蔡曜隆、林庭宇、孫元亨、李柏璽 / 工研院材化所；
曾煜棋、林政寬 / 國立陽明交通大學資訊工程學系；陳彥安 / 元智大學資訊工程學系
在全球能源轉型的推動下，離岸風電(Offshore Wind Power)正迅速成為台灣邁向能源自主的核心力量。然而，隨著風機尺寸不斷放大、安裝環境更加嚴峻、維運成本逐年攀升，如何有效掌握風機健康狀態，已成為風場營運者面臨的首要課題。以風力發電機中的關鍵組件「葉片」為例，長達60公尺~90公尺的複合材料構件在高鹽分、高濕度與強風載的離岸環境下，極易出現裂縫、脫膠、侵蝕與雷擊損傷等劣化現象，若無法及早偵測，不僅會削弱整體發電效率，更可能演變成高風險的安全事故。傳統維運方式雖涵蓋人工巡檢、UAV或望遠鏡影像檢測與加速度感測器監測，但分別面臨高成本、高風險、受限於可視範圍或安裝不易等問題，難以滿足離岸風場對長期、即時、全面監控的需求。於是，一種能遠距、非接觸、全天候運作的偵測技術「聲學診斷(Acoustic Diagnostics)」正加速嶄露頭角。透過單點麥克風、聲學相機、AI聲紋分析(Acoustic Signature Analysis)、聲振耦合技術與高速影像DIC等工具的整合，聲學診斷能在葉片發生裂縫、鬆脫或氣動異常時，以聲音與振動作為最敏感、最早期的告警來源，為離岸風場帶來全新的健康監測架構。
【內文精選】
AI聲紋診斷：讓風機「聽得懂」自己的健康
在風機智慧維運需求快速發展的今日，聲學監測已從過去依賴人工聽診與頻譜觀察，進化為結合深度學習與自動化分析的全新模式。AI聲紋診斷(AI-based Acoustic Signature Analysis)不僅能讓風機具備「聽得懂自己」的能力，更能有效解決離岸風場中設備難以近距離量測、環境噪音強烈，與異常案例稀少等問題。本節將從資料前處理、特徵工程、模型架構、異常判定與陸域/離岸實驗成果等面向，完整解構AI聲紋診斷在風機健康監測中的技術核心。
3. 陸域／離岸風場驗證成果
透過「智慧聲振異音劣化辨識模組」結合聲學量測、振動分析及人工智慧比對模型，成功建立風機異常狀態之遠距診斷能力。結果顯示該系統已於陸域風場成功辨識33座異常風機（圖五），並於離岸風場辨識出2座異常案例（圖六），顯示此模型具有高度應用推廣能力，能在不同之環境條件下維持穩定診斷準確度。此模組核心優勢在於可記錄風機在正常、異常、離岸環境等多種運轉狀態下之「頻譜特徵圖」，並藉由異音特徵相似度進行風機健康狀態推估。系統使用的AI模型會透過「異常音頻特徵比對」找出異常來源，不僅能快速區分正常及異常風機，更能排除環境噪音干擾---以上為部分節錄資料，完整內容請見下方附檔。
圖五、智慧聲振異音劣化辨識模組於陸域風場驗證結果
圖六、智慧聲振異音劣化辨識模組於離岸風場驗證結果
★本文節錄自《工業材料雜誌》471期，更多資料請見下方附檔。