TWI732660B - 風力發電機故障診斷系統及其方法 - Google Patents

Abstract

一種風力發電機故障診斷系統及方法，通過對風力發電設備運行狀態進行即時監測並進行趨勢預測，及時發現運行過程中存在的故障隱患，並利用人工智慧演算法對訊號進行分析處理，提取故障特徵資訊，進而將診斷故障發生的原因和部位等情況，即時通知監測人員，讓監測人員能適時瞭解風力發電機的運轉狀。

Description

風力發電機故障診斷系統及其方法

本發明係關於一種風力發電機故障診斷系統及方法，特別是一種風力發電機早期故障診斷的方法，通過對風力發電設備運行狀態進行即時監測並進行趨勢預測，及時發現運行過程中存在的故障隱患，並利用人工智慧演算法對訊號進行分析處理，提取故障特徵資訊，進而診斷故障發生的原因和部位等情況的一種風力發電機故障診斷系統及方法。

風力發電機是一種將風能轉換為電能的旋轉機械，一般工作在偏遠地區和近海海域，容易受氣候和地理環境的影響，運行條件惡劣，一旦發生故障容易造成嚴重的經濟損失，甚至導致人員傷亡事故，這使得風電設備製造商和風場管理經營者越來越關注風力發電機的運行安全，從而對風力發電機的狀態監測與故障診斷提出了要求。

因此如何通過對風力發電設備運行狀態進行即時監測並進行趨勢預測，儘早發現運行過程中存在的故障隱患，並將預測的診斷故障發生的原因和部位及時通知監測人員，讓監測人員能適時瞭解風電設備的運轉狀況，以降低無 預警事故發生之機率，此乃學界與業界亟欲解決的關鍵問題。

本發明揭露一種風力發電機故障診斷系統及其方法，可再增加不同型式的故障種類與感測元件，以及導入人工智慧演算法進行故障檢測，從演算分析結果預測風力機設備故障前兆，預先做出準備以提供電力供電的穩定與安全。

根據本發明實施例所揭露的一種風力發電機故障診斷系統，至少包括一風力發電機、一可程式邏輯控制器及一物聯網監控系統。該風力發電機設置有一機艙，該機艙前端設置有一葉片組，該機艙內具有一容置空間，該容置空間內至少設置有一發電機組、一齒輪增速機、一交流馬達、一紫外線感測器、一溫度感測器、一轉速計、一振動感測器、一細水霧滅火裝置及一交流電力錶。該可程式邏輯控制器，用於接收該紫外線感測器、該溫度感測器、該轉速計、該振動感測器和該交流電力錶的偵測訊號，並且在固定時間內主動進行一故障狀態預測演算來提取葉片震動的特徵，用以判斷故障狀態。該物聯網監控系統，用於讀取可程式邏輯控制器接收後的偵測訊號，並將該偵測訊號透過一工業乙太網路傳輸至一雲端監控中心的一故障類型資料庫進行比對分析，並將比對分析後的結果即時通知監測人員。

根據本發明實施例所揭露的風力發電機故障診斷方法，其步驟為先在風力機的機艙內設置多個感測器；再利用一可程式邏輯控制器接收多個感測器的偵測訊號，並在固定時間內主動進行一故障狀態預測演算來提取葉片震動的特徵，加以判斷故障狀態；最後則利用一物聯網監控系統讀取可程式邏輯控制器接收後的偵測訊號，並將該偵測訊號透過一工業乙太網路傳輸至一雲端監控中心的一故障類型資料庫進行比對分析，並將比對分析後的結果即時通知監測人員。

