Диагностика дефектов шестеренчатой передачи в приводах ветровых турбин с использованием слияния многоканальной информации и ансамблевого обучения: исследование на испытательном стенде

Как поддерживать работу ветровых турбин

Современные ветропарки полагаются на крупные редукторы, спрятанные внутри каждой турбины, которые превращают медленный, порывистый ветер в стабильную электроэнергию. Когда шестерни изнашиваются или трескаются, турбины вынуждены останавливаться для ремонта, что обходится в потери времени, денег и чистой энергии. В этом исследовании предложен более продвинутый способ «слушать» механическое состояние турбины и обнаруживать проблемы с шестернями на ранней стадии, даже когда машина вращается с постоянно меняющейся скоростью и окружена шумом.

Почему важно состояние шестерен

Редукторы располагаются между лопастями ротора и генератором, принимая на себя большие и постоянно меняющиеся нагрузки ветра. Они также являются одними из наиболее отказоустойчивых компонентов турбины и могут составлять основную долю механических простоев. Традиционные средства мониторинга анализируют один вибрационный сигнал и применяют фиксированные фильтры, что работает достаточно хорошо в стабильных лабораторных условиях. На практике же скорость ротора повышается и падает с каждым порывом, смещая характерные вибрационные признаки повреждений. К тому же фоновые шумы окружающей среды легко скрывают тонкие сигналы трещины или недостающего зуба, что затрудняет раннюю диагностику.

Более умный цикл прослушивания

Чтобы решить эту задачу, авторы разработали «замкнутую» цепочку обработки сигналов, которая в реальном времени связывает скорость и вибрацию. Сначала они сглаживают необработанные данные о скорости с энкодера с помощью гауссового фильтра, который удаляет резкие всплески, сохраняя истинную тенденцию вращения вала. Этот очищенный профиль скорости затем используется для непрерывной перенастройки полосового фильтра, применяемого к вибрационному сигналу, так что фильтр всегда следует за изменяющимися тональными компонентами зацепления шестерен, в которых содержится информация о дефектах. После целенаправленной фильтрации математический приём, называемый огибающим анализом, выделяет повторяющийся ударный паттерн, возникающий при контакте повреждённого зуба с партнёром, превращая запутанную вибрационную запись в гораздо более ясную картину состояния шестерни. Этот цикл — сглаживание скорости, динамическая фильтрация и извлечение огибающей — действует согласованно, так что каждый этап поддерживает следующий, а не работает обособленно.

Слияние множества улик в единую картину

Хорошо слушать — это только половина задачи; вторая половина — интерпретировать услышанное. Команда собрала сигналы с двух вибрационных датчиков, установленных под прямым углом на корпусе редуктора, а также данные о частоте вращения, используя открытый планетарный испытательный стенд, имитирующий привод ветровой турбины. Они протестировали пять состояний шестерен — от здоровых зубьев до сломанных, изношенных, треснувших и отсутствующих зубьев — и работали на восьми различных скоростях. Из этих сигналов извлекли богатый набор признаков: простую статистику (средние значения и пики), распределение энергии по частотам, более тонкие меры энергии в вейвлет-пакетах, фиксирующие кратковременные всплески, и специфические для шестерен сигнатуры, связанные с зацеплением зубьев.

Обучение алгоритма различать типы дефектов

Вместо того чтобы подавать все эти необработанные признаки напрямую в классификатор, авторы использовали контролируемый метод сокращения размерности — метод линейного дискриминантного анализа. Проще говоря, этот этап проецирует множество входных признаков в меньшее число комбинированных признаков, выбранных так, чтобы разъединять разные типы дефектов при сохранении близкими образцов одного типа. Этот подход использует информацию о истинных метках дефектов при обучении, в отличие от популярных неконтролируемых методов, которые ищут лишь общие закономерности дисперсии. В исследовании показано, что этот шаг делает различные проблемы шестерен гораздо более отчётливыми в уменьшенном пространстве признаков по сравнению с сопоставимыми методами. Затем были обучены четыре модели машинного обучения — опорные векторы (SVM), k-ближайших соседей, случайный лес и наивный Байес — распознавать категории дефектов.

Несколько умов лучше одного

Чтобы не полагаться на ограничения одного алгоритма, авторы объединили эти четыре модели в ансамбль, который голосует за окончательный диагноз. Голос каждой модели взвешивается в зависимости от её точности на валидационных данных, поэтому более точные модели вносят чуть больший вклад. На тестовой выборке с данными планетарного редуктора полный конвейер — замкнутая предварительная обработка, слияние признаков из нескольких сигналов, контролируемое сокращение признаков и взвешенный ансамбль — обеспечил около 98,8% правильной идентификации пяти состояний шестерен при переменной скорости. Это превзошло использование любого отдельного источника сигнала, применение только одного классификатора или даже двух широко используемых моделей глубокого обучения, сохраняя при этом большую прозрачность в отношении физических признаков, лежащих в основе решения.

Что это значит для ветровой энергетики

В повседневных терминах исследование предлагает более надёжный стетоскоп для ветровых турбин. Очищая и объединяя несколько типов данных датчиков и позволяя нескольким алгоритмам обучения согласовать вердикт, метод способен на ранней и точной стадии обнаруживать тонкие повреждения шестерен, даже когда скорость турбины постоянно изменяется под воздействием ветра. Это может сократить неожиданные простои, уменьшить затраты на обслуживание и сделать ветроэнергетику более надёжной. Хотя работа продемонстрирована на конкретном испытательном стенде, авторы предполагают, что те же идеи замкнутого цикла и слияния данных могут быть адаптированы для реальных ветропарков и других вращающихся машин, привнося больше интеллекта в растущий мировой парк чистых энергетических систем.

Цитирование: 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

Ключевые слова: редуктор ветровой турбины, диагностика дефектов шестерен, мониторинг состояния, слияние данных с нескольких датчиков, машинное обучение