تشخيص أعطال تروس ناقلات الحركة في توربينات الرياح باستخدام دمج معلومات متعددة المصادر والتعلم التجميعي في دراسة على منصة محاكاة

الحفاظ على دوران توربينات الرياح

تعتمد مزارع الرياح الحديثة على علب تروس ضخمة مخفية داخل كل توربين لتحويل الريح البطيئة والمتقطعة إلى كهرباء ثابتة. عندما تتآكل تلك التروس أو تتشقق، يجب إيقاف تشغيل التوربين لإجراء إصلاحات، مما يكبد خسائر في الوقت والمال والطاقة النظيفة. تقدم هذه الدراسة طريقة أذكى لـ «الاستماع» إلى نبض الماكينة الميكانيكي وكشف مشاكل التروس مبكرًا، حتى عندما تدور الآلة بسرعات متغيرة باستمرار ومحاطة بضوضاء.

لماذا تهم صحة التروس

تقع علب التروس بين شفرات الدوار والمولد، وتتحمل أحمالًا قوية ومتغيرة باستمرار من الريح. كما أنها من أكثر أجزاء التوربين عرضة للأعطال وقد تمثل غالبية وقت التوقف الميكانيكي. أدوات المراقبة التقليدية تنظر إلى إشارة اهتزاز واحدة وتطبق مرشحات ثابتة، وهذا يعمل جيدًا نسبيًا في ظروف المختبر المستقرة. لكن في الميدان، ترتفع وتهب سرعة الدوار مع كل هبة ريح، مما يحرك تواقيع الاهتزاز التي تكشف عن الضرر. وفي الوقت نفسه، يمكن للضوضاء البيئية أن تطمر بسهولة علامات دقيقة لتشقق أو فقدان سن، مما يجعل التشخيص المبكر صعبًا.

حلقة استماع أذكى

لمعالجة ذلك، صمم المؤلفون سلسلة معالجة إشارة «حلقة مغلقة» تربط بين السرعة والاهتزاز في الوقت الحقيقي. أولاً، يقومون بتنعيم بيانات السرعة الخام من مشفر السرعة باستخدام مرشح جاوسي، الذي يزيل القفزات المفاجئة لكنه يحتفظ باتجاه السرعة الحقيقي لدوران العمود. ثم تُستخدم هذه الملف الشخصي النظيف للسرعة لإعادة ضبط مرشح تمرير نطاقي مطبق على إشارة الاهتزاز بشكل مستمر، بحيث يتبع المرشح دائمًا نغمات تداخل التروس المتغيرة حيث تتواجد معلومات العطل. بعد هذا الترشيح المستهدف، تعزل خدعة رياضية تسمى تحليل الظرف (envelope analysis) نمط الصدمات المتكرر الناتج عندما تضرب سن تالفة سنًا شريكة لها، محولة أثر الاهتزاز الفوضوي إلى صورة أوضح بكثير لصحة الترس. تعمل هذه الحلقة — تنعيم السرعة، الترشيح الديناميكي، واستخلاص الظرف — معًا بحيث يدعم كل خطوة التالية بدلاً من العمل معزولة.

مزج عدة أدلة في صورة واحدة

الاستماع الجيد هو نصف التحدي فقط؛ والنصف الآخر هو تفسير ما سُمِع. جمع الفريق إشارات من مستشعرين للاهتزاز مركبين بزاوية قائمة على غلاف علبة التروس، إلى جانب السرعة الدورانية، باستخدام منصة اختبار لعلب التروس الكوكبية تحاكي ناقل حركة توربين الرياح. اختبروا خمس حالات للتروس، تتراوح من أسنان سليمة إلى مكسورة ومتآكلة ومتشققة ومفقودة، وشغّلوا النظام عند ثماني سرعات مختلفة. من هذه الإشارات استخرجوا مجموعة غنية من القياسات: إحصاءات بسيطة مثل المتوسطات والقمم، وكيفية توزيع الطاقة عبر الترددات المختلفة، ومقاييس طاقة أكثر دقة باستخدام حزم الموجة (wavelet packet) التي تلتقط الانفجارات الوجيزة، وتواقيع مميزة للتروس مرتبطة بكيفية تداخل الأسنان.

