Çok kaynaklı bilgi füzyonu ve ansambl öğrenme kullanılarak rüzgar türbini sürücü hatlarının dişli arızası tanısı: bir simülasyon tezgâhı çalışması

Rüzgar Türbinlerini Döndüren Şeyin Korunması

Modern rüzgar çiftlikleri, yavaş ve değişken rüzgarı sabit elektrik akışına dönüştüren, her türbinin içine gizlenmiş devasa dişli kutulara dayanır. Bu dişliler aşındığında veya çatladığında, türbinlerin onarım için durdurulması gerekir; bu da zaman, para ve temiz enerji kaybına yol açar. Bu çalışma, rüzgar türbininin mekanik “nabzını” daha akıllıca dinlemenin ve makine sürekli değişen hızlarda dönerken ve gürültüyle çevrilmişken bile dişli sorunlarını erken saptamanın bir yolunu sunuyor.

Dişli Sağlığının Neden Önemli Olduğu

Dişli kutuları rotor kanatları ile jeneratör arasında yer alır ve rüzgardan gelen güçlü ve sürekli değişen yükleri taşır. Aynı zamanda türbinin en arızaya meyilli parçalarından biridir ve mekanik duruş sürelerinin büyük bölümünden sorumlu olabilir. Geleneksel izleme araçları tek bir titreşim sinyaline bakar ve sabit filtreler uygular; bu, laboratuvarın sabit koşullarında makul derecede işe yarar. Ancak sahada rotor hızı her rüzgâr esintisiyle artıp azalır ve hasar izlerinin karakteristik titreşimlerini kaydırır. Ayrıca çevresel gürültü, çatlak veya eksik dişin ince işaretlerini kolayca gömerek erken teşhisi zorlaştırır.

Daha Akıllı Bir Dinleme Döngüsü

Buna karşılık, yazarlar hız ve titreşimi gerçek zamanlı bir şekilde birbirine bağlayan “kapalı döngü” bir sinyal işleme zinciri tasarladılar. Önce enkoderden gelen ham hız verisini Gauss filtresi ile yumuşatarak ani sıçramaları giderip şaftın dönme eğiliminin gerçek çizgisini korudular. Bu temiz hız profili ardından titreşim sinyaline uygulanan bant geçiren filtrenin sürekli yeniden ayarlanmasında kullanıldı; böylece filtre her zaman arıza bilgisinin bulunduğu değişen dişli açma tonlarını izledi. Bu hedefe yönelik filtrelemeden sonra, zarf analizi olarak adlandırılan matematiksel bir yöntem, hasarlı bir dişin partnerine çarpmasıyla oluşan tekrarlayan darbe desenini izole ederek karışık bir titreşim izini dişli sağlığının çok daha net bir görüntüsüne dönüştürdü. Bu döngü — hız yumuşatma, dinamik filtreleme ve zarf çıkarımı — her adımın diğerini destekleyecek şekilde birlikte çalıştığı izole işlemler yerine bir bütün olarak işliyor.

Birçok İpucunu Tek Bir Görüntüde Birleştirmek

İyi dinlemek zorluğun yalnızca yarısıdır; diğer yarısı duyulanı yorumlamaktır. Ekip, rüzgar türbini sürücüsünü taklit eden açık bir planet dişli kutusu test tezgâhı kullanarak dişli kutusu muhafazasına dik açılarla monte edilmiş iki titreşim sensöründen ve dönme hızından gelen sinyalleri topladı. Sağlam dişten kırık, aşınmış, çatlamış ve eksik dişe kadar beş dişli durumu test ettiler ve sistemi sekiz farklı hızda çalıştırdılar. Bu sinyallerden, ortalamalar ve zirveler gibi basit istatistikler, enerjinin farklı frekanslara nasıl dağıldığı, kısa patlamaları yakalayan daha rafine “dalga paket” enerji ölçümleri ve dişlilerin meshiyle ilişkili dişli özgü imzalar gibi zengin bir ölçüm seti çıkardılar.

Algoritmaya Arıza Türlerini Ayırmayı Öğretmek

Tüm bu ham ölçümleri doğrudan bir sınıflandırıcıya vermek yerine, yazarlar Gözetimli Boyut Azaltma yöntemi olan Doğrusal Ayırma Analizi (Linear Discriminant Analysis) kullandılar. Basitçe söylemek gerekirse, bu adım çok sayıda giriş özelliğini, farklı arıza türlerini birbirinden ayırmaya yönelik ve aynı tür örnekleri birbirine yakın tutacak şekilde seçilmiş daha küçük bir birleşik özellik setine projekte eder. Bu yaklaşım eğitim sırasında gerçek arıza etiketleri bilgisini kullanır; yalnızca genel varyans desenlerine bakan popüler gözetimsiz araçlardan farklıdır. Çalışma, bu adımın farklı dişli problemlerini azaltılmış özellik uzayında rakip yöntemlerden çok daha ayırt edici hale getirdiğini gösteriyor. Bunu takiben Destek Vektör Makineleri, k-En Yakın Komşu, Rastgele Ormanlar ve Naive Bayes olmak üzere dört farklı makine öğrenimi modeli arıza kategorilerini tanımak üzere eğitildi.

Çok Beyin Bir Beyinden Daha İyidir

Herhangi bir tek algoritmanın sınırlamalarına bağlı kalmamak için yazarlar bu dört modeli nihai teşhiste oy kullanan bir “ansambl” içinde birleştirdiler. Her modelin oyu, doğrulama verilerinde ne kadar doğru olduğuna göre ağırlıklandırıldı; bu yüzden daha iyi performans gösterenler biraz daha fazla etki taşıdı. Planet dişli kutusu veri seti üzerinde test edildiğinde, tam boru hattı — kapalı döngü ön işleme, çoklu sinyal özellik füzyonu, gözetimli özellik indirgeme ve ağırlıklı ansambl — değişken hız koşullarında beş dişli durumunun yaklaşık %98,8’ini doğru tanımladı. Bu, tek bir sinyal kaynağı kullanmaya, yalnızca bir sınıflandırıcıya veya hatta iki yaygın kullanılan derin öğrenme modeline göre daha iyi performans gösterirken, kararda hangi fiziksel özelliklerin etkili olduğuna dair daha fazla şeffaflık sağladı.

Rüzgar Enerjisi İçin Anlamı

Günlük ifadeyle, çalışma rüzgar türbinleri için daha güvenilir bir stetoskop sunuyor. Birkaç tip sensör verisini temizleyip birleştirerek ve ardından birden çok öğrenme algoritmasının ortak bir karara varmasına izin vererek, yöntem türbin hızı rüzgarla birlikte sürekli değişirken bile ince dişli hasarlarını erken ve doğru şekilde tespit edebiliyor. Bu, beklenmedik duruşları azaltabilir, bakım maliyetlerini düşürebilir ve rüzgar enerjisinin güvenilirliğini artırabilir. Çalışma belirli bir test düzeneğinde gösterilmiş olsa da, yazarlar aynı kapalı döngü ve füzyon fikirlerinin gerçek rüzgar çiftliklerine ve diğer dönen makinelere uyarlanabileceğini, dünyanın büyüyen temiz enerji filolarına daha fazla zeka kazandırabileceğini öne sürüyorlar.

Atıf: 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

Anahtar kelimeler: rüzgar türbini dişli kutusu, dişli arızası teşhisi, durum izleme, çoklu sensör füzyonu, makine öğrenimi