以上關於本發明所揭露內容的說明及以下實施方式的說明係用以示範與解釋本發明的精神與原理，並且提供本發明的專利申請範圍更進一步的解釋。

1:風力發電機故障診斷系統

2:風力發電機

21:機艙

211:容置空間

2111:發電機組

2111a:發電機軸承

2112:齒輪增速機

2112a:齒輪軸承

2113:交流馬達

2113a:馬達軸承

2114:交流電力錶

2115:紫外線感測器

2116:溫度感測器

2117:轉速計

2118a、2118b:振動感測器

2119:細水霧滅火裝置

22:葉片組

3:可程式邏輯控制器

4:物聯網監控系統

5:工業乙太網路

6:雲端監控中心

61:故障類型資料庫

7:監測人員

8:監示裝置

9:數據可視化平台

S100、S201:第一步驟

S200、S202:第二步驟

S300、S203:第三步驟

S204:第四步驟

圖1為本發明之風力發電機故障診斷系統的整體實施方塊示意圖。

圖2為本發明之風力發電機的整體架構方塊示意圖。

圖3a為本發明之正常運作的混沌誤差散佈圖。

圖3b為本發明之螺絲鬆脫時的混沌誤差散佈圖。

圖3c為本發明之三個葉片受風角度不同時之混沌誤差散佈圖。

圖4為本發明之數據可視化平台的呈現示意圖。

圖5為本發明之風力發電機故障診斷方法的步驟流程圖。

圖6為本發明之故障狀態預測演算的步驟流程圖。

圖7為本發明的卷積運算過程示意圖。

圖8為本發明的池化運算過程示意圖。

請參閱圖1及圖2。本發明所揭露的一種風力發電機故障診斷系統1，至少包括一風力發電機2、一可程式邏輯控制器(Programmable Logic Controller,PLC)3及一物聯網監控系統4。該風力發電機2設置有一機艙21，該機艙21前端設置有一葉片組22，該機艙21內具有一容置空間211，該容置空間211內至少設置有一發電機組2111、一齒輪增速機2112、一交流馬達2113、交流電力錶2114、一紫外線感測器2115、一溫度感測器2116、一轉速計2117、二振動感測器2118a,2118b、及一細水霧滅火裝置2119。該可程式邏輯控制器3，用於接收該交流電力錶2114、紫外線感測器2115、該溫度感測器2116、該轉速計2117和該二振動感測器2118的偵測訊號，並且在固定時間內主動進行一故障狀態預測演算來提取葉片組22振動的特徵，用以判斷故障狀態。該物聯網監控系統4，用於讀取可程式邏輯控制器3接收後的偵測訊號，並將該偵測訊號透過一工業乙太網路5傳輸至一雲端監控中心6 的一故障類型資料庫61進行比對分析，並將比對分析後的結果即時通知監測人員7。

前述該機艙21內的該發電機組2111會透過一發電機軸承2111a與該齒輪增速機2112連接，該齒輪增速機2112通過一齒輪軸承2112a與該交流馬達2113連接，該交流馬達2113通過一馬達軸承2113a與該葉片組22連接。

前述該交流電力錶2114設置在該發電機組2111周圍附近，並電性連接該發電機組2111，用以量測該發電機組2111的電壓、電流、有效功率、無效功率、視在功率、功率因數、頻率或有效電能等訊號，隨時了解發電機組的運作狀況。

前述該溫度感測器2116設置在該齒輪增速機2112上，並電性連接該齒輪增速機2112，用以量測該齒輪增速機2112的箱油溫度，避免該齒輪增速機出現潤滑失效。

前述該轉速計2117設置在該齒輪增速機2112與交流馬達2113之間，並電性連接該齒輪增速機2112與交流馬達2113，用以量測兩者之間的轉速訊號，避免轉速過快造成該風力發電機2的結構損壞。其中該轉速訊號為每轉2000(pulse)可得出每分鐘風力發電機2的轉速。

前述該二振動感測器2118a,2118b設置在該齒輪增速機2112與該葉片組22之間，本實施例中的一個振動器2118a設置在該齒輪增速機2112本體上，並電性連接該齒 輪增速機2112，用於感測機艙整體的振動訊號，另一個振動器2118b則設置靠近於該葉片組22附近，並電性連接該葉片組22和交流馬達2113用於感測葉片組22的振動狀況。其中該振動感測器2118的訊號輸出範圍為4~20mA，經由PLC線性轉換後，輸出的振動訊號為3,276~16,383次，當葉片發生故障時，其測得的振動訊號平均達到10,000以上。

前述該紫外線感測器2115設置在機艙21內，用於偵測該機艙21內是否產生火焰或是電弧。該紫外線感測器2115可使用例如C10807紫外線/火焰感測器控制電路板等。

前述該故障狀態預測演算法主要是用於「偵測葉片螺絲鬆脫」以及「三個葉片的受風角度不同時」兩種故障類型，該兩種故障類型都是只有小震動的差異，無法直接用振動感測器來準確判斷，因為必須透過演算法來提取故障震動的特徵，該故障狀態預測演算法，至少具有如下演算步驟：