تعليم الخوارزمية فصل أنواع الأعطال

بدلاً من تغذية كل هذه القياسات الخام مباشرة إلى مصنف، استخدم المؤلفون طريقة تقليل أبعاد خاضعة للإشراف تسمى التحليل التمييزي الخطي (Linear Discriminant Analysis). ببساطة، تقوم هذه الخطوة بإسقاط الميزات المدخلة المتعددة إلى مجموعة أصغر من الميزات المركبة المختارة لتفريق أنواع الأعطال المختلفة مع إبقاء العينات من نفس النوع قريبة من بعضها. تستخدم هذه المقاربة معرفة بتسميات الأعطال الحقيقية أثناء التدريب، على خلاف الأدوات غير الخاضعة للإشراف الشائعة التي تبحث فقط عن أنماط التباين العامة. تُظهر الدراسة أن هذه الخطوة تجعل مشاكل التروس المختلفة أكثر تمايزًا في فضاء الميزات المخفضة مقارنة بالطرق المنافسة. بعد ذلك، تُدرّب أربع نماذج تعلم آلي مختلفة — آلات الدعم الناقل (SVM)، الجيران الأقرب k (k-NN)، الغابات العشوائية، وبايز البسيط — للتعرّف على فئات الأعطال.

العقل الجمعي أفضل من الواحد

لتجنب الاعتماد على قيود أي خوارزمية مفردة، يجمع المؤلفون هذه النماذج الأربعة في «تجمّع» يصوّت على التشخيص النهائي. يُوزن صوت كل نموذج بحسب مدى دقته على بيانات التحقق، لذلك للنماذج الأفضل تأثير أكبر قليلاً. على مجموعة بيانات علبة التروس الكوكبية، حقق خط الأنابيب الكامل — المعالجة في حلقة مغلقة، دمج ميزات من إشارات متعددة، تقليل ميزات خاضع للإشراف، وتجمّع مرجح — دقة تقارب 98.8% في تحديد الحالات الخمس للتروس تحت ظروف سرعة متغيرة. تفوق هذا على استخدام أي مصدر إشارة واحد، أو استخدام مصنف واحد فقط، أو حتى نموذجين شائعين للتعلم العميق، مع احتفاظه بدرجة أكبر من الشفافية حول أي الخصائص الفيزيائية تقود القرار.

ماذا يعني هذا لطاقة الرياح

بعبارات يومية، تقدم الدراسة سماعة أكثر موثوقية لتوربينات الرياح. عن طريق تنظيف ودمج عدة أنواع من بيانات المستشعرات ثم السماح لعدة خوارزميات تعلم بالموافقة على حكم، يمكن للطريقة كشف أضرار التروس البسيطة مبكرًا وبدقة، حتى مع تذبذب سرعة التوربين باستمرار مع الريح. قد يقلل هذا من التوقفات غير المتوقعة، ويخفض تكاليف الصيانة، ويجعل طاقة الرياح أكثر موثوقية. ومع أن العمل عُرض على منصة اختبار معينة، يقترح المؤلفون أن أفكار الحلقة المغلقة والاندماج نفسها يمكن تكييفها لتعمل في مزارع رياح حقيقية وآلات دوارة أخرى، مما يضيف مزيدًا من الذكاء إلى أسطول العالم المتنامي من أنظمة الطاقة النظيفة.

الاستشهاد: Kang, X., Shao, L. & Zhao, B. Gear fault diagnosis of wind turbine drivetrains using multi-source information fusion and ensemble learning in a simulation bench study. Sci Rep 16, 11321 (2026). https://doi.org/10.1038/s41598-026-41117-x

الكلمات المفتاحية: علبة تروس توربين الرياح, تشخيص أعطال التروس, مراقبة الحالة, اندماج مستشعرات متعددة, تعلم الآلة