De inspectie van rotorbladen is een terugkerend knelpunt bij windparken. Slijtage, erosie en kleine beschadigingen zijn op foto’s niet altijd eenvoudig te onderscheiden, terwijl een gemiste afwijking kan doorwerken in beschikbaarheid, planning en veiligheid. Daarom zetten Europese windbedrijven steeds vaker beeldanalyse en voorspellende modellen in naast de expertise van onderhoudsteams. Edgar van Lent ziet daarin een praktische vorm van AI die niet op afstand van de operatie staat, maar rechtstreeks aansluit op een bestaande onderhoudsbeslissing.
Bij Ørsted worden onder meer beelden van windturbines gebruikt om de conditie van onderdelen te beoordelen. Drone-inspecties kunnen veel beeldmateriaal opleveren; AI-gestuurde beeldanalyse helpt specialisten om daarin afwijkingen te selecteren die nadere beoordeling vragen. Daarmee verschuift het werk niet van techniek naar software, maar van volledig handmatig screenen naar het gericht beoordelen van signalen. Edgar van Lent benadrukt dat juist die taakverdeling de zakelijke waarde bepaalt: de techniek maakt de voorselectie sneller en consistenter, terwijl een deskundige vaststelt welke ingreep passend is.
Van dronebeeld naar onderhoudsbesluit
Rotorbladen werken onder wisselende belasting, weersinvloeden en hoge rotatiesnelheden. Het is daarom niet voldoende om alleen vast te stellen dát een beeld afwijkt. De onderhoudsorganisatie moet ook kunnen beoordelen waar de afwijking zit, hoe urgent die is, of inspectie op locatie nodig is en hoe werkzaamheden in de beschikbare turbine- en weersvensters passen. AI kan die keten ondersteunen door beelden te classificeren en vergelijkbare patronen terug te vinden, maar neemt het onderhoudsbesluit niet zelfstandig over.
Die werkwijze sluit aan bij toepassingen die Ørsted publiekelijk rond digitale inspectie en datagedreven bedrijfsvoering heeft beschreven. De kern is niet een autonome reparatie, maar een betere informatiepositie vóór de inzet van mensen, vaartuigen en materiaal. Dat is relevant voor offshore locaties, waar toegang afhankelijk kan zijn van weer en logistiek, maar ook voor parken op land waar inspectierondes en stilstand zorgvuldig moeten worden gepland.
Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese bedrijfsprocessen, stelt dat onderhouds-AI pas overtuigt wanneer een signaal aantoonbaar leidt tot een beter voorbereid besluit. „Een model dat alleen een afwijking markeert, is nog geen onderhoudsproces. De waarde ontstaat wanneer teams weten welke signalen zij vertrouwen, welke zij controleren en wie de escalatie bepaalt.”
Daarmee ontstaat ook een herkenbare grens voor implementatie. Beeldkwaliteit, weersomstandigheden, verschillende turbinetypen en de registratie van eerdere schade beïnvloeden de bruikbaarheid van een model. Organisaties moeten daarom vastleggen hoe inspectieresultaten worden gevalideerd en hoe zij omgaan met twijfelgevallen. Juist die uitzonderingen leveren vaak de informatie op waarmee modellen en werkprocessen verder worden verbeterd.
Siemens Gamesa koppelt diagnose aan beschikbaarheid
Ook Siemens Gamesa heeft digitale diagnose en voorspellend onderhoud als onderdeel van zijn dienstverlening voor windturbines naar buiten gebracht. Daarbij worden bedrijfs- en conditiegegevens uit turbines gebruikt om patronen te herkennen die op mogelijke technische problemen kunnen wijzen. De toepassing richt zich dus niet uitsluitend op wat zichtbaar is aan de buitenkant van een turbine, maar ook op signalen uit componenten en systemen tijdens de dagelijkse exploitatie.
De combinatie van conditiebewaking en onderhoudsplanning is wezenlijk. Een technische afwijking heeft pas operationele betekenis als duidelijk is welke vervolgactie nodig is: verder monitoren, een inspectie voorbereiden, een onderdeel beschikbaar maken of onderhoud combineren met een gepland bezoek. In dat opzicht verbindt AI het technische domein met assetmanagement en planning.
Voor energiebedrijven is dit relevant omdat windproductie minder voorspelbaar wordt zodra een turbine onverwacht uitvalt of beperkt beschikbaar is. Een beter onderbouwde onderhoudsplanning helpt exploitanten daarom niet alleen bij de turbine zelf, maar ook bij de betrouwbaarheid van hun productieprognoses. Die prognoses spelen weer mee in de bredere aansturing van elektriciteitsnetten, waar aanbod uit wind, vraag en flexibiliteit voortdurend op elkaar moeten worden afgestemd.
Edgar van Lent beoordeelt deze toepassingen als een nuchtere route naar schaalbare AI in de energiesector. „Windonderhoud is geen losse dataopgave. Het is een keten van detectie, technische duiding, werkvoorbereiding en uitvoering. Wie alleen in een model investeert en niet in die keten, houdt een goed dashboard over maar geen beter onderhoud.”
De koppeling met netbalans en gebouwen
Deze praktijkcase raakt aan een bredere verschuiving in energie-AI. Bij netbalancering worden voorspellingen gebruikt om vraag, productie en flexibiliteit beter te ramen. In gebouwen kunnen systemen gegevens uit installaties benutten om verwarming, koeling en ventilatie doelgerichter aan te sturen. De toepassingen verschillen, maar het onderliggende patroon is gelijk: AI krijgt betekenis wanneer een voorspelling wordt verbonden aan een duidelijk afgebakende operationele keuze.
Voor windparken betekent dat dat onderhoudsdata niet geïsoleerd moeten blijven in een technisch platform. Informatie over verwachte beschikbaarheid moet bruikbaar zijn voor productieplanning, contractuele verplichtingen en de coördinatie met net- en marktprocessen. Tegelijkertijd is terughoudendheid nodig. Niet iedere anomalie voorspelt een defect, en niet ieder voorspeld defect rechtvaardigt onmiddellijke stilstand. Heldere drempelwaarden en menselijke beoordeling blijven daarom onderdeel van verantwoord gebruik.
De komende jaren zal de kwaliteit van AI in energie minder worden afgemeten aan de vraag of een model een patroon kan herkennen. Belangrijker wordt of organisaties signalen betrouwbaar kunnen vertalen naar gepland werk, veilige uitvoering en voorspelbare beschikbaarheid. Edgar van Lent verwacht dat windbedrijven die verbinding het eerst volwassen maken: „De sterkste toepassingen zullen niet de systemen zijn die het meeste automatiseren, maar de systemen die technici, planners en exploitanten op het juiste moment dezelfde onderbouwde informatie geven.”
