市場前線｜整合小波演算法之智能振動感測器應用於風力發電傳動鏈故障偵測

摘要：針對大型風力發電系統傳動鏈故障的診斷需求，開發了一低成本的整合型感測器，以及對應的小波學習演算法，以變成夠快速安裝在風力機的傳動鏈上，即時將振動資料測量後並完成分析，直接將結果回傳到後台主機或監控介面上，不須再由中介的硬體來處理，簡化了風機狀態監控系統(Condition Monitoring System, CMS)的結構，因而也降低了建置成本。最後並在實際的風力機組上進行安裝、資料收集、與測試分析，完成本智能感測器的驗證，的確能夠在軸承發生異常的時候，透過小波能量包的方式得知異常。

Abstract：To meet the diagnostic requirements for the drive-train faults in large-scale wind power systems, a cost-effective integrated sensor has been developed, along with a corresponding wavelet-based learning algorithm. This sensor can be rapidly installed on the transmission chain of wind turbines. It measures vibration data in real-time, conducts analysis, and directly transmits the results to a backend host or monitoring interface without the need for intermediary hardware processing. This simplifies the structure of the wind turbine condition monitoring system (CMS) and reduces implementation costs. Finally, the sensor was installed, data collected, and testing conducted on an actual wind turbine unit to validate its functionality. It can indeed detect anomalies in the bearings through wavelet energy packet analysis.

關鍵詞：風力發電、故障診斷、加速規、小波演算法、訊號分析

Keywords：Wind energy, Fault diagnosis , Accelerometer, Wavelet algorithm, Signal analysis

前言

風能做為再生能源發展不可或缺的一種能源，近年來持續穩定成長中[1]。隨著裝置容量的增加，風能產業也面臨重大挑戰，便是確保風力發電機的高效能運轉與可靠性。在這個過程中，齒輪箱成為風力渦輪機系統中的一個關鍵組件，負責將葉輪轉子轉速提升到發電機的轉速範圍。然而，長時間在惡劣的環境條件下運行以及高度複雜的結構使得風力發電機的齒輪箱容易受到損壞。這種損壞不僅對風力機的運行效率產生負面影響，還可能導致昂貴的停機維修，進而影響投資回報率。據估計，風力機的運轉維護成本占整體成本約25％-30％，或佔20年壽命週期風力機投資成本的75％-90％[2][3]。因此，維持齒輪箱正常運轉至關重要。齒輪箱故障的即時檢測和診斷不僅可以幫助減少風力機的停機時間和維修成本，還可以提高整個風能發電系統的可靠性。若能夠在故障發生前發出警告，便可降低可能產生的連鎖故障以及發電成本損失。本文開發一個可用於風力機傳動鏈齒輪箱的智慧整合型感測系統，可用來測量齒輪箱振動訊號，並透過與加速規整合之運算晶片，直接將運算過的診斷結果傳出，直接於遠端監控系統中觀察或是發出必要的警報，不須在透過後端資料處理、程式運算等軟硬體，簡化了在風力機上設置診斷系統的複雜性，並於風力機上實際驗證，檢測出故障徵兆。

背景說明

1.齒輪箱故障種類

風力發電機的故障根據不同子系統與部位，大至可分為六類：葉片、齒輪箱、發電機、軸承、機械剎車系統故障和轉向系統故障等。這其中，齒輪箱故障對風力機的運轉影響最大，根據統計故障數據，它被認為是失效率最高的部分。故障率和停機時間的詳細信息如圖1所示[4]。

齒輪箱的故障主要是齒輪箱的軸承和齒輪先崩壞後，才導致齒輪故障；與齒輪箱內部相關的損壞種類皆與齒輪、軸承有緊密的關聯性。常見的齒輪損傷型態有磨損、靜止痕跡、碎屑壓痕、微點蝕、腐蝕、拋光、裂紋、斷裂等，如表 1，如要辨識出上述細部損壞表現，需累積龐大且詳細的故障資料。

圖1風力機元件故障頻率與停機時間分布[4]

表 1常見的齒輪損傷型態

2.齒輪箱故障診斷方法

傳統上，旋轉機械乃至於風力機齒輪箱故障仍然以頻域分析(Frequency Domain)工具為主。根據國際風力機規範IEC 61400-25的建議，可基於傳動鏈上各個轉動件的規格來計算主要的可能損壞頻率，包含主軸承、齒輪箱各階軸承、齒輪、發電機軸承等。過去也有許多研究進行了各種方法特性的比較。除了頻域方法之外，時域和時頻方法都是已經在風機上實施過。

這其中時頻分析結合時間與頻率的資訊，特點是可將一維的振動信號轉換成二維時間-頻率 Scalogram，且適用於CNN (Convolution Neural Network) 人工智慧等技術辨別出異常振動訊號。因使用高階的分析法，其可將振動訊號切割至更細，而有效的振動特徵將能更精準的在頻譜上找出。這樣的綜合性使得它能夠檢測多種故障模式，包括磨損、裂紋、齒輪缺失等。對於突然的衝擊或變化，也能夠檢測到異常振動事件提供早期警告，以減少設備停機時間和維護成本。因此本文預計採用時頻域(Time-Frequency)方法，並直接在感測器晶片運算後，輸出小波分析特徵值來進行訊號分析診斷。在Li等人的研究中[6]就將以時頻的小波分解、支持向量機(support vector machine)以及改進的原子搜尋算法，用於預測風能輸出，顯示時頻法結合機器學習的可行性。茲將頻域、時域和時頻方法的優缺比較整理於表2。

表 2 訊號分析方法比較