第一步驟為利用勞倫茲(Lorenz)混沌同步檢測法，提取電壓與電流訊號之相位角差轉換成混沌誤差散佈圖，並利用混沌動態誤差方程式來產生勞倫茲混沌誤差，並將該混沌誤差中的兩個重心點座標設為混沌眼，再以該混沌眼為故障診斷的特徵。請參閱圖3a~圖3b為為風力發電機在不同故障狀況下的混沌誤差散佈圖，圖3a為正常運作之混沌誤差散佈圖，圖3b為螺絲鬆脫時之混沌誤差散佈圖，圖3c為三個 葉片受風角度不同時的混沌誤差散佈圖。由圖3a~3b可以明顯看出混沌眼x之間的距離d都不相同。

第二步驟為利用卷積神經網路透過混沌誤差散佈圖，提取該混沌誤差散佈圖的圖像特徵值。

第三步驟為利用池化運算將圖像特徵值提出至可拓類神經(第一型)決定混沌眼的特徵重要程度來訂定權重值，再依據權重值來決定故障類別的關聯度，最後再利用監督式學習調整權重值並進行分類，用以對應出故障的原因。

第四步驟為經可拓類神經學習後，將學習模型儲存下來，並經由一數據可視化平台9(結合LabVIEW與MATLAB)呈現出來，請參閱圖4即為該數據可視化平台9的呈現示意圖。其中該LabVIEW為讓使用者可以依據自己的需要定義和製造各種虛擬儀器，其英文全名為Laboratory Virtual Instrumentation Engineering Workbench，其中文名稱為實驗室虛擬儀器工程平台。前述的MATLAB為將演算後的資料視覺化，英文全名為MATrix LABoratory，其中文名稱為矩陣實驗室。

前述該故障類型資料庫61存放多個偵測訊號的安全預設值，用於將多個偵測訊號與該安全預設值進行比對分析，當該偵測訊號超出該安全預設值即啟動一警示裝置8以發出警告。其中該各個偵測訊號與該故障類型資料庫61比較的判斷點為如下說明。

前述該振動感測器的偵測訊號為振動訊號，當該靠近葉片組22的振動感測器2118b的振動訊號大於1萬次，則判斷故障類型為葉片斷裂損壞。

前述該轉速器2117的偵測訊號為轉速訊號，當該轉速訊號大於300rpm系統速限，則判斷故障類型為轉速過快。

前述該交流電力錶2114的偵測訊號至少有電流訊號，當該電流訊號等於0安培，則判斷故障類型為線路異常；當電流訊號大於3安培，則判斷故障類型為負戴過大。

前述該紫外線感測器2115的偵測訊號為一紫外光，該紫外光會偵測該機艙21內所產生的多個電壓閃爍的次數，當該紫外線感測器在2秒內偵測到超過20次的電壓閃爍，即判斷故障類型為機艙21內為產生電弧。當紫外線感測器在2秒內偵測到低於20次的電壓閃爍訊號，即判斷故障類型為機艙21失火。其中造成該電壓閃爍的原因為，當風力發電機2在不穩定的風速下，其輸出電壓與輸出電流皆會產生大小不同的變動，該劇烈的輸出電壓變動即會造成電壓閃爍的現象。

當前述的單一或多個偵測訊號超出安全預設值時，本系統除了啟動警示裝置8發出警告之外，還會切斷風力發電機2電源使其停止運轉，並呈現出故障點，然後開啟 通訊軟體(例如：WhatsAPP、LINE、SKYPE、微信等)並主動通知群組內的監測人員7故障的類型及位置。

請參閱圖5。本發明所揭露的一種風力發電機故障診斷方法，至少包含如下步驟：

第一步驟S100：先在風力機的機艙內設置多個感測器；

第二步驟S200：利用可程式邏輯控制器接收多個感測器的偵測訊號，並在固定時間內主動進行一故障狀態預測演算來提取葉片震動的特徵，用以判斷故障狀態。

第三步驟S300；利用一物聯網監控系統讀取可程式邏輯控制器接收後的偵測訊號，並將該偵測訊號透過一工業乙太網路傳輸至一故障類型資料庫進行分析比較，並將分析後的即時結果通知監測人員。

前述第二步驟S200中的該故障狀態預測演算，至少包含如下步驟：

第一步驟S201：利用混沌同步系統，提取電壓與電流訊號之相位角差並轉換成混沌誤差散佈圖，並利用混沌動態誤差方程式來產生混沌誤差，並將該混沌誤差中的兩個重心點座標設為混沌眼，再以該混沌眼為故障診斷的特徵；

