden Ergebnisse wird das Forschungsprojekt im Jahr 2026 weitergeführt. Im Rodundwerk II wird dazu ein dauerhaftes Messsystem installiert, das deutlich über die bisherige Versuchsanordnung hinausgeht.

Im nächsten Schritt steht insbesondere die Erprobung der entwickelten Methoden im kontinuierlichen Anlagenbetrieb im Fokus. Dabei wird untersucht, inwieweit unterschiedliche Betriebszustände wie Pumpbetrieb, Turbinenbetrieb und Übergangsphasen zuverlässig erkannt werden können. Darauf aufbauend wird die Identifikation digitaler Signaturen einzelner Anlagenkomponenten vorangetrieben. Auf dieser Grundlage sollen Abweichungen dieser Signaturen erkannt, lokalisiert und als Anomalien interpretiert werden.