Windenergieanlagen (WEA) sind ein Pfeiler des deutschen Energiemixes, erfordern jedoch regelmäßiger Inspektionen, u.a. an den aus Glasfaser verstärktem Kunststoff (GFK) gefertigten Rotorblättern. Durch Vogelschlag, Erosion und Sonneneinstrahlung kann es im GFK zu Delaminationen kommen, d. h. Ablösung von Schichten kommen, was einen Totalschaden der WEA nach sich ziehen kann. Um Delaminationen auszuschließen wird der Strukturzustand durch manuelle Klopftests der Klang der Rotorblätter durch menschliche Einschätzung bewertet.

In dieser Arbeit soll diese subjektive Bewertung des Strukturzustandes durch den Einsatz von künstlichen neuronalen Netzen automatisiert werden. Basis hierzu sind eine begrenzte Anzahl von Audio-Aufzeichnungen solcher Klopftests. Zum einen müssen die Daten aufbereitet werden und daraus geeignete Features extrahiert werden. Zum anderen müssen Algorithmen recherchiert, implementiert und ggf. kombiniert werden, um das Klassifikationsproblem (Rotorblatt intakt / Rotorblatt nicht intakt) zu lösen.

Existierende Algorithmen basieren auf neuronalen Netzwerken, die auf zumeist (faltenden) neuronalen Netzen basieren. Diese können mit Daten trainiert werden, die Aufnahmen von den oben beschriebenen Klopftests enthalten, und liefern eine Klassifikation „intakt“ oder „nicht intakt“. Manchmal lässt sich aus den Aufnahmen jedoch nicht eindeutig ein Defekt erkennen. Um hier keine Fehlklassifikation zu provozieren, sollen in dieser Arbeit sog. Bayes'sche Neuronale Netzwerke zur Klassifikation getestet werden. Diese liefern neben der puren Klassifikation auch eine Information darüber wie (un)sicher sich das Netzwerk bei der Klassifizierung ist. Das hat entscheidende Vorteile in der Industrie, da hierbei die Zuverlässigkeit von Algorithmen zur Schadenserkennung entscheidend gesteigert werden kann.