第二步驟S202：將混沌系統產生之各種動態誤差散佈圖進行尺寸的正規化，再利用卷積神經網路進行混沌眼的圖像特徵提取；

第三步驟S203：利用池化運算將圖像特徵值提出至可拓類神經(第一型)決定混沌眼的特徵重要程度來訂定權重值，再依據權重值來決定故障類別的關聯度，最後再利用監督式學習調整權重值並進行分類，用以對應出故障的原因；

第四步驟S204：當經可拓類神經學習後，將學習模型儲存下來，並經由一數據可視化平台(結合LabVIEW與MATLAB)呈現出來。

前述第一步驟S201中的混沌同步系統係以使用勞倫茲系統為實施說明，但不以此為限制。該混沌同步系統為利用一種混沌訊號，去模擬出另一種混沌訊號，使兩種混沌訊號最後達到同步效果的一種理論。一般而言，兩個混沌系統分別稱為主系統(Master System,MS)和僕系統(Slave System,SS)，當主與僕系統之初始值不同時，會使兩混沌系統之運作軌跡有所不一樣，然後便將僕系統後端加上控制器進行追蹤主系統，利用控制器使兩混沌訊號經過一段時間後，可使運作軌跡相等，此種追蹤系統即為混沌同步，如下式(1)為混沌同步基本公式。

其中Y_slave表示僕系統之數據列；X_Master表示主系統之數據列，而主僕混沌系統分別如下式(2)和式(3)所表示。

Master：

Slave：

其中Fi(i=1,2,...,n)均屬於非線性函數，將式(2)減式(3)形成誤差狀態如式(4)，而動態誤差方程式如式(5)所示。

其中Gi(i=1,2,...,n)為非線性方程式，其動態誤差方程式均屬於混沌系統，然而利用混沌現象之吸引子的運動軌跡，其主要是用來研究各種系統動作狀態，如週期性、 非周期性與隨機訊號時序等狀態的行為。因此，本發明將利用混沌動態誤差方程式用來辨識配電設備狀態的依據，透過混沌同步檢測方法可快速計算系統狀態之特徵值。

前述第二步驟S202中，本實施例為利用卷積神經網路中的卷積層來進行特徵擷取，並透過不同大小之卷積核(Convolution Kernel)或稱濾波器(Filter)進行卷積運算，藉由空間濾波概念進行圖片之特徵特萃取或強化特徵。但是該卷積核的大小會直接影響到特徵檢測的性能，若該卷積核選用太小，對於圖片的辨識性能會有不良的影響；若該卷積核選用太大，則會增加計算的時間成本。因此本實施例以大小為5×5的卷積核進行卷積運算，並且每次移動步長為1步，直到原始輸入影像之所有像素被該遮罩內積完成後即可得到一特徵映射圖，如圖7所示，該圖7為本發明的卷積運算過程示意圖。

前述第三步驟S203在影像經過卷積層並獲得圖片之特徵後，為了有效降低圖片之特徵參數大小，並保持影像特徵不變性，在卷積擷取特徵後加入池化層，能使整體網路之運算複雜度降低，並使池化後的資訊更專注於圖片中是否存在相符合的特徵。一般常用之池化方式有最大池化(Max Pooling)與平均池化(Average Pooling)，該池化層之運作方式如圖8所示。本實施例為使用Max Pooling來作為實施說明。

當前述圖像透過注化運算過程後，即會將圖像特徵值提出至可拓類神經網路(第一型)進辦識和演算。其中該可拓類神經網路的學習法則是監督式學習，因此該可拓類神經經由學習調整權重，使其達到與目標相同的輸出值或是降低輸出值的誤差。但在學習前有幾個變數需先定義，設學習樣本X={x ₁ ,x ₂ ,...,x _NP }，而N _P 為所有的訓練樣本。在第i-th樣本為X _i P={x _i1 ^P ,x _i2 ^P ,...,x _in ^P }，所有的特徵樣本為n，並設i-th樣本的種類為p。為了評估該可拓類神經網路預測之正確性，要把所測試的總誤差設為N _m ，而總誤差比率設為E _T ，如下式(1.1)所示。

