Multiskalen‑Entropie‑Analyse akustischer Emissionen zur Klassifizierung des Getriebeschadensgrades

Warum das Zuhören bei Maschinen Ausfälle verhindern kann

Von Windkraftanlagen bis zu Fabrikförderern sorgen Getriebe still und zuverlässig dafür, dass die Industrie läuft – bis ein verborgener Riss oder ein abgenutztes Zahnrad plötzlich alles zum Erliegen bringt. Diese Studie zeigt, wie das „Zuhören“ der winzigen, hochfrequenten Geräusche im Inneren eines Getriebes und deren geschickte Auswertung nicht nur auf ein Problem hinweisen, sondern auch den Schweregrad des Schadens offenlegen kann. Diese Detailgenauigkeit ist entscheidend, um Reparaturen zu planen, bevor Ausfälle kostspielig oder gefährlich werden.

Von einfachen Vibrationen zu subtilen akustischen Hinweisen

Die meisten Zustandsüberwachungssysteme setzen auf Vibrationssensoren, die gut funktionieren, sobald ein Fehler bereits fortgeschritten ist. Die frühesten Anzeichen zeigen sich jedoch oft als sehr kurze, hochfrequente akustische Emissions‑Impulse – winzige Schallwellen, die entstehen, wenn Oberflächen reiben, reißen oder ausbrechen. Diese Signale enthalten reichhaltige Informationen, sind aber extrem schnell, komplex und verrauscht, weshalb sie sich schwer direkt interpretieren lassen. Klassische Deep‑Learning‑Ansätze können aus solchen Daten lernen, verhalten sich jedoch oft wie Blackboxen und benötigen viel Rechenleistung sowie viele gelabelte Beispiele, was sie im Alltag weniger praktikabel macht.

Messung von Signal‑„Unregelmäßigkeit“ über viele Zeitskalen

Die Autoren konzentrieren sich stattdessen auf eine Familie von Maßen, die als Entropie bekannt sind und hier beschreiben, wie unvorhersehbar oder unregelmäßig ein Signal ist. Anstatt nur rohe Amplituden zu betrachten, berechnen sie 16 verschiedene entropie‑basierte Merkmale, die erfassen, wie sich Energie- und Frequenzinhalt über die Zeit verteilen. Entscheidend ist, dass sie dies über mehrere Zeitskalen tun, von fein bis grob, und dabei drei verwandte Techniken verwenden: Composite Multi‑Scale Entropy (CMSE), Hierarchical Multi‑Scale Entropy (HMSE) und eine kombinierte Methode namens Composite Hierarchical Multi‑Scale Entropy (CHMSE). Indem dieselben akustischen Emissionsdaten durch diese multiskalige Linse betrachtet werden, lassen sich Muster erkennen, die in einer Einzelaufnahme unsichtbar bleiben, sich aber systematisch verändern, wenn sich der Getriebeschaden entwickelt.

Ein streng kontrollierter Test von Schadenstypen und -graden

Um diese Ideen zu prüfen, bauten die Forscher einen Stirnrad‑Prüfstand mit einem 2‑PS‑Motor und installierten einen spezialisierten Sensor für akustische Emissionen am Getriebegehäuse. Sie erzeugten vier realistische Schadensarten – Materialabtrag (Pitting), abgebrochene Zähne, Wurzelsprünge und Anlaufflächen (Scuffing) – jeweils in neun unterschiedlichen Schweregraden sowie einen gesunden Zustand. Bei drei Drehzahlen und drei Laststufen zeichneten sie jeweils drei Sekunden lange Tonaufnahmen mit einer Million Messungen pro Sekunde auf und erhielten so 1.215 Signalaufzeichnungen. Aus jeder Aufzeichnung extrahierten sie ihre Entropie‑Merkmale und speisten diese in klassische Machine‑Learning‑Modelle wie Random Forests, Support‑Vector‑Machines und neuronale Netze, wobei sie das Training und die Tests vielfach wiederholten, um statistisch verlässliche Ergebnisse zu erzielen.

Ein Blick in die „Blackbox“ der Fehlerklassifikation

Unter den getesteten Kombinationen lieferte die Kombination aus CHMSE‑Merkmalen und Random‑Forest‑Modellen die besten Ergebnisse. Für mehrere Fehlerarten identifizierte dieses Setup den genauen Schadensgrad in über 99 % der Fälle korrekt; selbst in den schwierigsten Fällen blieb die Genauigkeit bei etwa 97 % oder höher. Die Studie verglich diese Entropie‑Merkmale außerdem mit bekannteren statistischen Beschreibern – wie Mittelwert, Varianz und Spitzenwert – und stellte fest, dass Entropie eine konstante Genauigkeitssteigerung von 1–4 % brachte. Um die Entscheidungen für Ingenieure nachvollziehbar zu machen, wendeten die Autoren SHAP an, eine moderne Erklärbarkeitsmethode, die die wichtigsten Merkmale für jede Vorhersage rankt. Dabei zeigte sich, dass bestimmte verallgemeinerte Entropie‑Maße (Rényi und Tsallis) zusammen mit Log‑Energie und schwellenwertbasierten Entropien besonders wirkungsvoll sind, um kleine, frühe Defekte von fortgeschrittenen Schäden über alle vier Fehlerarten hinweg zu unterscheiden.

Was das für die Praxis bedeutet

Vereinfacht gesagt zeigt die Arbeit, dass ein einzelner, gut platzierter akustischer Sensor in Kombination mit durchdachter multiskaliger Entropieanalyse wie ein Stethoskop und ein Bluttest zugleich für industrielle Getriebe wirken kann. Statt nur anzuzeigen, dass „etwas nicht stimmt“, kann das System abschätzen, wie weit sich jede Schadensart entwickelt hat, und den Wartungsteams so Zeit geben, Reparaturen zu planen und katastrophale Ausfälle zu vermeiden. Da die gewählten Entropie‑Merkmale deutlich weniger Rechenaufwand erfordern als viele Deep‑Learning‑Alternativen, ist der Ansatz praktikabel für die routinemäßige Überwachung auf Standardhardware. Mit weiterer Validierung an realen Fabrikgetrieben könnten solche Methoden zu einem Eckpfeiler vorausschauender Wartung werden, die Lebensdauer von Anlagen verlängern und ungeplante Stillstände reduzieren.

Zitation: Sánchez, RV., Liu, Y., Qin, H. et al. Multi-scale entropy analysis of acoustic emission for gearbox fault severity classification. Sci Rep 16, 7279 (2026). https://doi.org/10.1038/s41598-026-37858-4

Schlüsselwörter: Getriebezustandsüberwachung, akustische Emission, Klassifizierung des Schadensgrades, Multiskalen‑Entropie, vorausschauende Wartung