Diagnose van tandwieldefecten in aandrijflijnen van windturbines met multi-bron informatiefusie en ensemble learning in een simulatorbankstudie

De windturbines draaiende houden

Moderne windparken vertrouwen op enorme tandwielkasten in elke turbine om langzame, variabele wind om te zetten in constante elektriciteit. Als die tandwielen slijten of scheuren, moeten turbines worden stilgezet voor reparatie, wat tijd, geld en schone energie kost. Deze studie presenteert een slimmer manier om naar het mechanische ‘hartslagritme’ van een windturbine te luisteren en tandwielproblemen vroeg te herkennen, zelfs wanneer de machine draait met continu veranderende snelheden en omgeven is door ruis.

Waarom tandwielgezondheid belangrijk is

Tandwielkasten bevinden zich tussen de rotorbladen en de generator en dragen sterke en steeds wisselende belastingen door de wind. Ze behoren ook tot de onderdelen met de grootste faalkans en kunnen het merendeel van de mechanische stilstand veroorzaken. Traditionele monitoringsystemen kijken naar één vibratiesignaal en passen vaste filters toe, wat redelijk werkt onder stabiele laboratoriumomstandigheden. In het veld stijgt en daalt de rotorsnelheid echter met elke windvlaag, waardoor de kenmerkende vibratiesignaturen van schade verschuiven. Tegelijkertijd kan omgevingsruis de subtiele tekenen van een scheur of een ontbrekende tand makkelijk verbergen, wat vroege diagnose bemoeilijkt.

Een slimmer luisterlus

Om dit aan te pakken ontwierpen de auteurs een “gesloten-lus” signaalverwerkingsketen die snelheid en trilling in real time met elkaar verbindt. Eerst gladstrijken ze de ruwe snelheidsgegevens van een encoder met een Gaussiaans filter, dat plotselinge pieken verwijdert maar de werkelijke trend van de asrotatie bewaart. Dat schone snelheidsprofiel wordt vervolgens gebruikt om continu een banddoorlaatfilter op de trillingssignalen bij te stellen, zodat het filter altijd de veranderende tandings tonen volgt waar foutinformatie zit. Na deze gerichte filtering isoleert een wiskundige truc, envelopanalyse, het herhalende impactpatroon dat ontstaat wanneer een beschadigde tand tegen zijn partner slaat, en verandert zo een rommelig trillingsspoor in een veel duidelijker beeld van de tandwielgezondheid. Deze lus — snelheidsgladstrijken, dynamische filtering en envelopextractie — werkt samen zodat elke stap de volgende ondersteunt in plaats van geïsoleerd te opereren.

Veel aanwijzingen samenvoegen tot één beeld

Goed luisteren is slechts de helft van de uitdaging; de andere helft is interpreteren wat je hoort. Het team verzamelde signalen van twee trillingssensoren die loodrecht op elkaar op de tandwielkastoestand waren gemonteerd, samen met de rotatiesnelheid, gebruikmakend van een open planetaire tandwielkast testbank die een aandrijflijn van een windturbine nabootst. Ze testten vijf tandwieltoestanden, van gezonde tanden tot gebroken, versleten, gescheurde en ontbrekende tanden, en lieten het systeem bij acht verschillende snelheden draaien. Uit deze signalen haalden ze een rijke set metingen: eenvoudige statistieken zoals gemiddelden en pieken, hoe de energie verdeeld is over verschillende frequenties, verfijndere “wavelet-pakket” energiemaatstaven die korte uitbarstingen vastleggen, en tandwielspecifieke signaturen gekoppeld aan hoe de tanden in elkaar grijpen.

Het algoritme leren fouttypes te scheiden

In plaats van al deze ruwe metingen direct aan een classifier te geven, gebruikten de auteurs een begeleide dimensiereductiemethode genaamd Lineaire Discriminantanalyse. In eenvoudige termen projecteert deze stap de vele invoerkenmerken naar een kleinere set gecombineerde kenmerken die zodanig zijn gekozen dat verschillende fouttypes uit elkaar getrokken worden terwijl monsters van hetzelfde type bij elkaar blijven. Deze aanpak gebruikt tijdens training kennis van de echte foutlabels, in tegenstelling tot populaire ongerichte methoden die alleen naar algemene variantiepatronen kijken. De studie toont aan dat deze stap de verschillende tandwielproblemen veel duidelijker maakt in de gereduceerde feature-ruimte dan concurrerende methoden. Daarna worden vier verschillende machine learning-modellen — Support Vector Machines, k-Nearest Neighbors, Random Forests en Naive Bayes — getraind om de foutcategorieën te herkennen.

Veel stemmen zijn beter dan één

Om te voorkomen dat men afhankelijk is van de beperkingen van één enkel algoritme, combineren de auteurs deze vier modellen in een “ensemble” dat stemt over de uiteindelijke diagnose. De stem van elk model wordt gewogen naar zijn nauwkeurigheid op validatiegegevens, zodat beter presterende modellen iets meer invloed hebben. Getest op de planetaire tandwielkastdataset behaalde de volledige pijplijn — gesloten-lus voorverwerking, multisignaal feature-fusie, begeleide dimensiereductie en gewogen ensemble — ongeveer 98,8% correcte identificatie van de vijf tandwieltoestanden onder variabele snelheidsomstandigheden. Dit presteerde beter dan het gebruik van één enkele signaalbron, slechts één classifier, of zelfs twee veelgebruikte deep learning-modellen, terwijl het transparanter bleef over welke fysieke kenmerken de beslissing sturen.

Wat dit betekent voor windenergie

In gewone bewoordingen biedt de studie een betrouwbaardere stethoscoop voor windturbines. Door meerdere soorten sensorgegevens te reinigen en te combineren en vervolgens meerdere leeralgoritmen een oordeel te laten geven, kan de methode subtiele tandwielschade vroeg en nauwkeurig detecteren, zelfs wanneer de turbinesnelheid voortdurend verandert met de wind. Dit kan onverwachte stilstanden verminderen, onderhoudskosten verlagen en windenergie betrouwbaarder maken. Hoewel het werk is gedemonstreerd op een specifieke testopstelling, suggereren de auteurs dat dezelfde gesloten-lus en fusie-ideeën aangepast kunnen worden aan echte windparken en andere roterende machines, waardoor er meer intelligentie komt in de snel groeiende vloot van schone energiesystemen wereldwijd.

Bronvermelding: 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

Trefwoorden: tandwielkast van windturbine, diagnose van tandwieldefecten, conditiemonitoring, multi-sensor fusie, machine learning