其中該可拓類神經學習法則的步驟為下：

步驟一：設定連接輸入節點與輸出節點間的權重值根據特徵的模型如下式(1.2)及式(1.3)所示。

步驟二：計算每個特徵的權重的中間值如下式(1.4)及式(1.5)所示。

Z _k ={z _k1,z _k2,...,z _kn } (1.4)

for k=1,2,...,n _c ；j=1,2,....,n

步驟三：讀取i-th訓練樣本以及特徵數p如式(1.6)所示。

步驟四：使用可拓距離來計算樣本跟k-th群聚的距離，如下公式(1.7)所示。

for k=1,2,...,n _c

步驟五：找k ^*，ED _ik*=min{ED _ik*}。若k ^*=p則至步驟七；否則至步驟六。

步驟六：新p-th和k ^*-th之權重值如公式(1.8)及公式(1.9)所示。

更新p-th和k*-th之權種值如公式(1.10)至公式(1.13)：

其中η為學習率。

步驟七：重複步驟三至步驟六，直到所有樣本都已分類完成。

步驟八：若分類處理已達到收斂或是總誤差率達到一個最小標準值則停止，否則回到步驟三。

當前述可拓類神經網路完成學習後，即可進行分類或辨識。其演算法步驟如下：

步驟一：讀取可拓類神經網路已學習的權重矩陣。

步驟二：計算每個中心的中間值，如前述公式(1.4)及公式(1.5)。

Z _k ={z _k1,z _k2,...,z _kn } (1.4)

步驟三：讀取測試樣本，如前述公式(1.6)所示。

X _t ={x _t1,x _t2,...,x _m } (1.6)

步驟四：使用所提出的可拓距離來計算測試樣本跟每個群聚的距離，如前述公式(1.7)。

步驟五：找k*，利用ED _ik*=min{ED _ik }，以及O _ik*=1的群聚類別。

步驟六：假設所有測試樣本都被分類完成，則停止，否則回到步驟三。

當前述可拓類神經學習完成後，即可以將學習模型儲存下來，結合labview與matlab進行建構一套故障診斷系統，如圖4所示。綜上所述，本發明所揭露的一種風力發電機故障診斷系統及其方法，可自行增加不同型式的故障種類與感測元件，以及導入人工智慧演算法進行故障檢測，並從該演算分析結果預測風力機設備故障前兆，提供監測人員預先做出準備，以降低無預警事故發生之機率，確保電力供電的穩定與安全。

雖然本發明以前述之諸項實施例揭露如上，然其並非用以限定本發明，任何熟習相像技藝者，在不脫離本發明之精神和範圍內，當可作些許之更動與潤飾，因此本發明之專利保護範圍須視本說明書所附之申請專利範圍所界定者為準。

1:風力發電機故障診斷系統

2:風力發電機

21:機艙

22:葉片組

3:可程式邏輯控制器

4:物聯網監控系統

5:工業乙太網路

6:雲端監控中心

61:故障類型資料庫

7:監測人員

8:監示裝置

Claims (9)

