Infolge des hohen Kostendrucks wird es fr Kraftwerksbetreiber zunehmend wichtiger, ihre Anlagen in jedem geforderten Lastpunkt optimal zu betreiben und Abweichungen vom Sollzustand frhzeitig zu erkennen. In dieser Arbeit wird eine einheitliche und bertragbare Methodik fr den Entwurf und die Implementierung von Gtegraden zur Online-Zustandsberwachung unterschiedlicher Komponenten in Kraftwerken auf Basis von knstlichen Neuronalen Netzen vorgestellt. Durch Extrapolation des zeitlichen Gtegrad- oder Kostenverlaufs infolge der Zustandsverschlechterung ist es mglich, den optimalen Instandhaltungszeitpunkt einer Komponente zu bestimmen.  To minimise costs, it is important to operate power plants optimally at every load requested. For this reason, an early detection of deviations is necessary. In this work, a unified and transferable methodology is introduced for the development and implementation of performance indicators. Based on artificial neural networks, these indicators are used for online condition monitoring. By extrapolating the performance indicator or cost trend due to degradation, it is possible to determine the optimum time for maintenance for the associated component.

Klappentext

Infolge des hohen Kostendrucks wird es für Kraftwerksbetreiber zunehmend wichtiger, ihre Anlagen in jedem geforderten Lastpunkt optimal zu betreiben und Abweichungen vom Sollzustand frühzeitig zu erkennen. In dieser Arbeit wird eine einheitliche und übertragbare Methodik für den Entwurf und die Implementierung von Gütegraden zur Online-Zustandsüberwachung unterschiedlicher Komponenten in Kraftwerken auf Basis von künstlichen Neuronalen Netzen vorgestellt. Durch Extrapolation des zeitlichen Gütegrad- oder Kostenverlaufs infolge der Zustandsverschlechterung ist es möglich, den optimalen Instandhaltungszeitpunkt einer Komponente zu bestimmen.  To minimise costs, it is important to operate power plants optimally at every load requested. For this reason, an early detection of deviations is necessary. In this work, a unified and transferable methodology is introduced for the development and implementation of performance indicators. Based on artificial neural networks, these indicators are used for online condition monitoring. By extrapolating the performance indicator or cost trend due to degradation, it is possible to determine the optimum time for maintenance for the associated component.