シミュレーション台上試験におけるマルチソース情報融合とアンサンブル学習を用いた風力タービン駆動系の歯車故障診断

風車を回し続けるために

現代の風力発電所では、各タービン内部に収められた大型のギアボックスが、遅く不規則な風を安定した電力へ変換しています。これらの歯車が摩耗したり亀裂が入ったりすると、修理のためにタービンを停止せざるを得ず、時間、費用、そしてクリーンな発電量が失われます。本研究は、機械の回転速度が絶えず変動し雑音に囲まれた状況でも、風車の“機械的な脈動”をより賢く「聴き」、歯車の問題を早期に検出する方法を示します。

ギアの健全性が重要な理由

ギアボックスはロータブレードと発電機の間に位置し、風から受ける強く変動する荷重を受け止めます。また、タービンの故障で最も頻度が高く、機械的な稼働停止時間の大部分を占める部位でもあります。従来の監視手法は単一の振動信号を見て固定フィルタを適用することが多く、実験室のような安定した条件ではある程度うまく機能します。しかし現場では、ロータ回転数は突風ごとに上下し、損傷に伴う振動の特徴が変化してしまいます。さらに環境ノイズが微妙な亀裂や欠けた歯の兆候を簡単に覆い隠してしまうため、早期診断は困難です。

より賢い聴取ループ

これに対処するため、著者らは回転速度と振動をリアルタイムで結び付ける「閉ループ」信号処理チェーンを設計しました。まずエンコーダからの生の速度データをガウスフィルタで平滑化し、突発的なスパイクを除去しながら軸の回転速度の実際の傾向を保持します。その得られた滑らかな速度プロファイルを用いて、振動信号に適用するバンドパスフィルタを継続的に再調整し、フィルタが常に故障情報を含む変動するギアメッシュ音に追従するようにします。次に、包絡線解析という数学的手法で、損傷歯が相手歯に衝突したときに繰り返し生じるインパクトパターンを抽出し、雑然とした振動波形をギア健全性の明瞭な像に変えます。このループ—速度平滑化、動的フィルタリング、包絡抽出—は各工程が互いに支え合う形で連携し、孤立して機能するよりも高い効果を発揮します。

多くの手がかりを一つの像に融合する

よく聴くことは課題の半分に過ぎず、もう半分は聴いたものをどう解釈するかです。著者らは、風力タービンの駆動系を模した開放型遊星ギアボックス試験台で、ギアボックス筐体に直交する2つの振動センサと回転速度を収集しました。試験は健全な歯から破損、摩耗、亀裂、欠損といった5つのギア状態で行い、さらに8つの異なる回転速度で運転しました。これらの信号から抽出した特徴は多岐に渡ります：平均値やピークといった単純統計、エネルギーが周波数帯域にどう分布するか、短いバーストを捉えるより精緻なウェーブレットパケットエネルギー尺度、そして歯車の噛み合いに関連するギア固有の指標などです。

故障タイプを分離するようアルゴリズムを教える

これらの生の特徴をそのまま分類器に投入するのではなく、著者らは線形判別分析（LDA）という教師あり次元削減法を用いました。平たく言えば、このステップは多数の入力特徴を、異なる故障タイプを互いに引き離しつつ同一タイプのサンプルを近くに保つよう選ばれた少数の結合特徴へ投影します。この手法は、学習時に実際の故障ラベル情報を利用する点で、全体の分散パターンのみを見る一般的な教師なし手法と異なります。本研究は、この処理によって低次元空間で各ギア障害が競合手法よりもはるかに明瞭に分離されることを示しています。その後、サポートベクターマシン、k最近傍法、ランダムフォレスト、ナイーブベイズの4つの異なる機械学習モデルを故障カテゴリの識別のために訓練します。

多数の知見は一つより優れる

どれか一つのアルゴリズムの限界に依存しないよう、著者らはこれら4つのモデルをアンサンブルにまとめて最終診断を投票で決定します。各モデルの票は検証データ上での精度に応じて重み付けされ、性能の良いモデルがやや多く影響を与えます。遊星ギアボックスのデータセットで試験したところ、閉ループ前処理、複数信号の特徴融合、教師あり特徴削減、重み付けアンサンブルからなる全パイプラインは、変速条件下で5つのギア状態を約98.8%の正答率で識別しました。これは単一の信号源のみを用いる場合、単一分類器のみを使う場合、または一般的な2つの深層学習モデルを用いる場合を上回る結果であり、どの物理的特徴が判定を支えているかについてもより透明性が高いという利点があります。

風力発電にとっての意味

日常的な言い方をすれば、本研究は風車のためのより信頼できる聴診器を提供します。複数種類のセンサデータを洗練して結合し、さらに複数の学習アルゴリズムで判定を合意させることで、風速に伴って回転速度が絶えず変動する状況でも微妙なギア損傷を早期かつ高精度で検出できます。これにより予期せぬ停止の削減、保守費用の低減、風力発電の信頼性向上が期待されます。今回の検証は特定の試験台で示されましたが、著者らは同様の閉ループ処理と融合の考え方が実際の風力発電所や他の回転機械にも応用可能であり、増え続けるクリーンエネルギー設備により賢い監視をもたらすだろうと提案しています。

引用: 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

キーワード: 風力タービン ギアボックス, ギア故障診断, 状態監視, マルチセンサ融合, 機械学習