1. 一種風力發電機故障診斷系統，包含：一風力發電機，設置有一機艙，該機艙前端設置有一葉片組，該機艙內具有一容置空間，該容置空間內設置有一發電機組、一齒輪增速機、一交流馬達，該發電機組透過一發電機軸承與該齒輪增速機連接，該齒輪增速機通過一齒輪軸承與該交流馬達連接，該交流馬達通過一馬達軸承與該葉片組連接，並且在該發電機組附近設置有一交流電力錶，在該齒輪增速機上設置有一溫度感測器，在該齒輪增速機與交流馬達之間設置有一轉速計，在該齒輪增速機與該葉片組之間設置有二振動感測器，在該機艙的容置空間內還設置有一紫外線感測器及一細水霧滅火裝置；一可程式邏輯控制器，用於接收該紫外線感測器、該溫度感測器、該轉速計、該振動感測器和該交流電力錶的偵測訊號，並且在固定時間內主動進行一故障狀態預測演算來提取葉片震動的特徵，用以判斷故障狀態；一物聯網監控系統，用於讀取可程式邏輯控制器接收後的偵測訊號，並將該偵測訊號透過一工業乙太網路傳輸至一雲端監控中心的一故障類型資料庫進行比對分析，並將比對分析後的結果即時通知監測人員； 其中該故障類型資料庫存放多個偵測訊號的安全預設值，用於將多個偵測訊號與該安全預設值進行比對分析，當該偵測訊號超出安全預設值即啟動一警示裝置以發出警告。其中該故障狀態預測演算，其至少具有如下步驟：第一步驟為利用勞倫茲混沌同步檢測法，提取訊號特徵，並產生混沌誤差散佈圖；第二步驟為利用卷積神經網路透過混沌誤差散佈圖，提取該混沌誤差散佈圖的圖像特徵值；第三步驟為透過可拓類神經(第一型)對該圖像特徵值進辨識及演算，並將該演算結果經由一數據可視化平台呈現出來。
2. 如請求項1所述之風力發電機故障診斷系統，其中該利用故障狀態預測演算的故障狀態為葉片的螺絲鬆脫及三個葉片的受風角度不同時。
3. 如請求項1所述之風力發電機故障診斷系統，其中該振動感測器的偵測訊號為一振動訊號，該振動訊號與該故障類型資料庫比較的判斷點為：當振動訊號大於1萬次，則判斷故障類型為葉片斷裂損壞。
4. 如請求項1所述之風力發電機故障診斷系統，其中該轉速計的偵測訊號為一轉速訊號，該轉速訊號與該故障類型資料庫比較的判斷點為：當轉速訊號大於300rpm系統速限，則判斷故障類型為轉速過快。
5. 如請求項1所述之風力發電機故障診斷系統，其中該交流電力錶的偵測訊號為一電流訊號，該電流訊號與該故障類型資料庫比較的判斷點為：當電流訊號等於0安培，則判斷故障類型為線路異常；當電流訊號大於3安培，則判斷故障類型為負戴過大。
6. 如請求項1所述之風力發電機故障診斷系統，其中該紫外線感測器的偵測訊號為一紫外光，該紫外光會偵測該機艙內產生的多個電壓閃爍的次數，該偵測到的次數與該故障類型資料庫比較的判斷點為：當紫外線感測器在2秒內偵測到超過20次的電壓閃爍，即判斷故障類型為機艙內產生電弧；當紫外線感測器在2秒內偵測到低於20次的電壓閃爍訊號，即判斷故障類型為機艙內失火，並啟動細水霧滅火裝置開始滅火。
7. 一種風力發電機故障診斷方法，其至少包含如下步驟：第一步驟：先在風力機的機艙內設置多個感測器；第二步驟：利用可程式邏輯控制器接收多個感測器的偵測訊號，並在固定時間內主動進行一故障狀態預測演算來提取葉片震動的特徵，用以判斷故障狀態，該故障狀態預測至少包含如下步驟： 先利用混沌同步系統，提取電壓與電流訊號之相位角差並轉換成混沌誤差散佈圖，並利用混沌動態誤差方程式來產生混沌誤差，並將該混沌誤差中的兩個重心點座標設為混沌眼，再以該混沌眼為故障診斷的特徵；將混沌系統所產生之各種動態誤差散佈圖進行尺寸的正規化，再利用卷積神經網路進行混沌眼的圖像特徵提取；再利用池化運算將圖像特徵值提出至可拓類神經(第一型)決定混沌眼的特徵重要程度來訂定權重值，再依據權重值來決定故障類別的關聯度，最後再利用監督式學習調整權重值並進行分類，用以對應出故障的原因；最後經可拓類神經學習後，將學習模型儲存下來，並經由一數據可視化平台呈現出來；第三步驟；利用一物聯網監控系統讀取可程式邏輯控制器接收後的偵測訊號，並將該偵測訊號透過一工業乙太網路傳輸至一故障類型資料庫進行分析比較，並將分析後的結果即時通知監測人員。
8. 如請求項7所述之風力機故障診斷方法，其中該感測器至少包括：一紫外線感測器、一溫度感測器、一轉速計、一振動感測器和一交流電力錶。
9. 如請求項8所述之風力機故障診斷方法，其中該偵測訊號與該故障類型資料庫比較的判斷點至少包含如下方式： 該振動感測器的偵測訊號為一振動訊號，當該振動感測器的振動訊號大於1萬次，則判斷故障類型為葉片損壞；該轉速計的偵測訊號為一轉速訊號，當該轉速計的轉速訊號大於300rpm系統速限，則判斷故障類型為轉速過快；該交流電力錶的偵測訊號為一電流訊號，當該電流電力錶的電流訊號等於0安培，則判斷故障類型為線路異常；當該電流電力錶的電流訊號大於3安培，則判斷故障類型為負載過大；該紫外線感測器的偵測訊號為一紫外光，當該紫外線感測器在2秒內偵測到超過20次的電壓閃爍，即判斷故障類型為機艙內產生電弧；當紫外線感測器在2秒內偵測到低於20次的電壓閃爍訊號，即判斷故障類型為機艙內失火，並啟動一細水霧滅火裝置開始滅火。

Images