Fehlerdiagnose an Windturbinen-Getrieben durch Fusion mehrerer Informationsquellen und Ensemble-Lernen in einer Simulationsprüfstandstudie

Windturbinen am Laufen halten

Moderne Windparks verlassen sich auf riesige Getriebe, die in jeder Turbine verborgen sind und den langsamen, böigen Wind in gleichmäßigere Rotationsenergie für den Generator übersetzen. Wenn diese Zahnräder verschleißen oder Risse bekommen, müssen Turbinen für Reparaturen stillgelegt werden — was Zeit, Geld und sauberen Strom kostet. Diese Studie stellt eine intelligentere Methode vor, den mechanischen Puls einer Windturbine „abzuhören“ und Getriebeprobleme frühzeitig zu erkennen, selbst wenn die Maschine mit ständig wechselnden Drehzahlen läuft und von Störgeräuschen umgeben ist.

Warum Getriebezustand wichtig ist

Getriebe sitzen zwischen Rotorblättern und Generator und übernehmen starke, sich ständig ändernde Lasten aus dem Wind. Sie gehören außerdem zu den störungsanfälligsten Teilen einer Turbine und sind für einen Großteil der mechanischen Ausfallzeiten verantwortlich. Traditionelle Überwachungswerkzeuge betrachten ein einziges Schwingungssignal und wenden feste Filter an, was unter stabilen Laborbedingungen recht gut funktioniert. Im Feld jedoch steigt und fällt die Rotordrehzahl mit jedem Windstoß, wodurch sich die charakteristischen Schwingungszeichen eines Schadens verschieben. Gleichzeitig können Umgebungsgeräusche die feinen Hinweise auf einen Riss oder einen fehlenden Zahn leicht überlagern, wodurch eine frühe Diagnose erschwert wird.

Eine intelligentere Rückkopplung

Um dem zu begegnen, entwickelten die Autor:innen eine „Closed-Loop“-Signalbehandlungs-Kette, die Drehzahl und Schwingung in Echtzeit miteinander verknüpft. Zuerst glätten sie die Roh-Drehzahldaten eines Encoders mit einem Gauß-Filter, der plötzliche Spitzen entfernt, aber den tatsächlichen Verlauf der Wellenform beibehält. Dieses saubere Drehzahlprofil wird dann verwendet, um einen Bandpassfilter, der auf das Schwingungssignal angewendet wird, kontinuierlich nachzustimmen, sodass der Filter stets den sich verschiebenden Zahneingriffstönen folgt, in denen sich fehlerrelevante Informationen befinden. Nach dieser gezielten Filterung isoliert ein mathematischer Trick, die Hüllkurvenanalyse, das wiederkehrende Schlagmuster, das entsteht, wenn ein beschädigter Zahn auf seinen Gegenpart trifft, und verwandelt eine unübersichtliche Schwingungskurve in ein deutlich klareres Bild des Getriebezustands. Diese Schleife — Drehzahlglättung, dynamische Filterung und Hüllkurvenextraktion — arbeitet zusammen, so dass jeder Schritt den nächsten unterstützt, statt isoliert zu wirken.

Viele Hinweise zu einem Gesamtbild verschmelzen

Gut zuhören ist nur die halbe Herausforderung; die andere Hälfte ist, das Gehörte zu interpretieren. Das Team erfasste Signale von zwei Schwingungssensoren, die rechtwinklig am Getriebegehäuse montiert waren, sowie die Rotationsgeschwindigkeit, und zwar an einem offenen Planetengetriebe-Prüfstand, der einen Windturbinenantrieb nachbildet. Untersucht wurden fünf Getriebzustände — von gesunden Zähnen bis zu gebrochenen, verschlissenen, gerissenen und fehlenden Zähnen — und das System lief in acht verschiedenen Drehzahlen. Aus diesen Signalen extrahierten sie eine umfangreiche Menge an Merkmalen: einfache Statistiken wie Mittelwerte und Spitzenwerte, die Verteilung der Energie über verschiedene Frequenzen, verfeinerte Wavelet-Paket-Energie-Maße, die kurze Energieausbrüche erfassen, sowie getriebe­spezifische Signaturen, die mit dem Zahneingriff verknüpft sind.

Dem Algorithmus das Unterscheiden beibringen

Anstatt all diese Rohmerkmale direkt einem Klassifikator zu übergeben, nutzten die Autor:innen eine überwachte Dimensionsreduktion namens Lineare Diskriminanzanalyse. Einfach ausgedrückt projiziert dieser Schritt die vielen Eingangsmerkmale in ein kleineres Set kombinierter Merkmale, die so gewählt sind, dass verschiedene Fehlerarten auseinandergezogen werden, während Proben desselben Typs nahe beieinander bleiben. Dieser Ansatz verwendet während des Trainings das Wissen über die tatsächlichen Fehlerlabels, im Gegensatz zu populären unüberwachten Werkzeugen, die nur nach allgemeinen Varianzmustern suchen. Die Studie zeigt, dass dieser Schritt die verschiedenen Getriebeprobleme im reduzierten Merkmalsraum deutlich klarer unterscheidbar macht als konkurrierende Methoden. Anschließend werden vier verschiedene Maschinenlernmodelle — Support Vector Machines, k-Nearest Neighbors, Random Forests und Naive Bayes — darauf trainiert, die Fehlerkategorien zu erkennen.

Viele Köpfe sind besser als einer

Um sich nicht auf die Grenzen eines einzelnen Algorithmus zu verlassen, kombinieren die Autor:innen diese vier Modelle zu einem Ensemble, das über die endgültige Diagnose abstimmt. Die Stimme jedes Modells wird gewichtet nach seiner Genauigkeit auf Validierungsdaten, sodass besser performende Modelle etwas stärkeren Einfluss haben. Getestet am Datensatz des Planetengetriebes erreichte die vollständige Pipeline — Closed-Loop-Vorverarbeitung, Merkmalsfusion aus mehreren Signalen, überwachte Merkmalsreduktion und gewichtetes Ensemble — eine korrekte Identifikation der fünf Getriebezustände von etwa 98,8 % unter variablen Drehzahlbedingungen. Damit übertraf sie die Verwendung einer einzelnen Signalquelle, eines einzelnen Klassifikators oder sogar zwei weit verbreiteter Deep-Learning-Modelle, während sie zugleich transparenter machte, welche physikalischen Merkmale die Entscheidung antreiben.

Was das für die Windenergie bedeutet

Alltäglich ausgedrückt bietet die Studie ein zuverlässigeres Stethoskop für Windturbinen. Indem mehrere Sensorarten gereinigt und kombiniert und anschließend mehrere Lernalgorithmen zu einer gemeinsamen Entscheidung geführt werden, kann die Methode subtile Getriebeschäden früh und genau erkennen — selbst wenn sich die Turbinendrehzahl ständig mit dem Wind ändert. Das könnte unerwartete Stillstände reduzieren, Wartungskosten senken und die Zuverlässigkeit der Windenergie erhöhen. Obwohl die Arbeit an einem speziellen Prüfstand demonstriert wurde, schlagen die Autor:innen vor, dass die gleichen Closed-Loop- und Fusionsideen an reale Windparks und andere rotierende Maschinen angepasst werden könnten, um mehr Intelligenz in die weltweit wachsende Flotte sauberer Energiesysteme zu bringen.

Zitation: 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

Schlüsselwörter: Getriebe von Windturbinen, Getriebefehlerdiagnose, Zustandsüberwachung, Mehrsensor-Fusion, Maschinelles Lernen