Diagnostyka uszkodzeń kół zębatych przekładni turbin wiatrowych z wykorzystaniem fuzji informacji z wielu źródeł i uczenia zespołowego — badanie na stanowisku symulacyjnym

Utrzymanie turbin w ruchu

Współczesne farmy wiatrowe polegają na potężnych przekładniach ukrytych w każdej turbinie, które przekształcają wolny, porywisty wiatr w stabilną produkcję energii. Gdy zęby kół zębatych zużywają się lub pękają, turbiny trzeba zatrzymać w celu naprawy, co generuje koszty czasu, pieniędzy i utraconej czystej energii. W badaniu zaproponowano inteligentniejszy sposób „nasłuchiwania” mechanicznego rytmu turbiny, pozwalający wykrywać problemy z przekładnią wcześnie, nawet gdy maszyna obraca się z zmienną prędkością i jest otoczona szumem.

Dlaczego stan kół zębatych ma znaczenie

Przekładnie znajdują się między łopatami wirnika a generatorem i przenoszą silne, zmienne obciążenia wiatru. Są też jednymi z najbardziej podatnych na awarie elementów turbiny i mogą odpowiadać za znaczną część przestojów mechanicznych. Tradycyjne narzędzia monitorujące analizują pojedynczy sygnał drgań i stosują stałe filtry — działa to przyzwoicie w stabilnych warunkach laboratoryjnych. Na polu jednak prędkość wirnika rośnie i maleje z każdym porywem, co przesuwa charakterystyczne sygnatury drgań wskazujące uszkodzenia. Równocześnie szumy środowiskowe mogą łatwo zagłuszyć subtelne symptomy pęknięcia lub brakującego zęba, utrudniając wczesną diagnozę.

Inteligentniejsze sprzężenie „nasłuchu”

Aby temu sprostać, autorzy zaprojektowali łańcuch przetwarzania sygnału w trybie „zamkniętej pętli”, który w czasie rzeczywistym wiąże prędkość obrotową z drganiami. Najpierw wygładzają surowe dane prędkości z enkodera filtrem Gaussa, który usuwa nagłe skoki, jednocześnie zachowując rzeczywisty trend obrotu wału. Otrzymany profil prędkości służy następnie do ciągłego dostrajania filtra pasmowo-przepustowego stosowanego do sygnału drgań, tak by filtr podążał za zmieniającymi się tonami zazębienia kół, gdzie zawarte są informacje o uszkodzeniach. Po tym selektywnym filtrowaniu zastosowanie analizy koperty pozwala wyodrębnić powtarzający się wzorzec uderzeń powstający, gdy uszkodzony ząb uderza o partnera, przekształcając złożony przebieg drgań w znacznie czytelniejszy obraz stanu przekładni. Ta pętla — wygładzanie prędkości, dynamiczne filtrowanie i ekstrakcja koperty — współdziała tak, by każdy etap wspierał kolejny, zamiast działać w izolacji.

Scalanie wielu wskazówek w jedną całość

Dobre nasłuchiwanie to tylko połowa wyzwania; druga to interpretacja otrzymanych sygnałów. Zespół zebrał dane z dwóch czujników drgań zamontowanych pod kątem prostym na obudowie przekładni oraz prędkość obrotową, korzystając z otwartego stanowiska badawczego z przekładnią planetarną imitującego układ napędowy turbiny wiatrowej. Testowali pięć stanów kół zębatych — od zdrowych zębów po złamane, zużyte, pęknięte i brakujące zęby — i przeprowadzili pomiary przy ośmiu różnych prędkościach. Z tych sygnałów wydobyli bogaty zestaw cech: proste statystyki jak średnie i wartości szczytowe, rozkład energii w różnych częstotliwościach, bardziej wyrafinowane miary energii pakietów falkowych uchwytujące krótkotrwałe wybuchy oraz specyficzne sygnatury związane z zazębieniem kół.

Nauka rozróżniania typów uszkodzeń

Zamiast podawać wszystkie surowe pomiary bezpośrednio do klasyfikatora, autorzy zastosowali nadzorowaną metodę redukcji wymiarowości zwaną Analizą Dyskryminacyjną Liniową. Mówiąc prościej, etap ten rzutuje liczne cechy wejściowe na mniejszy zestaw cech złożonych, które są dobierane tak, by rozdzielać różne typy uszkodzeń, jednocześnie grupując podobne próbki. Podejście to wykorzystuje informacje o prawdziwych etykietach uszkodzeń podczas treningu, w przeciwieństwie do popularnych narzędzi nienadzorowanych, które szukają jedynie ogólnych wzorców wariancji. Badanie pokazuje, że krok ten sprawia, iż różne problemy z kołami zębatymi są znacznie bardziej wyraźne w zredukowanej przestrzeni cech niż przy metodach konkurencyjnych. Następnie wytrenowano cztery modele uczenia maszynowego — maszyny wektorów nośnych (SVM), k-najbliższych sąsiadów (k-NN), lasy losowe (Random Forest) oraz Naiwny Bayes — do rozpoznawania kategorii uszkodzeń.

Wiele umysłów jest lepszych niż jeden

Aby nie polegać na ograniczeniach pojedynczego algorytmu, autorzy połączyli te cztery modele w „ensemble”, które głosuje nad ostateczną diagnozą. Głos każdego modelu jest ważony proporcjonalnie do jego dokładności na danych walidacyjnych, więc lepiej radzące sobie modele mają nieco większy wpływ. Testy na zbiorze danych z przekładnią planetarną wykazały, że pełny pipeline — przetwarzanie w zamkniętej pętli, fuzja cech z wielu sygnałów, nadzorowana redukcja cech i ważone ensemble — osiągnął około 98,8% poprawnej identyfikacji pięciu stanów kół zębatych przy zmiennej prędkości. Wynik ten przewyższał użycie pojedynczego źródła sygnału, jednego klasyfikatora, a nawet dwóch powszechnie stosowanych modeli głębokiego uczenia, przy jednoczesnym zachowaniu większej przejrzystości co do fizycznych cech wpływających na decyzję.

Co to oznacza dla energetyki wiatrowej

Mówiąc wprost, badanie proponuje bardziej niezawodny stetoskop dla turbin wiatrowych. Poprzez oczyszczanie i łączenie kilku rodzajów danych z czujników, a następnie pozwolenie wielu algorytmom uczenia na wypracowanie wspólnego werdyktu, metoda potrafi wcześnie i dokładnie wykrywać subtelne uszkodzenia kół zębatych, nawet gdy prędkość turbiny zmienia się wraz z wiatrem. Może to zmniejszyć nieoczekiwane zatrzymania, obniżyć koszty konserwacji i uczynić energetykę wiatrową bardziej niezawodną. Choć praca została zademonstrowana na konkretnym stanowisku testowym, autorzy sugerują, że te same pomysły na zamkniętą pętlę i fuzję można zaadaptować do rzeczywistych farm wiatrowych i innych wirujących maszyn, wnosząc więcej inteligencji do rosnącej floty systemów czystej energii na świecie.

Cytowanie: 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

Słowa kluczowe: przekładnia turbiny wiatrowej, diagnostyka uszkodzeń kół zębatych, monitorowanie stanu, fuzja wieloczujnikowa, uczenie maszynowe